MCP Ortools

🚀 MCP-ORTools 模型上下文協議服務器實現

MCP-ORTools 藉助 Google OR-Tools 實現約束求解，通過標準化約束模型規範與大型語言模型配合，能有效解決各類約束滿足和優化問題。

🚀 快速開始

MCP-ORTools 將 Google 的 OR-Tools 約束編程求解器與大型語言模型相結合，通過 Model Context Protocol 實現，讓 AI 模型可提交併驗證約束模型、設置模型參數、解決約束滿足和優化問題以及獲取和分析解決方案。

✨ 主要特性

• 完全支持 OR-Tools CP-SAT 求解器。
• 基於 JSON 的模型規範。
• 支持整數和布爾變量（域：[最小值, 最大值]）、使用 OR-Tools 方法語法的線性約束、線性優化目標、超時和求解器參數、二進制約束和關係、投資組合選擇問題、揹包問題。
• 約束中支持基本算術（+，-，*）、比較（.le()，.ge()，.eq()，.ne()）、變量的線性組合以及通過約束組合實現二進制邏輯。

📦 安裝指南

安裝包

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

配置 Claude Desktop

創建配置文件位於 %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"]
    }
  }
}

📚 詳細文檔

模型規範

模型以 JSON 格式指定，包含三個主要部分：

• variables：定義變量及其域。
• constraints：使用 OR-Tools 方法列出約束。
• objective：可選的優化目標。

約束語法

約束必須使用 OR-Tools 方法語法：

• .__le__() 表示小於等於（<=）。
• .__ge__() 表示大於等於（>=）。
• .__eq__() 表示等於（==）。
• .__ne__() 表示不等（!=）。

模型上下文協議 (MCP)

定義

模型上下文協議 (MCP) 是一組接口和方法，用於在不同組件之間定義和管理上下文信息。在本項目中，MCP 用於在約束求解器與其他 AI 組件（如語言模型）之間傳遞和同步上下文數據。

主要功能

• 定義上下文：明確界定上下文的結構和內容。
• 接口標準化：提供統一的接口供不同組件使用。
• 數據管理：支持上下文數據的存儲、檢索和更新。
• 版本控制：允許對上下文的不同版本進行管理和跟蹤。

實現細節

在 MCP-ORTools 中，上下文信息主要包含以下內容：

• 變量信息：包括所有問題變量的名稱、類型和域。
• 約束信息：描述所有與問題相關的約束條件。
• 目標函數：定義優化問題的目標表達式。
• 求解狀態：跟蹤當前求解過程的狀態，如是否正在求解、是否有解決方案等。

擴展和定製

MCP 提供高度的可擴展性和定製性，允許用戶根據具體需求添加自定義組件或擴展功能。例如：

• 自定義變量類型：通過繼承 Variable 類並重寫其方法，可以創建新的變量類型。
• 自定義約束類型：類似地，可以通過繼承 Constraint 類來定義新的約束類型。
• 插件支持：MCP 支持插件機制，允許用戶動態加載和使用額外功能。

文檔和資源

• 官方文檔：提供詳細的 API 文檔和使用指南。
• 示例代碼：多個示例展示瞭如何在實際場景中使用 MCP。
• 開發者論壇：用於與開發團隊和其他用戶交流的社區平臺。

💻 使用示例

基礎用法

簡單優化模型

{
    "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
    }
}

揹包問題

示例：選擇價值為 [3,1,2,1] 和重量為 [2,2,1,1] 的物品，總重量限制為 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
    }
}

附加約束示例

{
    "constraints": [
        "p0.__eq__(1)",         // 物品 p0 必須被選中
        "p1.__ne__(p2)",        // 不能同時選中 p1 和 p2
        "(p2 + p3).__ge__(1)"   // 必須選中 p2 或 p3 中的至少一個
    ]
}

MCP 使用示例

from mcp import ModelContext

# 創建上下文實例
context = ModelContext()

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

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

# 設置目標函數
context.set_objective("40 * x + 100 * y", maximize=True)

# 獲取上下文信息
print(context.variables)  # 輸出變量信息
print(context.constraints)  # 輸出約束信息
print(context.objective)  # 輸出目標函數信息

🔧 技術細節

要設置開發環境：

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