使用说明

Gurddy MCP 服务器

一个全面的模型上下文协议（MCP）服务器，用于解决约束满足问题（CSP）、线性规划（LP）、极小化极大化优化问题，以及基于SciPy的高级优化问题。该服务器构建于……（此处根据上下文补充具体内容，如“构建于Python框架之上”或“构建于分布式计算环境中”等） gurddy 这是一个集成了SciPy的优化库，它通过两种MCP传输方式支持解决各种经典问题：stdio（用于集成开发环境）和流式HTTP（用于网页客户端）。

🚀 快速入门（标准控制台）： pip install gurddy_mcp 然后在你的集成开发环境（IDE）中进行配置

🌐 快速启动（HTTP）： docker run -p 8080:8080 gurddy-mcp 或者参阅部署指南

📦 PyPI 包： https://pypi.org/project/gurddy_mcp 翻译为中文是：“https://pypi.org 上的 gurddy_mcp 项目”

主要功能

🎯 解决约束满足问题（CSP）

N皇后问题在一个N×N的棋盘上放置N个皇后，使它们互不攻击
图着色为顶点分配颜色，使得相邻顶点颜色不同
地图着色为地理区域着色，相邻区域颜色不同
数独求解器解决标准的9×9数独谜题
逻辑谜题爱因斯坦的斑马谜题和自定义逻辑问题
调度安排课程安排、会议安排、资源分配
通用约束满足问题（CSP）求解器支持自定义约束满足问题

📊 线性规划/优化问题

线性规划带线性约束的连续变量优化
混合整数规划包含整数和连续变量的优化
生产计划资源受限下的生产优化与敏感性分析
投资组合优化风险约束下的投资配置
交通问题供应链与物流优化

🎮 极小化极大算法/博弈论

零和博弈解决两人博弈（石头剪刀布、匹配硬币、性别之战）
混合策略纳什均衡寻找最优的概率策略
鲁棒优化在不确定性下最小化最坏情况损失
最大化最小化决策最大化最坏情况收益（保守策略）
安全游戏防御者-攻击者资源分配
稳健的投资组合在各种市场情境下最小化最大损失
生产计划保守的生产决策（最大化最低利润）
广告竞争市场份额博弈与竞争策略

🔬 SciPy 集成

非线性投资组合优化使用SciPy优化的二次风险模型
统计参数估计带约束条件的分布拟合（最大似然估计，分位数匹配）
信号处理优化具有频率响应优化的FIR滤波器设计
混合CSP-SciPy离散设施选址 + 连续产能优化
数值积分涉及积分和复函数的优化问题

🧮 经典数学问题

24点游戏用四个数字找到算术表达式以达到24
鸡兔同笼问题经典的头和腿数量限制问题
迷你数独使用CSP技术的4×4数独求解器
四皇后问题简化版N皇后问题（用于教育目的）
0-1背包问题带有重量和价值约束的经典优化问题

🔌 MCP协议支持

**Stdio 传输（或：标准I/O传输）**本地IDE集成（Kiro、Claude Desktop、Cline等）
可流式传输的HTTP传输网页客户端和远程访问，支持可选流媒体功能
统一界面两种传输方式使用相同的工具
JSON-RPC 2.0完全遵守协议规范
自动审批配置受信任工具以实现无缝执行

安装

从 PyPI 安装（推荐）

# Install the latest stable version
pip install gurddy_mcp

# Or install with development dependencies
pip install gurddy_mcp[dev]

来自来源

# Clone the repository
git clone https://github.com/novvoo/gurddy-mcp.git
cd gurddy-mcp

# Install in development mode
pip install -e .

验证安装

# Test MCP stdio server
echo '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}' | gurddy-mcp

使用方法

1. MCP Studio 服务器（主要接口）

主要的 gurddy-mcp `command` 是一个 MCP 标准输入输出服务器，可以与 Kiro 等工具集成。

选项A：使用uvx（推荐 - 始终使用最新版本）

使用 uvx 确保您无需手动安装，即可始终运行最新发布的版本。

在（某处）进行配置 ~/.kiro/settings/mcp.json 或者 .kiro/settings/mcp.json:

建议：明确指定最新版本

{
  "mcpServers": {
    "gurddy": {
      "command": "uvx",
      "args": ["gurddy-mcp@latest"],
      "env": {},
      "disabled": false,
      "autoApprove": [
        "run_example",
        "info",
        "install",
        "solve_n_queens",
        "solve_sudoku",
        "solve_graph_coloring",
        "solve_map_coloring",
        "solve_lp",
        "solve_production_planning",
        "solve_minimax_game",
        "solve_minimax_decision",
        "solve_24_point_game",
        "solve_chicken_rabbit_problem",
        "solve_scipy_portfolio_optimization",
        "solve_scipy_statistical_fitting",
        "solve_scipy_facility_location"
      ]
    }
  }
}

备选方案：不使用版本指定符（同样使用最新版本）

{
  "mcpServers": {
    "gurddy": {
      "command": "uvx",
      "args": ["gurddy-mcp"],
      "env": {},
      "disabled": false,
      "autoApprove": [
        "run_example", "info", "install", "solve_n_queens", "solve_sudoku", 
        "solve_graph_coloring", "solve_map_coloring", "solve_lp", 
        "solve_production_planning", "solve_minimax_game", "solve_minimax_decision",
        "solve_24_point_game", "solve_chicken_rabbit_problem", 
        "solve_scipy_portfolio_optimization", "solve_scipy_statistical_fitting", 
        "solve_scipy_facility_location"
      ]
    }
  }
}

（如需）固定到特定版本

{
  "mcpServers": {
    "gurddy": {
      "command": "uvx",
      "args": ["gurddy-mcp==<VERSION>"],
      "env": {},
      "disabled": false,
      "autoApprove": [
        "run_example", "info", "install", "solve_n_queens", "solve_sudoku", 
        "solve_graph_coloring", "solve_map_coloring", "solve_lp", 
        "solve_production_planning", "solve_minimax_game", "solve_minimax_decision",
        "solve_24_point_game", "solve_chicken_rabbit_problem", 
        "solve_scipy_portfolio_optimization", "solve_scipy_statistical_fitting", 
        "solve_scipy_facility_location"
      ]
    }
  }
}

为什么要使用uvx？

✅ 自动运行最新发布的版本
✅ 无需手动安装或升级
✅ 每次执行都在独立环境中进行
✅ 与系统自带的Python无依赖冲突

先决条件： 安装 uv 首先：

# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Or using pip
pip install uv

# Or using Homebrew (macOS)
brew install uv

选项B：使用直接命令（安装后）

如果你已经安装了 gurddy-mcp 通过 pip：

{
  "mcpServers": {
    "gurddy": {
      "command": "gurddy-mcp",
      "args": [],
      "env": {},
      "disabled": false,
      "autoApprove": [
        "run_example", "info", "install", "solve_n_queens", "solve_sudoku", 
        "solve_graph_coloring", "solve_map_coloring", "solve_lp", 
        "solve_production_planning", "solve_minimax_game", "solve_minimax_decision",
        "solve_24_point_game", "solve_chicken_rabbit_problem", 
        "solve_scipy_portfolio_optimization", "solve_scipy_statistical_fitting", 
        "solve_scipy_facility_location"
      ]
    }
  }
}

可用的MCP工具（共16个）：

info - 获取守护MCP服务器的信息和功能
install - 安装或升级 gurddy 包
run_example - 运行示例程序（n皇后问题、图着色、极小化极大算法、scipy优化、经典问题等）
solve_n_queens - 解决任意棋盘大小的N皇后问题
solve_sudoku - 使用约束满足问题（CSP）解决9×9数独谜题
solve_graph_coloring - 使用可配置颜色解决图着色问题
solve_map_coloring - 解决地图着色问题（例如，澳大利亚、美国）
solve_lp - 解决线性规划（LP）或混合整数规划（MIP）问题
solve_production_planning - 生产优化，可选灵敏度分析
solve_minimax_game - 双人零和博弈（寻找纳什均衡）
solve_minimax_decision - 鲁棒优化（最小化最大损失或最大化最小收益）
solve_24_point_game - 使用算术运算解决24点游戏，给定四个数字
solve_chicken_rabbit_problem - 解决经典的鸡兔同笼问题，考虑头和腿的数量限制
solve_scipy_portfolio_optimization - 使用SciPy解决非线性投资组合优化问题
solve_scipy_statistical_fitting - 使用SciPy解决统计参数估计问题
solve_scipy_facility_location - 使用混合CSP-SciPy方法解决设施选址问题

测试MCP服务器：

# Test initialization
echo '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"test","version":"1.0"}}}' | gurddy-mcp

# Test listing tools
echo '{"jsonrpc":"2.0","id":2,"method":"tools/list","params":{}}' | gurddy-mcp

# Test info tools
echo '{"jsonrpc":"2.0","id":10,"method":"tools/call","params":{"name":"info","arguments":{"":""}}}' | gurddy-mcp |jq 

# Test run example tools
echo '{"jsonrpc":"2.0","id":10,"method":"tools/call","params":{"name":"run_example","arguments":{"example":"n_queens"}}}' | gurddy-mcp |jq

# Test sudoku tools
cat <<EOF | tr -d '\n'|gurddy-mcp|jq
{"jsonrpc":"2.0","id":123,"method":"tools/call","params":{
  "name":"solve_sudoku",
  "arguments":{
    "puzzle":[
      [5,3,0,0,7,0,0,0,0],
      [6,0,0,1,9,5,0,0,0],
      [0,9,8,0,0,0,0,6,0],
      [8,0,0,0,6,0,0,0,3],
      [4,0,0,8,0,3,0,0,1],
      [7,0,0,0,2,0,0,0,6],
      [0,6,0,0,0,0,2,8,0],
      [0,0,0,4,1,9,0,0,5],
      [0,0,0,0,8,0,0,7,9]
    ]
  }
}}
EOF

2. MCP HTTP服务器

启动HTTP MCP服务器（基于可流式HTTP的MCP协议）：

本地开发：

uvicorn mcp_server.mcp_http_server:app --host 127.0.0.1 --port 8080

Docker：

# Build the image
docker build -t gurddy-mcp .

# Run the container
docker run -p 8080:8080 gurddy-mcp

访问服务器：

根路径：http://127.0.0.1:8080/
健康检查：http://127.0.0.1:8080/health
HTTP 传输：http://127.0.0.1:8080/mcp/http（POST 方法 - 支持常规传输和流式传输）

测试HTTP MCP服务器：

HTTP传输（非流式）：

# List available tools
curl -X POST http://127.0.0.1:8080/mcp/http \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}'

# Call a tool
curl -X POST http://127.0.0.1:8080/mcp/http \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"info","arguments":{}}}'

HTTP传输（使用Accept头的流媒体）：

# List tools with streaming response
curl -X POST http://127.0.0.1:8080/mcp/http \
  -H "Content-Type: application/json" \
  -H "Accept: text/event-stream" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}'

# Call a tool with streaming response
curl -X POST http://127.0.0.1:8080/mcp/http \
  -H "Content-Type: application/json" \
  -H "Accept: text/event-stream" \
  -d '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"solve_n_queens","arguments":{"n":4}}}'

HTTP传输（使用X-Stream头进行流式传输）：

# Alternative way to enable streaming
curl -X POST http://127.0.0.1:8080/mcp/http \
  -H "Content-Type: application/json" \
  -H "X-Stream: true" \
  -d '{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"info","arguments":{}}}'

Python 客户端示例：

examples/streamable_http_client.py - 带有流式处理示例的HTTP传输客户端

MCP 工具

服务器提供以下MCP工具：

信息

获取关于gurddy包的信息。

{
  "name": "info",
  "arguments": {}
}

安装

安装或升级gurddy包。

{
  "name": "install",
  "arguments": {
    "package": "gurddy",
    "upgrade": false
  }
}

运行示例

运行一个守护进程示例。

{
  "name": "run_example",
  "arguments": {
    "example": "n_queens"
  }
}

可用示例： lp， csp， n_queens， graph_coloring， map_coloring， scheduling， logic_puzzles， optimized_csp， optimized_lp， minimax， scipy_optimization， classic_problems

解决N皇后问题

解决N皇后问题。

{
  "name": "solve_n_queens",
  "arguments": {
    "n": 8
  }
}

解决数独

解决一个9x9的数独谜题。

{
  "name": "solve_sudoku",
  "arguments": {
    "puzzle": [[5,3,0,...], [6,0,0,...], ...]
  }
}

解决图着色问题

解决图着色问题。

{
  "name": "solve_graph_coloring",
  "arguments": {
    "edges": [[0,1], [1,2], [2,0]],
    "num_vertices": 3,
    "max_colors": 3
  }
}

解决地图着色问题

解决地图着色问题。

{
  "name": "solve_map_coloring",
  "arguments": {
    "regions": ["A", "B", "C"],
    "adjacencies": [["A", "B"], ["B", "C"]],
    "max_colors": 2
  }
}

求解线性规划问题（solve_lp）

使用PuLP解决线性规划（LP）或混合整数规划（MIP）问题。

{
  "name": "solve_lp",
  "arguments": {
    "profits": {
      "ProductA": 30,
      "ProductB": 40
    },
    "consumption": {
      "ProductA": {"Labor": 2, "Material": 3},
      "ProductB": {"Labor": 3, "Material": 2}
    },
    "capacities": {
      "Labor": 100,
      "Material": 120
    },
    "integer": true
  }
}

解决生产计划问题

解决一个生产计划优化问题，并可选择进行敏感性分析。

{
  "name": "solve_production_planning",
  "arguments": {
    "profits": {
      "ProductA": 30,
      "ProductB": 40
    },
    "consumption": {
      "ProductA": {"Labor": 2, "Material": 3},
      "ProductB": {"Labor": 3, "Material": 2}
    },
    "capacities": {
      "Labor": 100,
      "Material": 120
    },
    "integer": true,
    "sensitivity_analysis": false
  }
}

解决极小化极大博弈问题

使用极小化极大算法（博弈论）解决一个两人零和博弈问题。

{
  "name": "solve_minimax_game",
  "arguments": {
    "payoff_matrix": [
      [0, -1, 1],
      [1, 0, -1],
      [-1, 1, 0]
    ],
    "player": "row"
  }
}

返回指定玩家的最优混合策略和游戏价值。

求解最小最大决策

在不确定性条件下解决一个最小化最大损失决策问题（鲁棒优化）。

{
  "name": "solve_minimax_decision",
  "arguments": {
    "scenarios": [
      {"A": -0.2, "B": -0.1, "C": 0.05},
      {"A": 0.3, "B": 0.2, "C": -0.02},
      {"A": 0.05, "B": 0.03, "C": -0.01}
    ],
    "decision_vars": ["A", "B", "C"],
    "budget": 100.0,
    "objective": "minimize_max_loss"
  }
}

目标： minimize_max_loss （稳健的投资组合）或 maximize_min_gain （保守生产）

解决24点游戏

用四个数字通过算术运算解决24点游戏。

{
  "name": "solve_24_point_game",
  "arguments": {
    "numbers": [1, 2, 3, 4]
  }
}

寻找使用加号、减号、乘号、除号以及括号组成的算术表达式，使其结果恰好为24。

解决鸡兔同笼问题

解决经典的鸡兔同笼问题，考虑头和腿的限制条件。

{
  "name": "solve_chicken_rabbit_problem",
  "arguments": {
    "total_heads": 35,
    "total_legs": 94
  }
}

根据总头数和总腿数，确定鸡（2条腿）和兔子（4条腿）的数量。

使用SciPy进行投资组合优化求解

使用SciPy结合二次风险模型解决非线性投资组合优化问题。

{
  "name": "solve_scipy_portfolio_optimization",
  "arguments": {
    "expected_returns": [0.12, 0.18, 0.15],
    "covariance_matrix": [
      [0.04, 0.01, 0.02],
      [0.01, 0.09, 0.03],
      [0.02, 0.03, 0.06]
    ],
    "risk_tolerance": 1.0
  }
}

利用均值-方差优化方法，调整投资组合权重以最大化收益减去风险惩罚。

使用SciPy进行统计拟合

使用SciPy进行分布拟合以解决统计参数估计问题。

{
  "name": "solve_scipy_statistical_fitting",
  "arguments": {
    "data": [1.2, 2.3, 1.8, 2.1, 1.9, 2.4, 1.7, 2.0],
    "distribution": "normal"
  }
}

对数据拟合统计分布（“正态”、“指数”、“均匀”）并提供拟合优度检验。

使用Scipy解决设施选址问题

使用混合CSP-SciPy方法解决设施选址问题。

{
  "name": "solve_scipy_facility_location",
  "arguments": {
    "customer_locations": [[0, 0], [10, 10], [5, 15]],
    "customer_demands": [100, 150, 80],
    "facility_locations": [[2, 3], [8, 12], [6, 8]],
    "max_facilities": 2,
    "fixed_cost": 100.0
  }
}

将离散设施选址（CSP）与连续容量优化（SciPy）相结合，以最小化总成本。

Docker 部署

构建并运行

# Build the image
docker build -t gurddy-mcp .

# Run the container
docker run -p 8080:8080 gurddy-mcp

# Or with environment variables
docker run -p 8080:8080 -e PORT=8080 gurddy-mcp

Docker Compose

version: '3.8'
services:
  gurddy-mcp:
    build: .
    ports:
      - "8080:8080"
    environment:
      - PYTHONUNBUFFERED=1
    restart: unless-stopped

示例输出

N皇后问题

POST /solve-n-queens
{
"n": 8
}

项目结构

mcp_server/
├── handlers/
│   └── gurddy.py           # Core solver implementation (16 MCP tools)
│                          # - solve_24_point_game, solve_chicken_rabbit_problem
│                          # - solve_scipy_portfolio_optimization, solve_scipy_statistical_fitting
│                          # - solve_scipy_facility_location, and 11 other solvers
├── tools/                  # MCP tool wrappers
├── examples/               # Rich Problem Examples
│   ├── n_queens.py         # N-Queens Problem
│   ├── graph_coloring.py   # Graph Coloring Problem
│   ├── map_coloring.py     # Map Coloring Problem
│   ├── logic_puzzles.py    # Logic Puzzles
│   ├── scheduling.py       # Scheduling Problem
│   ├── scipy_optimization.py # SciPy Integration Examples
│   │                      # - Portfolio optimization, statistical fitting, facility location
│   ├── classic_problems.py # Classic Math Problems
│   │                      # - 24-point game, chicken-rabbit problem, mini sudoku
│   ├── optimized_csp.py    # Advanced CSP techniques
│   ├── optimized_lp.py     # Linear programming examples
│   └── minimax.py          # Game theory and robust optimization
├── mcp_stdio_server.py     # MCP Stdio Server (for IDE integration)
└── mcp_http_server.py      # MCP HTTP Server (for web clients)

examples/
└── http_mcp_client.py      # Example HTTP MCP client

Dockerfile                  # Docker configuration for HTTP server

MCP运输公司

传输	命令	协议	使用场景
Stdio（通常指标准输入输出库，如C语言中的stdio.h）	`gurddy-mcp`	通过标准输入/输出（stdin/stdout）的MCP	集成开发环境（IDE）支持（Kiro、Claude Desktop等）
可流式传输的HTTP	`uvicorn mcp_server.mcp_http_server:app`	通过HTTP提供MCP（可选流媒体支持）	Web客户端、远程访问、Docker部署

所有传输方式都采用相同的MCP协议，并提供相同的工具。

HTTP传输特性

HTTP传输 (/mcp/http （端点）：

单一请求-响应模式
可选流：添加 Accept: text/event-stream 或者 X-Stream: true 头球
对于一次性请求来说更简单
与标准HTTP客户端兼容
没有需要管理的连接状态
支持常规JSON响应和SSE格式的流式响应

示例输出

N皇后问题

$ gurddy-mcp-cli run-example n_queens

Solving 8-Queens problem...

8-Queens Solution:
+---+---+---+---+---+---+---+---+
| Q |   |   |   |   |   |   |   |
+---+---+---+---+---+---+---+---+
|   |   |   |   | Q |   |   |   |
+---+---+---+---+---+---+---+---+
|   |   |   |   |   |   |   | Q |
+---+---+---+---+---+---+---+---+
|   |   |   |   |   | Q |   |   |
+---+---+---+---+---+---+---+---+
|   |   | Q |   |   |   |   |   |
+---+---+---+---+---+---+---+---+
|   |   |   |   |   |   | Q |   |
+---+---+---+---+---+---+---+---+
|   | Q |   |   |   |   |   |   |
+---+---+---+---+---+---+---+---+
|   |   |   | Q |   |   |   |   |
+---+---+---+---+---+---+---+---+
Queen positions: (0,0), (1,4), (2,7), (3,5), (4,2), (5,6), (6,1), (7,3)

逻辑谜题

$ python -m mcp_server.server run-example logic_puzzles

Solving Simple Logic Puzzle:
Solution:
Position 1: Alice has Cat in Green house
Position 2: Bob has Dog in Red house  
Position 3: Carol has Fish in Blue house

Solving the Famous Zebra Puzzle (Einstein's Riddle)...
ANSWERS:
Who owns the zebra? Ukrainian (House 5)
Who drinks water? Japanese (House 2)

HTTP API 示例

经典问题解决

澳大利亚地图着色

import requests

response = requests.post("http://127.0.0.1:8080/solve-map-coloring", json={ 
"regions": ['WA', 'NT', 'SA', 'QLD', 'NSW', 'VIC', 'TAS'], 
"adjacencies": [ 
['WA', 'NT'], ['WA', 'SA'], ['NT', 'SA'], ['NT', 'QLD'], 
['SA', 'QLD'], ['SA', 'NSW'], ['SA', 'VIC'], 
['QLD', 'NSW'], ['NSW', 'VIC'] 
], 
"max_colors": 4
})

八皇后问题

response = requests.post("http://127.0.0.1:8080/solve-n-queens",
json={"n": 8})

可用示例

所有示例都可以使用以下方式运行 gurddy-mcp run-example <name> 或者 python -m mcp_server.server run-example <name>:

CSP 示例 ✅

n皇后问题 - N皇后问题（4皇后、6皇后、8皇后问题，带可视化棋盘显示）
图着色 - 图着色（三角形图、四边形图、彼得森图、轮图）
地图着色 - 地图着色（澳大利亚、美国西部州、欧洲）
调度安排 - 调度问题（课程调度、会议调度、资源分配）
逻辑谜题 - 逻辑谜题（简单逻辑谜题，爱因斯坦的斑马谜题）
优化后的CSP（约束满足问题） - 高级约束满足问题（CSP）技术（数独求解器）

LP 示例 ✅

lp / 优化后的线性规划（或：经过优化的线性规划模型） - 线性规划示例：
- 带风险约束的投资组合优化
- 运输问题（供应链优化）
- 约束松弛分析
- 不同问题规模下的性能对比

最小最大值示例 ✅

“minimax”翻译成中文是“最小最大”（算法或策略）。这个术语通常用于博弈论、决策理论或优化问题中，表示在最坏的情况下寻求最优解的策略或方法 - 最小化最大损失优化与博弈论：
- 石头剪刀布（零和游戏）
- “Matching Pennies”（协调博弈）
- 性别之战（混合策略均衡）
- 稳健的投资组合优化（最小化最大损失）
- 生产计划（最大化最小利润）
- 安全资源分配（防御者-攻击者博弈）
- 广告竞争（市场份额游戏）

SciPy 积分示例 ✅

scipy优化（或：使用scipy进行优化） - 使用SciPy进行高级优化：
- 基于二次风险模型的非线性投资组合优化
- 统计参数估计（带约束的分布拟合）
- 信号处理优化（FIR滤波器设计）
- 混合CSP-SciPy设施选址（离散+连续优化）
- 优化目标中的数值积分

经典数学问题 ✅

经典问题 - 教育类数学问题解决：
- 24点游戏（通过算术表达式得出24）
- 鸡兔同笼问题（经典的约束满足问题）
- 4×4迷你数独（简化版CSP演示）
- 四皇后问题（教育版N皇后问题变体）
- 0-1背包问题（经典优化问题）

支持的问题类型

🧩 CSP（约束满足问题）问题

**N后问题（或N皇后问题）**适用于任意棋盘大小（N=4至N=100+）的经典N皇后问题
图着色任意图（三角形图、彼得森图、轮图等）的顶点着色
地图着色地理区域着色（澳大利亚、美国、欧洲地图）
数独标准9×9数独谜题，采用约束传播法
逻辑谜题爱因斯坦的斑马谜题及自定义逻辑推理问题
调度安排课程安排、会议室分配、带时间约束的资源分配

📈 优化问题

线性规划具有线性约束的连续变量优化
整数规划离散变量优化（生产数量、分配任务）
混合整数规划连续变量与离散变量的结合
生产计划多产品资源受限优化
投资组合优化在风险和回报约束下的投资分配
交通供应链优化（从仓库到客户）

🎲 博弈论与鲁棒优化

零和博弈石头剪刀布，猜硬币游戏，性别之战（或译为“协调博弈”）
混合策略纳什均衡双方玩家的最优概率策略
最小最大决策在不确定性情景下最小化最坏情况损失
**最大化最小化决策（或译为：最坏情况下的最优决策）**最大化最坏情况下的收益（保守策略）
稳健的投资组合在各种市场情境下最小化最大损失
安全游戏防御者-攻击者资源分配问题

🔬 基于SciPy的强大优化功能

非线性投资组合优化以最大化夏普比率为目标的二次风险模型
统计参数估计基于最大似然估计（MLE）和分位数的带约束分布拟合
信号处理具有频率响应优化的FIR滤波器设计
混合优化将Gurddy CSP与SciPy连续优化相结合
数值积分涉及复杂数学函数的优化问题

🧮 经典教育问题

24点游戏用四个数字找到算术表达式，使其结果为24
鸡兔同笼问题经典的头和腿数量约束满足问题
迷你数独使用约束满足问题（CSP）技术解决4×4数独
N皇后问题变体经典问题的教育版
背包问题带重量和价值约束的0-1背包优化问题

性能特性

快速解决方案中小规模问题（N皇后问题N≤12，图中顶点数<50）的毫秒级响应
可扩展的处理大型问题（如N皇后问题N=100+，以及具有1000+变量的线性规划问题）
内存高效回溯搜索和约束传播最小化内存使用
可扩展的自定义约束、目标函数和问题类型
并发安全HTTP API支持并发请求处理
已准备好投入生产Docker 部署、健康检查、错误处理

性能基准

在标准硬件上的典型执行时间：

CSP 示例0.4-0.5秒（N皇后问题，图着色问题，逻辑谜题）
LP 示例0.8-0.9秒（投资组合、运输、生产计划）
最小最大值示例0.3-0.5秒（游戏求解，鲁棒优化）
SciPy 示例0.5-1.2秒（非线性优化，统计拟合）
经典问题0.1-0.3秒（24格，鸡兔同笼，迷你数独）
数独标准9×9数独的解题时间小于0.1秒
大N皇后问题对于N=100，大约需要2-3秒

故障排除

常见错误

"gurddy package not available"与以下一起安装 python -m mcp_server.server install
"No solution found"在给定的约束条件下，不存在解决方案；请尝试放宽约束条件
"Invalid input types"检查输入参数的数据类型
"Unknown example"使用 python -m mcp_server.server run-example --help 查看可用示例

安装问题

# install individually
pip install gurddy pulp>=2.6.0 scipy>=1.9.0 numpy>=1.21.0

# Check installation
python -c "import gurddy, pulp, scipy, numpy; print('All dependencies installed')"

示例调试

直接运行示例进行调试：

# After installing gurddy_mcp
python -c "from mcp_server.examples import n_queens; n_queens.main()"

# Or from source - CSP examples
python mcp_server/examples/n_queens.py
python mcp_server/examples/graph_coloring.py
python mcp_server/examples/logic_puzzles.py
python mcp_server/examples/optimized_csp.py

# LP and optimization examples
python mcp_server/examples/optimized_lp.py

# Game theory and minimax examples
python mcp_server/examples/minimax.py

# SciPy integration examples (includes portfolio, statistical fitting, facility location)
python mcp_server/examples/scipy_optimization.py

# Classic math problems (includes 24-point game, chicken-rabbit problem)
python mcp_server/examples/classic_problems.py

# Test individual MCP tools directly
python -c "from mcp_server.handlers.gurddy import solve_24_point_game; print(solve_24_point_game([1,2,3,4]))"
python -c "from mcp_server.handlers.gurddy import solve_chicken_rabbit_problem; print(solve_chicken_rabbit_problem(35, 94))"
python -c "from mcp_server.handlers.gurddy import solve_scipy_portfolio_optimization; print(solve_scipy_portfolio_optimization([0.12, 0.18], [[0.04, 0.01], [0.01, 0.09]]))"

SciPy 集成需求

SciPy 的积分示例需要额外的依赖项：

# Install SciPy and NumPy 
pip install scipy>=1.9.0 numpy>=1.21.0

# Verify SciPy integration
python -c "import scipy.optimize, numpy; print('SciPy integration ready')"

SciPy 示例包括：

非线性投资组合优化具有最大化夏普比率的二次风险模型
统计参数估计使用最大似然估计（MLE）和分位数方法进行分布拟合
信号处理具有频率响应优化的FIR滤波器设计
混合CSP-SciPy结合离散和连续优化的设施选址
数值积分涉及积分的复杂优化问题

发展

建筑学

该项目采用了一种 集中式工具注册表 和；带有；用 自动生成的模式（或架构） 确保stdio和HTTP服务器之间的一致性：

工具定义： mcp_server/tool_definitions.py （仅基本元数据）
自动生成的注册表： mcp_server/tool_registry.py （根据函数签名生成的模式）
Stdio 服务器: mcp_server/mcp_stdio_server.py （用于IDE集成）
HTTP服务器： mcp_server/mcp_http_server.py （适用于网页客户端）
处理程序： mcp_server/handlers/gurddy.py （工具实现）
模式生成器： scripts/generate_registry.py （根据函数签名自动生成模式）

添加新工具

实现处理程序 在 mcp_server/handlers/gurddy.py:

def my_new_tool(param1: str, param2: int = 10) -> Dict[str, Any]:
    """Tool implementation with proper type hints."""
    return {"result": "success"}

添加基本元数据 在 mcp_server/tool_definitions.py：

{
    "name": "my_new_tool",
    "function": "my_new_tool",
    "description": "Description of what the tool does",
    "category": "optimization",
    "module": "handlers.gurddy"
}

生成模式并进行验证:

# Auto-generate schemas from function signatures
python scripts/generate_registry.py

# Verify consistency
python scripts/verify_consistency.py
pytest tests/test_consistency.py -v

就是这么简单！模式会根据您函数的类型提示自动生成，而且标准输入输出服务器和HTTP服务器都会支持这个新工具。

自定义约束

# Define a custom constraint in gurddy
def custom_constraint(var1, var2):
    return var1 + var2 <= 10

model.addConstraint(gurddy.FunctionConstraint(custom_constraint, (var1, var2)))

测试

# Run all tests
pytest

# Run specific test suites
pytest tests/test_consistency.py -v
pytest tests/test_tool_registry.py -v

# Verify tool registry consistency
python scripts/verify_consistency.py

许可证

此项目采用开源许可证授权。详情请参阅LICENSE文件。

使用说明

Gurddy MCP 服务器

主要功能

🎯 解决约束满足问题（CSP）

📊 线性规划/优化问题

🎮 极小化极大算法/博弈论

🔬 SciPy 集成

🧮 经典数学问题

🔌 MCP协议支持

安装

从 PyPI 安装（推荐）

来自来源

验证安装

使用方法

1. MCP Studio 服务器（主要接口）

选项A：使用uvx（推荐 - 始终使用最新版本）

选项B：使用直接命令（安装后）

2. MCP HTTP服务器

MCP 工具

信息

安装

运行示例

解决N皇后问题

解决数独

解决图着色问题

解决地图着色问题

求解线性规划问题（solve_lp）

解决生产计划问题

解决极小化极大博弈问题

求解最小最大决策

解决24点游戏

解决鸡兔同笼问题

使用SciPy进行投资组合优化求解

使用SciPy进行统计拟合

使用Scipy解决设施选址问题

Docker 部署

构建并运行

Docker Compose

示例输出

N皇后问题

项目结构

MCP运输公司

HTTP传输特性

示例输出

N皇后问题

逻辑谜题

HTTP API 示例

经典问题解决

澳大利亚地图着色

八皇后问题

可用示例

CSP 示例 ✅

LP 示例 ✅

最小最大值示例 ✅

SciPy 积分示例 ✅

经典数学问题 ✅

支持的问题类型

🧩 CSP（约束满足问题）问题

📈 优化问题

🎲 博弈论与鲁棒优化

🔬 基于SciPy的强大优化功能

🧮 经典教育问题

性能特性

性能基准

故障排除

常见错误

安装问题

示例调试

SciPy 集成需求

发展

建筑学

添加新工具

自定义约束

测试

许可证

相关 MCP

优化问题求解服务器

网页内容抓取服务器

知识图谱记忆服务器

顺序思维服务器