贝叶斯 MCP

一种用于贝叶斯推理、推断和信念更新的模型调用协议（MCP）服务器。该工具使大型语言模型（LLMs）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 采样方法根据新证据更新信念
• 📊 模型比较：使用信息准则比较竞争模型
• 🔮 预测推断：生成带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：与任何支持 MCP 的 LLM 无缝集成

安装

开发安装

克隆仓库并安装依赖项：

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

依赖项

• Python 3.9+
• PyMC 5.0+
• ArviZ
• NumPy
• Matplotlib
• FastAPI
• Uvicorn

快速开始

启动服务器

bash

使用默认设置运行

python bayesian_mcp.py

指定主机和端口

python bayesian_mcp.py --host 0.0.0.0 --port 8080

设置日志级别

python bayesian_mcp.py --log-level debug

服务器将启动并在指定的主机和端口上监听 MCP 请求。

API 使用

贝叶斯 MCP 服务器通过其 API 提供了几个功能：

1. 创建模型

使用指定变量创建一个新的贝叶斯模型。

python

MCP 请求

{
"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

使用新证据更新模型信念。

python

MCP 请求

{
"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. 进行预测

使用后验分布生成预测。

python

MCP 请求

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

4. 比较模型

使用信息准则比较多个模型。

python

MCP 请求

{
"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。

python

MCP 请求

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

示例

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，演示参数估计：

bash
python examples/linear_regression.py

A/B 测试

一个贝叶斯 A/B 测试示例，用于转换率：

bash
python examples/ab_test.py

支持的分布

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：贝塔分布
• gamma：伽玛分布
• exponential：指数分布
• uniform：均匀分布
• bernoulli：伯努利分布
• binomial：二项分布
• poisson：泊松分布
• deterministic：确定性变换

MCP 集成该服务器实现了模型调用协议（Model Calling Protocol），使其与广泛的LLM和框架兼容。要将其与您的LLM一起使用：

python
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

MIT

致谢

基于Wrench AI框架的概念和代码。