______________________________________________________________________
标题：实用函数Mcp 表情符号💻 颜色来源：粉红色 颜色：红色 sdk：毕业 sdk版本：6.0.1 app_file：app.py 固定：false 许可证：mit 标签：
- 构建mcp跟踪消费者
______________________________________________________________________
贡献者：benjosaur，再利用，MJ141592
观看 演示
用于在以下位置部署训练有素的实用程序功能的MCP层 自动查找器. 专为拥抱脸MCP 1岁生日而打造 黑客松.
注：目前已损坏，因为楼上的kv商店处于非活动状态。
使用MCP训练和部署自己的实用功能
你是否曾希望你的人工智能能够像你一样看待世界？也许你对成本特别敏感，或者你会用额外的座位换取120升的后备箱空间。你甚至会如何发现这些偏好？那么，你如何让你的人工智能也理解和应用它们呢？
现在你可以了！经济学家们纷纷出手相救 效用模型 通过识别 显示偏好实际上，我们的想法是假设你在世界上通过最大化效用函数$U_i$来做出选择：
具体来说，在这种情况下，我们参数化了最基本的随机效用模型之一—— 条件逻辑让$Y_i$表示从我们的$i$EV数据库中选择的EV$i$。然后：
$$U_i=\\beta_1\\cdot价格+\\beta_2\\cdot范围+\\beta_3\\cdot效率+\\bete_4\\cdot加速+\\beto_5\\cdot快速充电+\\bet_6\\cdot座椅+\\epsilon_i$$
这里假设$\\epsilon_i$的分布为 I型极值我们在效用函数中需要这个噪声项，否则如果你做出不一致的选择，我们的模型将完全崩溃。关于分布，选择它主要是因为它使以下估计更容易处理。
所以现在我们已经完成了设置，我们该如何安装它？
1：通过成对比较训练你的效用函数
现在，我们需要您透露的偏好信息，以便能够为您调整$\\beta$s。为此，我们从 电动汽车数据库.
See your utility function on the LHS update realtime
回到我们的成对选择，让我们将所有特征捆绑到一个向量$x_i$中。 给定我们对误差分布的选择，在备选方案$Y_i$和$Y_j$之间的成对选择中，给定我们的参数集，选择$Y_i$$的概率为： $$\\frac{e^{x_i\\cdot\\beta}{e^{x_i\\cdot \\beta}+e^{x_j\\cdot\\beta}}$$
现在，考虑到许多选择的观察历史，我们可以将本实用新型与 最大似然即，我们拟合$\\beta$s，这样我们从您那里观察到的选择最有可能基于随机效用模型。这种可能性只是从你所做的每一个选择的概率的乘积中得出的。
收敛速度通常很快（可能在10之后）。一旦你满意了，保存你训练好的实用函数，准备部署。
2：部署您的实用功能
现在，使用MCP在世界上释放你的人工智能代理，以评估电动汽车或其他密切相关的实体。
Let Claude see the world through your eyes!
此MCP服务器公开了两个工具：
1. calculate_utility
根据用户经过训练的偏好计算单辆车的效用得分。
参数：
user_id：要使用其实用函数的用户名price：汽车价格（欧元）range：范围（公里）efficiency：效率（Wh/km）acceleration：0-100km/h时间（秒）fast_charge：快速充电功率（kW）seat_count：座位数
退货： 使用了效用分数和系数的JSON
本质上，效用本身是没有意义的，因为它至少需要另一个参考点。带领我们。。。
2. find_best_car
根据用户的效用函数从数组中查找最佳汽车。如果您想让您的AI代理坐下来观看为您量身定制的优惠，这将非常有用！ 回顾培训师仪表板，您可以看到我们已经能够根据您的初始选择对整个电动汽车数据库进行排名。这可以被认为是使 个性化RAG.
参数：
user_id：要使用其实用函数的用户名cars：具有上述特征的汽车物体阵列
退货： JSON，包含最佳汽车和按实用性排名的所有汽车