Fortunamcp

🚀 FortunaMCP服務器

FortunaMCP是一款先進的MCP服務器，專注於生成高質量的隨機值。它藉助Fortuna C擴展，該擴展直接由Storm提供支持。Storm是一個強大的、線程安全的C++隨機數生成器（RNG）引擎，針對基於硬件的高速熵進行了優化。FortunaMCP為廣泛的人工智能應用提供可靠的隨機性。

大型語言模型在自然語言處理方面表現出色，但依賴於確定性算法，在需要真正的不可預測性時就顯得不足。相比之下，FortunaMCP能提供真正的隨機性。這種能力使其在需要無偏、不可預測結果的場景中不可或缺，而大型語言模型的近似結果（幻覺）根本無法滿足這些需求。

FortunaMCP非常適合蒙特卡羅模擬、複雜系統建模與分析以及交互式遊戲機制等任務。但它不適用於區塊鏈、安全或加密相關的任務。

🚀 快速開始

FortunaMCP服務器可直接為AI應用提供高質量隨機值。你可以根據不同的使用場景，調用相應的工具來獲取所需的隨機數。

✨ 主要特性

• 高質量隨機值生成：藉助Fortuna C擴展和Storm引擎，提供基於硬件的高速、可靠的隨機值。
• 廣泛的應用場景：適用於蒙特卡羅模擬、複雜系統建模、交互式遊戲機制等多種AI應用。
• 多種隨機數生成工具：提供如骰子模擬、隨機整數、隨機浮點數等多種隨機數生成工具。

📚 詳細文檔

鳴謝

• 開發者：Robert Sharp – Fortuna、Storm和FortunaMCP服務器的創建者和維護者。
• 託管方：Silicon Society – 自豪地託管FortunaMCP服務器，並支持其為AI智能體提供世界級隨機值生成的使命。Silicon Society正在大規模構建學習的未來。通過人工智能驅動的工作影子學習，將學習融入工作場景。跟隨專業人士的實際操作，獲得適應你目標的個性化指導。點擊等待列表進行註冊。

參考部署

• FortunaMCP https://fortuna-mcp.siliconsociety.org/sse

💻 使用示例

工具概述

骰子模擬

• 描述：模擬擲指定數量的骰子，並返回它們的總和。支持標準角色扮演遊戲風格的骰子，面數為{2, 4, 6, 8, 10, 12, 20, 30, 100}。
• 用例：非常適合角色扮演遊戲、棋盤遊戲或需要骰子機制的模擬場景。
• 示例：
  • 觸發條件：“擲三個六面骰子” 或 “Roll 3d6”
  • 調用：Fortuna.dice(rolls=3, sides=6)

隨機範圍

• 描述：從自定義範圍定義的序列中選擇一個隨機整數。參數受整數限制（-9223372036854775807 到 9223372036854775807），步長必須非零。
• 用例：適用於需要非標準步長或區間的模擬和採樣場景。
• 示例：
  • 觸發條件：“從10到100以5為步長選擇一個數字”
  • 調用：Fortuna.random_range(start=10, stop=100, step=5)

伯努利變量

• 描述：執行一次伯努利試驗，根據提供的成功概率返回一個布爾結果。
• 用例：適用於二元決策場景，如模擬拋硬幣、開關事件或成功/失敗結果。
• 示例：
  • 觸發條件：“模擬一次正面概率為70%的拋硬幣試驗”
  • 調用：Fortuna.bernoulli_variate(ratio_of_truth=0.7)

二項變量

• 描述：返回固定次數伯努利試驗中的成功次數，模擬二項分佈。
• 用例：對統計模擬、質量控制過程和需要確定成功率的實驗非常有價值。
• 示例：
  • 觸發條件：“確定20次拋硬幣試驗中正面朝上的次數，每次正面概率為50%”
  • 調用：Fortuna.binomial_variate(number_of_trials=20, probability=0.5)

負二項變量

• 描述：計算在一系列伯努利試驗中達到目標成功次數之前的失敗次數。
• 用例：應用於可靠性工程、風險評估以及需要跟蹤成功前失敗次數的場景。
• 示例：
  • 觸發條件：“計算成功率為40%的試驗中達到5次成功之前的失敗次數”
  • 調用：Fortuna.negative_binomial_variate(number_of_trials=5, probability=0.4)

幾何變量

• 描述：確定首次成功之前的失敗次數，遵循幾何分佈。
• 用例：適用於模擬等待時間和首次發生事件的過程，如客戶獲取或質量測試。
• 示例：
  • 觸發條件：“成功率為25%時，首次成功之前會有多少次失敗？”
  • 調用：Fortuna.geometric_variate(probability=0.25)

泊松變量

• 描述：從泊松分佈中生成一個隨機整數，其特徵由預期發生次數（λ）決定。
• 用例：對於模擬隨時間發生的罕見事件，如系統故障、網絡流量或客戶到達非常重要。
• 示例：
  • 觸發條件：“模擬平均發生4次事件的時間段內的事件數量”
  • 調用：Fortuna.poisson_variate(mean=4.0)

隨機浮點數

• 描述：在半開區間 [lower_limit, upper_bound) 內生成一個均勻分佈的隨機浮點數。兩個邊界都在浮點數限制 -1.7976931348623157e+308 到 1.7976931348623157e+308 範圍內。
• 用例：用於模擬、蒙特卡羅方法或任何需要連續均勻隨機性的場景。
• 示例：
  • 觸發條件：“生成一個介於0.0和1.0之間的隨機浮點數”
  • 調用：Fortuna.random_float(lower_limit=0.0, upper_bound=1.0)

三角變量

• 描述：從由下限、上限和眾數定義的三角分佈中採樣一個隨機浮點數。
• 用例：非常適合項目管理估算、風險分析或結果最可能圍繞中心值的任何場景。
• 示例：
  • 觸發條件：“模擬一個最可能值為50，範圍從10到100的結果”
  • 調用：Fortuna.triangular(lower_limit=10.0, upper_limit=100.0, mode=50.0)

貝塔變量

• 描述：使用兩個正形狀參數從區間 [0, 1] 上的貝塔分佈中抽取一個隨機浮點數。
• 用例：廣泛用於貝葉斯統計、比例建模以及任何需要模擬概率的場景。
• 示例：
  • 觸發條件：“生成形狀參數為2和5的隨機概率”
  • 調用：Fortuna.beta_variate(alpha=2.0, beta=5.0)

帕累託變量

• 描述：從帕累託分佈中返回一個隨機浮點數，非常適合模擬重尾現象。輸出始終大於或等於1。
• 用例：在經濟學、保險和風險管理中觀察到冪律行為的場景中很有用。
• 示例：
  • 觸發條件：“生成形狀參數為1.5的帕累託分佈值”
  • 調用：Fortuna.pareto_variate(alpha=1.5)

馮·米塞斯變量

• 描述：從馮·米塞斯分佈中生成一個隨機角度，適用於圓形或方向數據。
• 用例：常見於氣象學、導航以及任何涉及角度或週期性現象的應用。
• 示例：
  • 觸發條件：“生成均值為0弧度、集中度為1.0的隨機角度”
  • 調用：Fortuna.vonmises_variate(mu=0.0, kappa=1.0)

指數變量

• 描述：從由速率參數定義的指數分佈中生成一個隨機浮點數，模擬獨立事件之間的時間。
• 用例：對於模擬壽命、系統故障和排隊模型中的到達間隔時間至關重要。
• 示例：
  • 觸發條件：“模擬速率為0.5的下一個事件發生的時間”
  • 調用：Fortuna.exponential_variate(lambda_rate=0.5)

伽馬變量

• 描述：從由形狀和尺度參數決定的伽馬分佈中返回一個隨機浮點數。
• 用例：用於模擬等待時間、可靠性分析以及各種連續過程。
• 示例：
  • 觸發條件：“生成形狀為2.0、尺度為3.0的伽馬變量”
  • 調用：Fortuna.gamma_variate(shape=2.0, scale=3.0)

威布爾變量

• 描述：從威布爾分佈中採樣一個隨機浮點數，該分佈模擬故障或事件發生的時間。
• 用例：廣泛用於生存分析、可靠性工程和故障率估計。
• 示例：
  • 觸發條件：“模擬形狀參數為1.5、尺度參數為100.0的故障發生時間”
  • 調用：Fortuna.weibull_variate(shape=1.5, scale=100.0)

正態變量

• 描述：從由均值和標準差定義的正態（高斯）分佈中生成一個隨機浮點數。
• 用例：是統計建模、質量控制和需要鐘形曲線行為的模擬的基礎。
• 示例：
  • 觸發條件：“生成均值為0、標準差為1的正態分佈值”
  • 調用：Fortuna.normal_variate(mean=0.0, std_dev=1.0)

對數正態變量

• 描述：從由基礎正態分佈派生的對數正態分佈中抽取一個隨機浮點數。
• 用例：用於金融建模、股票價格模擬以及結果具有乘法性質的場景。
• 示例：
  • 觸發條件：“生成對數均值為0、對數標準差為1的對數正態變量”
  • 調用：Fortuna.log_normal_variate(log_mean=0.0, log_deviation=1.0)

極值變量

• 描述：從極值（耿貝爾）分佈中採樣一個隨機浮點數，用於模擬最大值或最小值。
• 用例：適用於風險評估、極端天氣預測和工程中的壓力測試。
• 示例：
  • 觸發條件：“模擬位置為0、尺度為1.0的極端事件”
  • 調用：Fortuna.extreme_value_variate(location=0.0, scale=1.0)

卡方變量

• 描述：根據自由度從卡方分佈中生成一個隨機浮點數。
• 用例：對假設檢驗、方差估計和擬合優度檢驗至關重要。
• 示例：
  • 觸發條件：“生成自由度為5的卡方變量”
  • 調用：Fortuna.chi_squared_variate(degrees_of_freedom=5.0)

柯西變量

• 描述：從柯西分佈中返回一個隨機浮點數，其特徵是重尾。
• 用例：在穩健統計分析、信號處理以及預計會有異常值的場景中很有用。
• 示例：
  • 觸發條件：“生成位置為0、尺度為1.0的柯西變量”
  • 調用：Fortuna.cauchy_variate(location=0.0, scale=1.0)

費舍爾F變量

• 描述：從由兩組自由度定義的費舍爾F分佈中抽取一個隨機浮點數。
• 用例：應用於方差分析（ANOVA）測試、方差分析和比較統計模型。
• 示例：
  • 觸發條件：“生成自由度為5和10的F變量”
  • 調用：Fortuna.fisher_f_variate(degrees_of_freedom_1=5.0, degrees_of_freedom_2=10.0)

學生t變量

• 描述：根據指定的自由度從學生t分佈中生成一個隨機浮點數。
• 用例：在小樣本統計分析、置信區間估計和假設檢驗中不可或缺。
• 示例：
  • 觸發條件：“生成自由度為10的學生t變量”
  • 調用：Fortuna.student_t_variate(degrees_of_freedom=10.0)