OptimEngine - Operations Scheduling Solver

⚡ OptimEngine

生产级优化平台——4 层架构、OR-Tools CP-SAT、原生支持 MCP、OAuth 2.1、以可观测性为先。

---

概览

OptimEngine 可解决 NP-hard 优化问题（调度、路径规划、装箱），并量化不确定性下的风险（敏感性分析、鲁棒优化、随机优化、Pareto 分析）。它通过 REST 和 MCP（SSE + Streamable HTTP，使用 OAuth 2.1）提供 4 个智能级别（L1 确定性 → L3 处方性）的 11 种工具。

系统围绕三项工程原则构建：数学正确性（使用真正的 CP-SAT 求解器，而非 LLM 近似方案）、生产级规范（完整的可观测性技术栈、覆盖业务逻辑的测试、经过负载测试）以及Agent 友好性（MCP 双栈、OAuth、速率限制、仅限 JSON 的契约）。

架构

flowchart TB
    Client[AI Agents / MCP Clients / REST] --> Edge[Edge Proxy<br/>Vercel]
    Edge --> L2[L2 Core Gateway<br/>FastAPI · orchestration]
    L2 --> L1[L1 Solver Layer<br/>OR-Tools 9.15 CP-SAT<br/>FJSP · CVRPTW · Packing · Sensitivity · Robust · Stochastic · Pareto · Prescriptive]
    L2 --> L3[L3 Thin Proxies<br/>Payment rails · MCP discovery]
    L1 --> Obs[Observability<br/>OpenTelemetry · Prometheus · Grafana Cloud]
    L2 --> Obs
    L3 --> Obs

四层架构加边缘代理，部署于 6 个 Railway 服务和 1 个 Vercel 函数。所有层均采用 OpenTelemetry 链路追踪、Prometheus 中间件，并在付款事件发生时通过 Telegram 发送告警。

技术栈

层	技术
运行时	Python 3.12、FastAPI、Uvicorn
求解器	OR-Tools 9.15 CP-SAT、NumPy、自定义蒙特卡洛
MCP	FastMCP（SSE + Streamable HTTP）、ScaleKit OAuth 2.1、PyJWT
验证	Pydantic v2
可观测性	OpenTelemetry SDK、Prometheus client、Grafana Cloud
负载测试	Locust 2.43
CI	GitHub Actions、pytest、pytest-cov
部署	Railway（计算）、Vercel（边缘）、GitHub Actions（CI）

功能

L1 — 确定性优化

求解器	问题	主要功能
调度	柔性作业车间（FJSP）	优先约束、时间窗、按机器设定的工时、可用时间窗、质量门槛、准备时间矩阵
路径规划	CVRPTW	容量、时间窗、GPS 距离、跳过访问点、4 种优化目标
装箱	多维装箱	重量 + 体积约束、物品数量、分组、部分装箱、4 种优化目标

L2 — 不确定性下的优化

模块	能力	输出
敏感性分析	每次扰动一个参数	脆弱性图、敏感性得分、关键标记、风险排名
鲁棒优化	不确定性范围 → 最坏情况保护	鲁棒解、鲁棒性成本、可行率
随机优化	概率分布 → 蒙特卡洛	期望值、VaR、CVaR（90/95/99 %）、分布摘要

L2.5 — 多目标优化

模块	能力	输出
帕累托前沿	2-4 个相互竞争的目标	非支配解、权衡比、相关性分析

L3 — 处方式优化

模块	能力	输出
处方建议	历史数据 → 预测 → 优化 → 风险 → 建议	行动、经风险调整的完工时间、可行性风险评估

性能

生产环境基准测试摘要（完整报告：BENCHMARKS.md）：

• 累计负载 20 分钟内处理 757 个请求，失败 0 次
• 基础设施耗时下限：约 200 ms（FastAPI + 边缘代理 + 身份验证 + 可观测性开销）
• 当前 Railway 层级下，并发用户达到 5 人时出现饱和拐点；此后系统会逐步降级
• 瓶颈：求解器 CPU，而非基础设施——L1 的扩展路径是水平扩展，而非在网关处垂直扩展

Grafana 实时仪表板：public-dashboards/optimengine

测试与 CI

• 121 项测试，覆盖 7 个求解器模块，全部通过
• 总体覆盖率 77 %，业务逻辑引擎平均覆盖率 88 %
• 每次推送和拉取请求都会通过 GitHub Actions 运行
• 覆盖率报告作为构建产物上传（HTML + XML）

测试套件运行真实的 CP-SAT 求解，而非模拟：断言会验证数学属性（CVaR 排序、容量约束、扰动下的单调性），而不只是代码路径。

v9.0.0 亮点

四项调度引擎升级，弥合了学术界 FJSP 与真实车间运作方式之间的差距。与 v8 请求完全向后兼容。

每台机器的任务时长 — 同一任务在不同机器上的耗时不同：

{
  "task_id": "milling",
  "duration": 100,
  "eligible_machines": ["CNC-1", "CNC-2"],
  "duration_per_machine": {"CNC-1": 120, "CNC-2": 80}
}

可用时间窗口 — 每台机器支持多个班次和维护间隔：

{
  "machine_id": "CNC-1",
  "availability_windows": [
    {"start": 0, "end": 480},
    {"start": 510, "end": 960}
  ]
}

质量关卡 — 作业要求最低质量，机器具有产出率：

{ "job_id": "ORD-BOSCH", "quality_min": 0.97 }
{ "machine_id": "CNC-4", "yield_rate": 0.99 }

设置时间矩阵 — 依赖加工顺序的换型成本：

{
  "setup_times": [
    {"machine_id": "M1", "from_job_id": "J1", "to_job_id": "J2", "setup_time": 15}
  ]
}

快速开始

claude.ai（远程 MCP 连接器）

在“设置” → “集成”下添加远程 MCP 连接器：

https://optim-engine-production.up.railway.app/mcp

用于受 OAuth 保护的端点：

https://optim-engine-production.up.railway.app/mcp/v2

REST（curl）

curl -X POST https://optim-engine-production.up.railway.app/optimize_schedule \
  -H "Content-Type: application/json" \
  -H "X-Engine-Key: $ENGINE_API_KEY" \
  -d '{
    "jobs": [
      {"job_id": "J1", "tasks": [
        {"task_id": "cut", "duration": 30, "eligible_machines": ["M1", "M2"]},
        {"task_id": "weld", "duration": 20, "eligible_machines": ["M2"]}
      ]}
    ],
    "machines": [{"machine_id": "M1"}, {"machine_id": "M2"}],
    "objective": "minimize_makespan"
  }'

MCP 客户端配置

{
  "mcpServers": {
    "optim-engine": {
      "url": "https://optim-engine-production.up.railway.app/mcp"
    }
  }
}

验证案例研究：MetalPrecision（合成数据）

模拟意大利精密加工车间的合成数据集——4 台 CNC 加工中心（2015-2023 年款）、5 个参考真实汽车/工业客户建模的客户订单、15 项任务。用于端到端验证全部 7 个模块的求解器行为。

工具	结果
optimize_schedule	最优完工时间 225 min，5/5 按时完成，平均利用率 83.3 %，耗时 0.04 s
validate_schedule	零违规，2 条改进建议
analyze_sensitivity	3.6 s 内完成 73 次求解，识别出最敏感参数（敏感度评分 8.9）
optimize_robust	最坏情况 210 min，稳健性代价 7.7 %，可行率 100 %
optimize_pareto	权衡前沿：195/15 min 对比 220/0 min，相关性 -1.0
optimize_stochastic	30 个蒙特卡洛场景，CVaR95 = 188.5，CV 4.7 %
prescriptive_advise	预测每周期 +1.3 %，风险调整后的范围为 167-183

数据集中的客户名称仅用于示例。这不是实际客户部署，而是用于求解器验证和演示的基准场景。

生产部署

端点	角色
optim-engine-production.up.railway.app	L1 + L2 + L3 计算（Railway，6 个服务）
Edge 代理（Vercel）	处理 CORS、改写标头、边缘缓存
claude.ai 上的 MCP 连接器	为 Claude 客户端提供工具接口

发现

已列入 x402scan、Smithery 和 the402.ai，以便在 Agent 经济中被发现。系统支持在 Base 和 Solana 上使用 x402 微支付访问付费层端点；支付集成的说明记录在 L3 轻量代理层中，但这并非项目的主要重点。

许可证

MIT——参见 LICENSE。

由 Michele Campi 构建。