Bayesian MCP

贝叶斯MCP

用于贝叶斯推理、推断和信念更新的模型调用协议（MCP）服务器。该工具使LLM能够执行严格的贝叶斯分析和概率推理。

特性

• 🧠 贝叶斯推断：使用MCMC抽样用新证据更新信念
• 📊 模型比较：使用信息标准比较竞争模型
• 🔮 预期推理：生成具有不确定性量化的预测
• 📈 可视化：创建后验分布的可视化
• 🔌 MCP集成：与支持MCP的任何LLM无缝集成

安装

开发安装

克隆存储库并安装依赖项：

git clone https://github.com/wrenchchatrepo/bayesian-mcp.git
cd bayesian-mcp
pip install -e .

需求

• Python 3.9+
• PyMC 5.0+
• ArviZ
• 数值Python
• Matplotlib
• 快速 API
• 乌维科恩

快速开始

启动服务器

# Run with default settings
python bayesian_mcp.py

# Specify host and port
python bayesian_mcp.py --host 0.0.0.0 --port 8080

# Set log level
python bayesian_mcp.py --log-level debug

服务器将启动并监听指定主机和端口上的MCP请求。

API使用

贝叶斯MCP服务器通过其API公开了几个功能：

1.创建模型

使用指定变量创建新的贝叶斯模型。

# MCP Request
{
    "function_name": "create_model",
    "parameters": {
        "model_name": "my_model",
        "variables": {
            "theta": {
                "distribution": "normal",
                "params": {"mu": 0, "sigma": 1}
            },
            "likelihood": {
                "distribution": "normal",
                "params": {"mu": "theta", "sigma": 0.5},
                "observed": [0.1, 0.2, 0.3, 0.4]
            }
        }
    }
}

2.更新信念

用新的证据更新模型信念。

# MCP Request
{
    "function_name": "update_beliefs",
    "parameters": {
        "model_name": "my_model",
        "evidence": {
            "data": [0.1, 0.2, 0.3, 0.4]
        },
        "sample_kwargs": {
            "draws": 1000,
            "tune": 1000,
            "chains": 2
        }
    }
}

3.做出预测

使用后验分布生成预测。

# MCP Request
{
    "function_name": "predict",
    "parameters": {
        "model_name": "my_model",
        "variables": ["theta"],
        "conditions": {
            "x": [1.0, 2.0, 3.0]
        }
    }
}

4.比较模型

使用信息标准比较多个模型。

# MCP Request
{
    "function_name": "compare_models",
    "parameters": {
        "model_names": ["model_1", "model_2"],
        "metric": "waic"
    }
}

5.创建可视化

生成模型后验分布的可视化。

# MCP Request
{
    "function_name": "create_visualization",
    "parameters": {
        "model_name": "my_model",
        "plot_type": "trace",
        "variables": ["theta"]
    }
}

例子

这 examples/ 目录中包含几个示例，演示如何使用贝叶斯MCP服务器：

线性回归

一个简单的线性回归示例来演示参数估计：

python examples/linear_regression.py

A/B测试

转换率的贝叶斯A/B测试示例：

python examples/ab_test.py

支持的分发

贝叶斯引擎支持以下分布：

• normal：正态（高斯）分布
• lognormal：对数正态分布
• beta：Beta分布
• gamma：伽马分布
• exponential：指数分布
• uniform：均匀分布
• bernoulli：伯努利分布
• binomial：二项式分布
• poisson：泊松分布
• deterministic：确定性转换

MCP集成

此服务器实现了模型调用协议，使其与各种LLM和框架兼容。要将其与LLM一起使用：

import requests

response = requests.post("http://localhost:8000/mcp", json={
    "function_name": "create_model",
    "parameters": {
        "model_name": "example_model",
        "variables": {...}
    }
})

result = response.json()

许可证

麻省理工学院

鸣谢

基于Wrench AI框架的概念和代码。