Fujitsu Social Digital Twin MCP Server

Fujitsu Social Digital Twin MCP 服务

此项目将 Fujitsu 的 Social Digital Twin 和 Digital Rehearsal API 与 Model Context Protocol（MCP） 集成，让大模型（LLM）能够通过自然语言访问 Fujitsu 的 Digital Rehearsal API。

概述

Fujitsu 的 Social Digital Twin 不仅基于现实世界的数据，在数字空间中重现人员和物体的状态，还能重现完整的经济和社会活动。其核心功能“Digital Rehearsal”可让用户在现实世界实施措施之前，在数字空间中模拟人类和社会行为，从而提前验证这些措施的效果和影响。

此项目使用 MCP 搭建大模型与 Digital Rehearsal API 之间的桥梁，让用户能够通过自然语言运行模拟并分析结果。

主要功能

• 获取并显示模拟列表
• 启动模拟
• 获取并分析模拟结果
• 管理模拟数据
• 分析交通模拟
• 比较场景
• 根据自然语言生成模拟配置

前置条件

• Python 3.13 或更高版本
• 可访问 Fujitsu API Gateway（API Key）
• 兼容 MCP 的大模型客户端（例如 Claude Desktop）

安装

通过 Smithery 安装

要通过 Smithery 为 Claude Desktop 自动安装 Fujitsu Social Digital Twin Server：

npx -y @smithery/cli install @3a3/fujitsu-sdt-mcp --client claude

1. 克隆仓库

git clone https://github.com/3a3/fujitsu-sdt-mcp.git
cd fujitsu-sdt-mcp

2. 设置环境

使用 uv（推荐）：

首先，安装 uv：

# Install uv using pip
pip install uv

# Or using curl (Linux/macOS)
curl -sSf https://astral.sh/uv/install.sh | sh

然后，使用 uv 设置环境：

# Create virtual environment
uv venv

# Activate virtual environment
# Windows:
.venv\Scripts\activate
# Unix/MacOS:
source .venv/bin/activate

# Install dependencies
uv pip install -r requirements.txt

或者，也可以使用提供的设置脚本：

# Make the script executable
chmod +x setup.sh

# Run setup
./setup.sh

3. 设置环境变量

# Windows:
set FUJITSU_API_BASE_URL=https://apigateway.research.global.fujitsu.com/sdtp
set FUJITSU_API_KEY=your_api_key_here

# Unix/MacOS:
export FUJITSU_API_BASE_URL=https://apigateway.research.global.fujitsu.com/sdtp
export FUJITSU_API_KEY=your_api_key_here

或者，可以创建 .env 文件并添加以下设置：

FUJITSU_API_BASE_URL=https://apigateway.research.global.fujitsu.com/sdtp
FUJITSU_API_KEY=your_api_key_here

使用方法

启动 MCP 服务

python -m fujitsu_sdt_mcp

该服务通过标准输入/输出与 MCP 客户端通信。

使用交互式客户端

此项目还提供了一个简单的客户端，可直接与 MCP 服务交互：

python client.py

启动客户端后，将显示可用资源和工具列表，你可以通过命令行调用它们。

配置 Claude Desktop

要将此服务与 Claude Desktop 等兼容 MCP 的大模型客户端配合使用：

1. 打开 Claude Desktop
2. 前往 Settings > Developer Settings > Edit Config File
3. 添加以下设置：

"command": "uvx",
"args": [
    "fujitsu-sdt-mcp"
],
"env": {
    "FUJITSU_API_BASE_URL": "https://apigateway.research.global.fujitsu.com/sdtp",
    "FUJITSU_API_KEY": "your_api_key_here"
}

4. 重启 Claude Desktop

资源和工具

资源

• resource://digital_rehearsal_overview：Digital Rehearsal 技术概述
• resource://simulation_metrics_explanation：模拟指标说明
• resource://scenario_examples：场景示例

工具

• list_simulations：获取模拟列表
• start_simulation：启动模拟
• get_simulation_result：获取模拟结果
• get_metrics：获取模拟指标
• list_simdata：获取模拟数据列表
• get_simdata：获取模拟数据
• analyze_traffic_simulation：分析交通模拟
• compare_scenarios：比较场景
• create_natural_language_simulation_config：根据自然语言生成模拟设置

使用示例

获取模拟列表

tool list_simulations

启动模拟

tool start_simulation {"simdataId": "your_simdata_id"}

分析交通模拟

tool analyze_traffic_simulation {"simulationId": "your_simulation_id", "region": "Tokyo", "timeRange": "morning rush hour", "scenario": "traffic optimization"}

根据自然语言生成模拟设置

tool create_natural_language_simulation_config {"description": "I want to run a traffic optimization simulation during morning rush hour in Tokyo"}

LLM 交互示例

User: I want to run a traffic simulation during morning rush hour in Tokyo

Claude: I can help you run a traffic simulation for Tokyo's morning rush hour. Here's how we can set it up.

First, let's generate simulation settings from your natural language description:
[Tool execution: create_natural_language_simulation_config]

Generated settings:
{
  "simulationType": "traffic",
  "parameters": {
    "region": "Tokyo",
    "timeRange": "morning_rush"
  },
  "name": "traffic_20250416_123045"
}

Next, let's check available simulation data:
[Tool execution: list_simdata]

From this data, I can start a simulation using Tokyo's morning traffic data.
I've selected the appropriate simulation data ID and will start the simulation:
[Tool execution: start_simulation]

The simulation has started. The simulation ID is "sim_12345".
It will take some time for the results to be available. Once complete, I'll analyze them.

(After simulation completes)
Let's analyze the simulation results:
[Tool execution: analyze_traffic_simulation]

Analysis results:
- CO2 emissions: 1,250kg
- Average travel time: 42 minutes
- Total traffic volume: 15,700 vehicles

From these results, I can see that the Shibuya-Shinjuku route experiences particularly severe congestion.
Here are some potential improvements:
1. Optimize traffic signal control
2. Implement one-way traffic on certain roads during specific times
3. Increase public transportation frequency

Would you like to see a more detailed analysis?

参与贡献

请通过 GitHub Issues 报告错误或提出功能请求。欢迎提交拉取请求。

许可证

本项目采用 MIT License 发布。详情请参阅 LICENSE 文件。

致谢

• Fujitsu Corporation - 社交数字孪生技术的开发
• Model Context Protocol (MCP) - 支持与大模型无缝集成