Semantic Calculator MCP

语义计算器 MCP

一个基于 Python 的 MCP 工具，用于对向量、文本和表情符号进行语义运算，并专门支持 Emojikey V3 系统。

功能

• 计算向量之间的语义相似度
• 将文本和表情符号转换为向量嵌入
• 计算相位角表示的螺旋分量
• 解析和分析 Emojikey V3 字符串
• 计算不同维度之间的语义场距离

要求

• Python 3.10+（MCP SDK 要求）
• Apple Silicon Mac（M1/M2/M3）或 Intel Mac
• Claude 桌面应用

安装

1. 安装依赖项

# Clone the repository
git clone https://github.com/yourusername/mcp-server-semantic-calc.git
cd mcp-server-semantic-calc

# Install dependencies using uv (recommended)
uv sync

# Or install in development mode
uv pip install -e .

2. 配置 Claude Desktop

将此配置添加到 Claude Desktop 设置中（通常位于 ~/Library/Application Support/Claude/claude_desktop_config.json）：

{
  "mcpServers": {
    "Semantic Calculator": {
      "command": "arch",
      "args": [
        "-arm64",
        "/Users/rob/.local/bin/uv",
        "--directory",
        "/Users/rob/repos/mcp-server-semantic-calc",
        "run",
        "-m",
        "semantic_calculator",
        "mcp"
      ]
    }
  }
}

重要说明：

• 将 /Users/rob/ 替换为你的实际主目录路径
• -arm64 标志可确保以原生 Apple Silicon 模式运行
• 确保 /Users/rob/.local/bin/uv 存在（使用 curl -LsSf https://astral.sh/uv/install.sh | sh 安装）

3. 重启 Claude Desktop

重启 Claude Desktop 以加载新的 MCP 服务。

用法

直接使用 Python

from semantic_calculator.core import SemanticCalculator

# Initialize the calculator
calc = SemanticCalculator()

# Calculate similarity between two emoji
similarity = calc.semantic_calculator_cosine_similarity(
    calc.semantic_calculator_emoji_to_vector("🧠"),
    calc.semantic_calculator_emoji_to_vector("🎨")
)
print(f"Similarity: {similarity}")

使用 MCP（在 Claude 中）

在 Claude Desktop 中完成配置后，你可以这样使用：

// Convert emoji to vector
const brainVector = semantic_calc_emoji_to_vector({
  emoji: "🧠"
});

const artVector = semantic_calc_emoji_to_vector({
  emoji: "🎨"
});

// Calculate similarity
const similarity = semantic_calc_cosine_similarity({
  vector1: brainVector,
  vector2: artVector
});

console.log(`Similarity: ${similarity}`);

注意：所有工具函数均添加了 semantic_calc_ 前缀，以避免与其他工具发生命名冲突。

示例脚本

# After installation, run examples
python -m semantic_calculator.examples.vector_operations
python -m semantic_calculator.examples.calculate_emoji_similarity
python -m semantic_calculator.examples.analyze_emojikey

核心函数

• semantic_calc_text_to_vector：将文本转换为向量嵌入
• semantic_calc_emoji_to_vector：将表情符号转换为向量嵌入
• semantic_calc_cosine_similarity：计算向量之间的余弦相似度
• semantic_calc_euclidean_distance：计算向量之间的欧几里得距离
• semantic_calc_manhattan_distance：计算向量之间的曼哈顿距离
• semantic_calc_dimension_distance：计算维度之间的相似度
• semantic_calc_calculate_helical_components：根据大小/相位计算螺旋分量
• semantic_calc_parse_emojikey_string：解析 emojikey 字符串

依赖项

核心依赖项（必需）

这些依赖项会通过 pyproject.toml 自动安装：

• Python 3.10+ - MCP SDK 要求
• mcp>=0.9.0 - Model Context Protocol SDK
• sentence-transformers>=2.2.0 - 用于语义向量嵌入
• numpy>=1.20.0 - 用于向量运算
• scikit-learn>=1.0.0 - 用于距离计算
• torch>=1.10.0 - SentenceBERT 所需

可视化依赖项（可选）

• matplotlib>=3.4.0 - 用于基础可视化
• plotly>=5.5.0 - 用于交互式 3D 可视化
• umap-learn>=0.5.2 - 用于降维
• seaborn>=0.11.2 - 用于增强可视化效果

开发依赖项

• pytest>=7.0.0 - 用于测试（使用 uv sync --dev 安装）

注意： 如果未安装任何核心依赖项，语义计算器将拒绝启动。所有依赖项均通过 pyproject.toml 管理，并使用 uv sync 自动安装。

许可证

MIT