富士通 Social Digital Twin MCP 服务器

该项目将 富士通的 Social Digital Twin 和 Digital Rehearsal API 与 Model Context Protocol (MCP) 集成，允许大型语言模型（LLMs）通过自然语言访问富士通的 Digital Rehearsal API。

概述

富士通的 Social Digital Twin 不仅基于现实世界的数据在数字空间中重现人和物体的状态，还重现了整个经济和社会活动。其核心功能“Digital Rehearsal”使用户能够在实际实施措施之前，在数字空间中模拟人类和社会行为，从而提前验证其效果和影响。

该项目使用 MCP 来连接 LLMs 和 Digital Rehearsal API，使用户能够使用自然语言运行模拟并分析结果。

主要功能

• 检索和显示模拟列表
• 启动模拟
• 检索和分析模拟结果
• 管理模拟数据
• 分析交通模拟
• 比较场景
• 从自然语言生成模拟配置

先决条件

• Python 3.13 或更高版本
• 访问富士通 API 网关（API 密钥）
• 兼容 MCP 的 LLM 客户端（例如 Claude Desktop）

安装

通过 Smithery 安装

要通过 Smithery 自动为 Claude Desktop 安装富士通 Social Digital Twin 服务器：

npx -y @smithery/cli install @3a3/fujitsu-sdt-mcp --client claude

1. 克隆仓库

git clone https://github.com/3a3/fujitsu-sdt-mcp.git
cd fujitsu-sdt-mcp

2. 设置环境

使用 uv（推荐）：

首先，安装 uv：

# Install uv using pip
pip install uv

# Or using curl (Linux/macOS)
curl -sSf https://astral.sh/uv/install.sh | sh

然后，使用 uv 设置您的环境：

# Create virtual environment
uv venv

# Activate virtual environment
# Windows:
.venv\Scripts\activate
# Unix/MacOS:
source .venv/bin/activate

# Install dependencies
uv pip install -r requirements.txt

或者，您可以使用提供的设置脚本：

# Make the script executable
chmod +x setup.sh

# Run setup
./setup.sh

3. 设置环境变量

# Windows:
set FUJITSU_API_BASE_URL=https://apigateway.research.global.fujitsu.com/sdtp
set FUJITSU_API_KEY=your_api_key_here

# Unix/MacOS:
export FUJITSU_API_BASE_URL=https://apigateway.research.global.fujitsu.com/sdtp
export FUJITSU_API_KEY=your_api_key_here

或者，您也可以创建一个包含以下设置的 .env 文件：

FUJITSU_API_BASE_URL=https://apigateway.research.global.fujitsu.com/sdtp
FUJITSU_API_KEY=your_api_key_here

使用

启动 MCP 服务器

python -m fujitsu_sdt_mcp

服务器通过标准 I/O 与 MCP 客户端通信。

使用交互式客户端

还提供了一个简单的客户端，可以直接与 MCP 服务器交互：

python client.py

启动客户端时，将显示可用资源和工具的列表，您可以从命令行调用它们。

与 Claude Desktop 配合使用

要与兼容 MCP 的 LLM 客户端（如 Claude Desktop）一起使用服务器：

1. 打开 Claude Desktop
2. 转到设置 > 开发者设置 > 编辑配置文件
3. 添加以下设置：

"command": "uvx",
"args": [
    "fujitsu-sdt-mcp"
],
"env": {
    "FUJITSU_API_BASE_URL": "https://apigateway.research.global.fujitsu.com/sdtp",
    "FUJITSU_API_KEY": "your_api_key_here"
}

1. 重启 Claude Desktop

资源和工具

资源

• resource://digital_rehearsal_overview: 数字演练技术概览
• resource://simulation_metrics_explanation: 模拟指标说明
• resource://scenario_examples: 场景示例

工具

• list_simulations: 获取模拟列表
• start_simulation: 开始模拟
• get_simulation_result: 获取模拟结果
• get_metrics: 获取模拟指标
• list_simdata: 获取模拟数据列表
• get_simdata: 获取模拟数据
• analyze_traffic_simulation: 分析交通模拟
• compare_scenarios: 比较场景
• create_natural_language_simulation_config: 从自然语言生成模拟设置

使用示例

获取模拟列表

tool list_simulations

开始模拟

tool start_simulation {"simdataId": "your_simdata_id"}

分析交通模拟

tool analyze_traffic_simulation {"simulationId": "your_simulation_id", "region": "Tokyo", "timeRange": "morning rush hour", "scenario": "traffic optimization"}

从自然语言生成模拟设置

tool create_natural_language_simulation_config {"description": "I want to run a traffic optimization simulation during morning rush hour in Tokyo"}

示例 LLM 交互

User: I want to run a traffic simulation during morning rush hour in Tokyo

Claude: I can help you run a traffic simulation for Tokyo's morning rush hour. Here's how we can set it up.

First, let's generate simulation settings from your natural language description:
[Tool execution: create_natural_language_simulation_config]

Generated settings:
{
  "simulationType": "traffic",
  "parameters": {
    "region": "Tokyo",
    "timeRange": "morning_rush"
  },
  "name": "traffic_20250416_123045"
}

Next, let's check available simulation data:
[Tool execution: list_simdata]

From this data, I can start a simulation using Tokyo's morning traffic data.
I've selected the appropriate simulation data ID and will start the simulation:
[Tool execution: start_simulation]

The simulation has started. The simulation ID is "sim_12345".
It will take some time for the results to be available. Once complete, I'll analyze them.

(After simulation completes)
Let's analyze the simulation results:
[Tool execution: analyze_traffic_simulation]

Analysis results:
- CO2 emissions: 1,250kg
- Average travel time: 42 minutes
- Total traffic volume: 15,700 vehicles

From these results, I can see that the Shibuya-Shinjuku route experiences particularly severe congestion.
Here are some potential improvements:
1. Optimize traffic signal control
2. Implement one-way traffic on certain roads during specific times
3. Increase public transportation frequency

Would you like to see a more detailed analysis?

贡献

请通过 GitHub Issues 报告错误或提出功能请求。欢迎提交拉取请求。

许可证

本项目在 MIT 许可证下发布。详情见 LICENSE 文件。

致谢

• 富士通公司 - 社会数字孪生技术的开发
• Model Context Protocol (MCP) - 实现与 LLM 的无缝集成