Aman-Amith-Shastry-scientific_computation_mcp

科学计算 MCP

安装指南

此服务使用可流式传输的 HTTP。使用 Smithery CLI（Node 20+）从 Smithery 添加：

npm install -g smithery@latest
smithery mcp add @aman-amith-shastry/scientific_computation_mcp --client claude

命名空间必须使用小写。Smithery 的注册表查找区分大小写，大小写混合的拼写会解析为空记录（其中没有工具），而不是直接报错，因此名称首字母大写时，看起来就像服务没有任何功能。

将 --client cursor 替换为 Cursor，或移除 --client，将其添加为远程 Smithery 连接。之后重启客户端，以便加载该服务。

本地运行

uv sync
uv run src/main.py

MCP 端点位于 http://localhost:8081/mcp，存活探针位于 http://localhost:8081/health。环境变量覆盖项：PORT、HOST、MCP_PATH、 ALLOWED_ORIGINS、LOG_LEVEL。

部署

Smithery 不再构建或托管容器——服务要么以 URL 的形式发布，由 Smithery 网关代理访问；要么以 MCPB 包的形式发布，供本地 stdio 使用。本服务以 URL 形式发布，因此容器可运行在任何能够提供 HTTPS 的主机上。

docker build -t scientific-computation-mcp .
docker run -p 8081:8081 -e PORT=8081 scientific-computation-mcp

主机必须满足以下两项约束：

• 仅运行一个实例。 张量在工具调用之间存储于进程内存中，因此扩展到单个副本以上会分散存储，并导致 create_tensor → view_tensor 流程失效。
• 会话必须保持有效。 传输采用有状态模式（stateless_http=False），张量存储按 MCP 会话进行分区，因此并发用户不会读取彼此的张量。

在 Render 上托管

render.yaml 会将 Dockerfile 部署为一个免费套餐 Web 服务。在 Render 控制面板中，选择 New → Blueprint，然后选中此仓库。Render 会注入 PORT、终止 TLS，并探测 /health；无需其他配置。

免费实例在 15 分钟没有传入流量后会休眠，恢复大约需要一分钟。打开的 MCP 会话无法阻止休眠：可流式传输的 HTTP 流是从服务端到客户端的，因此空闲会话不会发送传入流量，服务会在会话仍打开时进入休眠。需要提前考虑以下两点：

• 工具调用之间间隔 15 分钟，张量就无法保留。 存储位于进程内存中，因此实例休眠时，会话及其张量也会一并丢失。活跃使用会让服务保持运行，因为每次工具调用都是传入流量；但分析中途长时间暂停则不会。
• 发布时扫描可能会遇到休眠的实例。 Smithery 会以 SmitheryBot/1.0 扫描 URL，冷启动可能超出其超时时间。请先访问 /health 唤醒服务。

免费套餐还为每个工作区每月提供 750 个实例小时，而每月约有 730 小时，因此一个持续运行的免费服务刚好够用，第二个则不够。

任何能够让单个进程始终运行的主机都能避免上述问题——容器使用 $PORT 提供纯 HTTP 服务，不依赖特定平台。

发布

curl -sS -o /dev/null -w '%{http_code}\n' https://<your-host>/health
smithery mcp publish "https://<your-host>/mcp" -n @aman-amith-shastry/scientific_computation_mcp

此服务无需用户配置，因此不需要配置架构。

服务组件

工具

张量存储

• create_tensor：根据给定的名称、形状和值创建新张量，并将其添加到张量存储中。对于此服务，张量是向量和矩阵。
• view_tensor：显示存储中的张量内容。
• delete_tensor：根据张量在存储中的名称将其删除。

线性代数

• add_matrices：如果两个矩阵兼容，则将指定名称的两个矩阵相加。
• subtract_matrices：如果两个矩阵兼容，则将指定名称的两个矩阵相减。
• multiply_matrices：如果两个矩阵兼容，则将指定名称的两个矩阵相乘。
• scale_matrix：将指定名称的矩阵乘以某个因子，默认在原矩阵上进行操作。
• matrix_inverse：计算指定名称矩阵的逆矩阵。
• transpose：计算指定名称矩阵的逆矩阵的转置。
• determinant：计算指定名称矩阵的行列式。
• rank：计算指定名称矩阵的秩（主元数量）。
• compute_eigen：计算指定名称矩阵的特征向量和特征值。
• qr_decompose：计算指定名称矩阵的 QR 分解。Q 的列构成矩阵像空间的一组标准正交基，R 为上三角矩阵。
• svd_decompose：计算指定名称矩阵的奇异值分解。
• find_orthonormal_basis：查找指定名称矩阵的一组标准正交基。返回的向量两两正交，且长度为 1。
• change_basis：计算指定名称矩阵在新基下的表示。

向量微积分

• vector_project：将张量存储区中的一个向量投影到同一向量空间中指定的向量上。
• vector_dot_product：根据提供的名称，计算张量存储区中两个向量的点积。
• vector_cross_product：根据提供的名称，计算张量存储区中两个向量的叉积。
• gradient：根据输入函数计算多变量函数的梯度。调用示例：gradient("x^2 + 2xyz + zy^3")。请勿包含函数名称（例如 f(x, y, z) = ...`）。
• curl：根据输入的向量场计算其旋度。输入字符串必须采用 Python 列表格式。调用示例：curl("[3xy, 2z^4, 2y]"")。
• divergence根据输入的向量场计算其散度。输入字符串必须采用 Python 列表格式。调用示例：divergence("[3xy, 2z^4, 2y]"")。
• laplacian计算标量函数（作为梯度的散度）或向量场的拉普拉斯算子（逐分量计算）。如果输入的是标量函数，格式必须与 gradient 工具相同。如果输入的是向量场，格式必须与 curl/divergence 工具相同。
• directional_deriv：计算函数沿给定方向 u 的方向导数。默认情况下，该工具会在计算方向导数前对 u 进行归一化，具体由 unit 参数指定。

可视化

• plot_vector_field：绘制向量场（格式与 curl/divergence 函数中的格式相同）。目前仅支持 3D 向量场。返回向量场的 2D PNG 透视图像。默认情况下，图像各坐标轴的范围为 -1 到 1。
• plot_function：根据输入变量，在 2D 或 3D 中绘制函数，格式与 gradient 工具相同。只能使用变量 x 和 y。