MCP Ortools

🚀 MCP-ORTools 模型上下文协议服务器实现

MCP-ORTools 借助 Google OR-Tools 实现约束求解，通过标准化约束模型规范与大型语言模型配合，能有效解决各类约束满足和优化问题。

🚀 快速开始

MCP-ORTools 将 Google 的 OR-Tools 约束编程求解器与大型语言模型相结合，通过 Model Context Protocol 实现，让 AI 模型可提交并验证约束模型、设置模型参数、解决约束满足和优化问题以及获取和分析解决方案。

✨ 主要特性

• 完全支持 OR-Tools CP-SAT 求解器。
• 基于 JSON 的模型规范。
• 支持整数和布尔变量（域：[最小值, 最大值]）、使用 OR-Tools 方法语法的线性约束、线性优化目标、超时和求解器参数、二进制约束和关系、投资组合选择问题、背包问题。
• 约束中支持基本算术（+，-，*）、比较（.le()，.ge()，.eq()，.ne()）、变量的线性组合以及通过约束组合实现二进制逻辑。

📦 安装指南

安装包

pip install git+https://github.com/Jacck/mcp-ortools.git

配置 Claude Desktop

创建配置文件位于 %APPDATA%\Claude\claude_desktop_config.json（Windows）或 ~/Library/Application Support/Claude/claude_desktop_config.json（macOS）：

{
  "mcpServers": {
    "ortools": {
      "command": "python",
      "args": ["-m", "mcp_ortools.server"]
    }
  }
}

📚 详细文档

模型规范

模型以 JSON 格式指定，包含三个主要部分：

• variables：定义变量及其域。
• constraints：使用 OR-Tools 方法列出约束。
• objective：可选的优化目标。

约束语法

约束必须使用 OR-Tools 方法语法：

• .__le__() 表示小于等于（<=）。
• .__ge__() 表示大于等于（>=）。
• .__eq__() 表示等于（==）。
• .__ne__() 表示不等（!=）。

模型上下文协议 (MCP)

定义

模型上下文协议 (MCP) 是一组接口和方法，用于在不同组件之间定义和管理上下文信息。在本项目中，MCP 用于在约束求解器与其他 AI 组件（如语言模型）之间传递和同步上下文数据。

主要功能

• 定义上下文：明确界定上下文的结构和内容。
• 接口标准化：提供统一的接口供不同组件使用。
• 数据管理：支持上下文数据的存储、检索和更新。
• 版本控制：允许对上下文的不同版本进行管理和跟踪。

实现细节

在 MCP-ORTools 中，上下文信息主要包含以下内容：

• 变量信息：包括所有问题变量的名称、类型和域。
• 约束信息：描述所有与问题相关的约束条件。
• 目标函数：定义优化问题的目标表达式。
• 求解状态：跟踪当前求解过程的状态，如是否正在求解、是否有解决方案等。

扩展和定制

MCP 提供高度的可扩展性和定制性，允许用户根据具体需求添加自定义组件或扩展功能。例如：

• 自定义变量类型：通过继承 Variable 类并重写其方法，可以创建新的变量类型。
• 自定义约束类型：类似地，可以通过继承 Constraint 类来定义新的约束类型。
• 插件支持：MCP 支持插件机制，允许用户动态加载和使用额外功能。

文档和资源

• 官方文档：提供详细的 API 文档和使用指南。
• 示例代码：多个示例展示了如何在实际场景中使用 MCP。
• 开发者论坛：用于与开发团队和其他用户交流的社区平台。

💻 使用示例

基础用法

简单优化模型

{
    "variables": [
        {"name": "x", "domain": [0, 10]},
        {"name": "y", "domain": [0, 10]}
    ],
    "constraints": [
        "(x + y).__le__(15)",
        "x.__ge__(2 * y)"
    ],
    "objective": {
        "expression": "40 * x + 100 * y",
        "maximize": true
    }
}

背包问题

示例：选择价值为 [3,1,2,1] 和重量为 [2,2,1,1] 的物品，总重量限制为 2。

{
    "variables": [
        {"name": "p0", "domain": [0, 1]},
        {"name": "p1", "domain": [0, 1]},
        {"name": "p2", "domain": [0, 1]},
        {"name": "p3", "domain": [0, 1]}
    ],
    "constraints": [
        "(2*p0 + 2*p1 + p2 + p3).__le__(2)"
    ],
    "objective": {
        "expression": "3*p0 + p1 + 2*p2 + p3",
        "maximize": true
    }
}

附加约束示例

{
    "constraints": [
        "p0.__eq__(1)",         // 物品 p0 必须被选中
        "p1.__ne__(p2)",        // 不能同时选中 p1 和 p2
        "(p2 + p3).__ge__(1)"   // 必须选中 p2 或 p3 中的至少一个
    ]
}

MCP 使用示例

from mcp import ModelContext

# 创建上下文实例
context = ModelContext()

# 添加变量
context.add_variable("x", domain=[0, 10])
context.add_variable("y", domain=[0, 10])

# 添加约束
context.add_constraint("(x + y).__le__(15)")
context.add_constraint("x.__ge__(2 * y)")

# 设置目标函数
context.set_objective("40 * x + 100 * y", maximize=True)

# 获取上下文信息
print(context.variables)  # 输出变量信息
print(context.constraints)  # 输出约束信息
print(context.objective)  # 输出目标函数信息

🔧 技术细节

要设置开发环境：

git clone https://github.com/Jacck/mcp-ortools.git
cd mcp-ortools