symbolica-mcp

一个科学计算模型上下文协议 (MCP) 服务器，允许 AI（例如 Claude）执行符号计算、进行计算、分析数据和生成可视化效果。这对于科学和工程应用尤其有用，包括量子计算，所有这些都在容器化环境中进行。

特性

• 使用 NumPy、SciPy、SymPy、Pandas 运行科学计算操作
• 执行符号数学并求解微分方程
• 支持线性代数运算和矩阵操作
• 量子计算分析
• 使用 Matplotlib 和 Seaborn 创建数据可视化
• 使用 scikit-learn 执行机器学习操作
• 执行张量运算和复杂矩阵计算
• 使用统计工具分析数据集
• 跨平台支持（自动检测 Windows、macOS 和 Linux），尤其适用于使用 Mac M 系列芯片的用户
• 适用于 Intel/AMD (x86_64) 和 ARM 处理器

快速开始

使用 Docker 镜像

# 从 Docker Hub 拉取镜像
docker pull ychen94/computing-mcp:latest

# 运行容器（自动检测主机操作系统）
docker run -i --rm -v /tmp:/app/shared ychen94/computing-mcp:latest

对于 Windows 用户：

docker run -i --rm -v $env:TEMP:/app/shared ychen94/computing-mcp:latest

与 Claude for Desktop 集成

1. 打开 Claude for Desktop
2. 打开 Settings ➝ Developer ➝ Edit Config
3. 添加以下配置：

对于 MacOS/Linux：

{
  "mcpServers": {
    "computing-mcp": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "-v",
        "/tmp:/app/shared",
        "ychen94/computing-mcp:latest"
      ]
    }
  }
}

对于 Windows：

{
  "mcpServers": {
    "computing-mcp": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "-v",
        "%TEMP%:/app/shared",
        "ychen94/computing-mcp:latest"
      ]
    }
  }
}

示例

张量积

你能计算并可视化两个矩阵的张量积吗？请运行：

import numpy as np
import matplotlib.pyplot as plt

# 定义两个矩阵
A = np.array([[1, 2], 
              [3, 4]])
B = np.array([[5, 6],
              [7, 8]])

# 使用 np.kron (Kronecker 积) 计算张量积
tensor_product = np.kron(A, B)

# 显示结果
print("矩阵 A:")
print(A)
print("\n矩阵 B:")
print(B)
print("\n张量积 A ⊗ B:")
print(tensor_product)

# 创建张量积的可视化
plt.figure(figsize=(8, 6))
plt.imshow(tensor_product, cmap='viridis')
plt.colorbar(label='Value')
plt.title('张量积 A ⊗ B 的可视化')

符号数学

你能解这个微分方程吗？请运行：
import sympy as sp
import matplotlib.pyplot as plt
import numpy as np

# 定义符号变量
x = sp.Symbol('x')
y = sp.Function('y')(x)

# 定义微分方程: y''(x) + 2*y'(x) + y(x) = 0
diff_eq = sp.Eq(sp.diff(y, x, 2) + 2*sp.diff(y, x) + y, 0)

# 解方程
solution = sp.dsolve(diff_eq)
print("解:")
print(solution)

# 绘制一个特解 (C1=1, C2=0)
solution_func = solution.rhs.subs({sp.symbols('C1'): 1, sp.symbols('C2'): 0})
print("特解:")
print(solution_func)

# 创建一个可以评估的数值函数
solution_lambda = sp.lambdify(x, solution_func)

# 绘制解
x_vals = np.linspace(0, 5, 100)
y_vals = [float(solution_lambda(x_val)) for x_val in x_vals]

plt.figure(figsize=(10, 6))
plt.plot(x_vals, y_vals)
plt.grid(True)
plt.title("y''(x) + 2*y'(x) + y(x) = 0 的解")
plt.xlabel('x')
plt.ylabel('y(x)')
plt.show()

数据分析

你能对这个数据集进行聚类分析吗？请运行：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# 创建一个示例数据集
np.random.seed(42)
n_samples = 300

# 创建三个簇
cluster1 = np.random.normal(loc=[2, 2], scale=0.5, size=(n_samples//3, 2))
cluster2 = np.random.normal(loc=[7, 7], scale=0.5, size=(n_samples//3, 2))
cluster3 = np.random.normal(loc=[2, 7], scale=0.5, size=(n_samples//3, 2))

# 合并簇
X = np.vstack([cluster1, cluster2, cluster3])

# 创建 DataFrame
df = pd.DataFrame(X, columns=['Feature1', 'Feature2'])
print(df.head())

# 标准化数据
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 应用 KMeans 聚类
kmeans = KMeans(n_clusters=3, random_state=42)
df['Cluster'] = kmeans.fit_predict(X_scaled)

# 绘制簇
plt.figure(figsize=(10, 6))
for cluster_id in range(3):
    cluster_data = df[df['Cluster'] == cluster_id]
    plt.scatter(cluster_data['Feature1'], cluster_data['Feature2'], 
                label=f'Cluster {cluster_id}', alpha=0.7)

# 绘制簇中心
centers = scaler.inverse_transform(kmeans.cluster_centers_)
plt.scatter(centers[:, 0], centers[:, 1], s=200, c='red', marker='X', label='Centers')

plt.title('K-Means 聚类结果')
plt.xlabel('特征 1')
plt.ylabel('特征 2')
plt.legend()
plt.grid(True)

量子计算

示例展示

激光物理:

椭圆积分:

故障排除

常见问题

1. 卷挂载的权限错误

   • 确保挂载目录存在并且具有适当的权限

2. 绘图图片文件未出现

   • 检查主机系统中的路径：macOS/Linux 为 /tmp，Windows 为您的临时文件夹

   • 验证 Docker 是否具有写入挂载位置的权限

   • 检查 mcp 工具的输出内容 然后在终端或图片查看器中打开它。

     ⭐️ ⭐️ 我使用 iterm-mcp-server 或其他终端的 mcp 服务器来打开文件，而不会中断您的工作流程。 ⭐️ ⭐️

支持

如果您遇到问题，请打开一个 GitHub issue，并提供：

1. 错误消息
2. 您的操作系统和 Docker 版本
3. 重现问题的步骤

许可证

本项目根据 MIT 许可证获得许可。 有关更多详细信息，请参阅此项目存储库中的 LICENSE 文件。