Scientific Calculator MCP Server

科学计算器MCP服务器

一个生产就绪的模型上下文协议（MCP）服务器，为AI模型提供高级数学计算功能。支持符号数学（SymPy）、数值计算（NumPy/ScPy）、数据分析（pandas）和图像处理。

快速开始

1.安装依赖项

pip install sympy numpy scipy pandas

2.服务器配置

添加到您的MCP客户端配置中（例如，Claude Desktop claude_desktop_config.json):

{
  "mcpServers": {
    "scientific-calculator": {
      "command": "python",
      "args": ["-u", "path/to/mcp_server.py"],
      "env": {}
    }
  }
}

Windows示例：

{
  "mcpServers": {
    "scientific-calculator": {
      "command": "python",
      "args": ["-u", "F:\\AAchengguoofAI\\cuz_caculat\\mcp_server.py"]
    }
  }
}

macOS/Linux示例：

{
  "mcpServers": {
    "scientific-calculator": {
      "command": "python3",
      "args": ["-u", "/path/to/mcp_server.py"]
    }
  }
}

特性

• 3统一工具 涵盖：

- 符号工具：符号代数、微积分、方程求解（SymPy） - numpy_tool：线性代数、矩阵分解、数据分析（NumPy/panda）、图像处理 - scipy_tool：数值积分、优化、ODE/PDE求解、统计学、FFT

• 10道大学数学题 采用经过验证的分步解决方案
• 100%计算精度 （根据分析溶液进行验证）
• 符合MCP协议 （STDIO传输，JSON-RPC 2.0）
• 零配置 -与Claude Desktop一起开箱即用

核心文件

支持的操作（通过整合工具）

symbolic_tool

• 操作：简化、展开、因子、导数、积分、极限、求解、泰勒、矩阵（行列式/逆/秩/轨迹 matrix_data).

-### numpy_tool

• 数组缩减：求和、均值、标准差、最大值、最小值（带可选轴）。
• 线性代数和分解：特征值/特征向量（别名eig/eigvals）、行列式、逆、求解、范数、秩、迹、matmul/dot/hadamar（需要 matrix_a & matrix_b)、SVD、QR、Cholesky（使用 matrix_a，可选 matrix_b).
• 多项式：poly_eval、poly_derive、poly_integral。
• 三角函数：sin/cos/tan/arcsin/arccos/arctan/sinh/cosh/tanh（可选度数输入）。
• Pandas（通过Pandas\_\*操作进行数据分析）：描述、更正、值计数（必填 columns)，group_sum(columns 带有group/agg的JSON）。以JSON格式输入数据帧。
• 图像（基于numpy）：Image_stats、Image_normalize、Image_threshold（输入 image_data JSON数组，可选 threshold).
• 三角函数：sin，cos，tan，arcsin，arccos，arctan，sinh，cosh，tanh（使用 values，可选 use_degrees).
• 多项式：poly_eval、poly_derive、poly_integral（使用 coefficients，可选 x_values).

scipy_tool

• 集成：集成_功能（操作=integrate).
• 优化：optimize_minimize，optimize_root。
• 插值：插值_线性/插值_三次/插值_样条。
• 特殊功能：特殊（功能+参数）。
• ODE:solve_ODE（表达式、初始条件、t_values）。
• 统计：统计/均值/标准差/描述/t检验/峰值 operation + data (+ params).
• FFT：FFT，rfft。
• matrix_eigensystem（使用 matrix_a).

使用示例

from calculator import CALCULATOR_TOOLS

# Derivative: d(x³)/dx = 3x²
result = CALCULATOR_TOOLS['symbolic_derivative']('x**3', 'x')

# Solve: x² - 4 = 0
result = CALCULATOR_TOOLS['solve_equation']('x**2 - 4', 'x')

# Eigenvalues of matrix
import numpy as np
A = [[1, 2], [3, 4]]
result = CALCULATOR_TOOLS['numpy_linear_algebra'](A, 'eigenvalues')

# Integrate: ∫ x² dx from 0 to 1
result = CALCULATOR_TOOLS['symbolic_integral']('x**2', 'x', 0, 1)

模型使用策略

• 每个数字或符号计算都必须委托给工具（通过MCP tools/call 或直接 CALCULATOR_TOOLS[...])，切勿在模型响应内手动计算。
• 推理流程：选择正确的工具→ 准备JSON安全输入→ 调用该工具→ 呈现工具输出（仅对格式化进行最小的后处理）。
• 如果一个步骤需要算术运算，请调用工具（例如，使用 numpy_linear_algebra 对于矩阵， symbolic_* 对于代数， scipy_* 用于微积分/优化）。
• 除非工具返回近似值，否则避免近似值；不要手动估计值。

提示手册（高级问题）

• 重新启动任务，列出所需的子计算，并将每个子计算映射到一个工具。
• 对于矩阵，始终提供 matrix_a （以及 matrix_b 需要时）作为JSON数组 numpy_linear_algebra.
• 对于演算/ODE/PDE，在调用之前将表达式转换为纯字符串（兼容SymPy） symbolic_* 或 scipy_* 工具。
• 在每次工具调用后，将其确切的输出重用于后续步骤——中间没有手动算术。
• 求和或求解时，首选工具输出作为下一个工具的输入（例如，特征值→ 在后续步骤中使用，而不是重新计算）。
• 如果用户询问结果，返回：调用的工具、使用的输入和工具输出；避免“心算”

问题集

展示工具能力的10个复杂的大学级问题：

1. 二阶ODE：y’+4y’+4y=e^x（7步）
2. 特征值和特征向量：矩阵分析（5步）
3. 傅里叶级数与巴塞尔问题：系列扩展（6步）
4. 拉格朗日乘子：约束优化（7个步骤）
5. 余式定理：复杂的集成（6个步骤）
6. 热方程：PDE求解（7个步骤）
7. 表面几何形状：切线平面（7步）
8. ODE系统：线性系统（7步）
9. 格林定理：线积分（8步）
10. 变分法：欧拉-拉格朗日（10步）

演出

技术细节

• 运输：STDIO（MCP标准）
• 协议：JSON-RPC 2.0
• 语言：Python 3.10+
• 依赖项：SymPy、NumPy、SciPy、FastMCP
• 尺寸：~70 KB（仅核心代码）

状态

✅ 生产就绪

• 3个经过测试和工作的整合工具
• MCP规范已验证
• 使用Claude Desktop进行部署和测试
• 准备投入生产使用

支持

有关问题或疑问，请参阅MCP规范：https://modelcontextprotocol.io/docs/develop/build-server