morluto/jacobian · 上手攻略
- 仓库：morluto/jacobian
- 链接：https://github.com/morluto/jacobian
- 分类：MCP · 数学库 · AI Agent 工具 · 形式化方法
- 作者：Tom
- 更新：2026-08-28
是什么
Jacobian 是一个MCP 服务器（Model Context Protocol），给 AI 智能体提供一组可搜索的、带类型的数学操作词汇表。
核心思路是：AI 智能体在处理数学问题时，不需要调用一个"大而全"的数学引擎，而是通过 math.find 发现一个语义精确的小操作，用 math.run 执行它，然后组合多个操作的结果得到复杂数学问题的解答。
每个操作的语义边界是严格定义的：它明确说明"这个操作能证明什么、不能证明什么"，近似或不确定的结果会显式标注，不会假装精确。
同时它也不只是一套 MCP 工具——同样的数学库也提供 CLI 和原生 Python API，不依赖 MCP 生态也可以用。
解决什么问题
大语言模型在处理数学问题时有个根本性问题：直接问它"算一个矩阵的行列式"，它可能会返回看起来合理但错误的答案，尤其是涉及精确数学（整数多项式、图论、群论）时。
Jacobian 的解决方案是把数学操作变成可验证的小单元：
- 每个操作有明确的数学后置条件（postcondition）——告诉调用者这个操作保证什么
- 结果是精确的（exact）而不是近似的——整数运算不会产生浮点误差
- 不确定的地方显式标注——不完备或不精确的情况不会藏着不说
- AI 智能体搜索而非记忆——不知道用什么操作时，
math.find搜索操作词汇表，找到后再执行
通俗理解： 它给 AI 配了一个数学工具箱，每个工具职责单一、边界清晰，AI 学会了"查工具、组合用"，而不是靠记忆做数学。
快速安装
前置要求
- Node.js 20.17+ / 22.13+ / 23.5+（
npx需要） uvx（uv 的可执行版本，pip 的替代品）——需要 Python 生态时用到- Python 3.12+（如果用 Python 直接安装）
方式一：AI 智能体自动配置（推荐）
npx jacobian@latest setup
这会自动检测你使用的 AI 编程助手（Claude Code、Copilot 等），列出检测结果，在写入前让你确认。只用 setup 不会安装 Node.js、Python、uv 或 AI 智能体本身。
预览模式（不实际写入）：
npx jacobian@latest setup --codex --dry-run
静默模式（用于自动化脚本，必须配合明确的 agent 标志）：
npx jacobian@latest setup --all --yes
方式二：Python 直接安装
python -m pip install jacobian
jacobian-mcp
这会安装完整的 Python 后端栈（SymPy、NetworkX、Z3、python-flint），并启动 MCP 服务器。测试过的版本组合：CPython 3.12 / 3.13 + glibc Linux x86-64。Alpine Linux（musl）无法安装完整后端栈。
方式三：通过 uvx 免安装
不需要 Python 在 PATH 时，用 uvx 直接跑：
uvx --from jacobian jacobian-mcp
npm 用户对应的单行命令：
npx jacobian mcp
核心用法
MCP 接口：math.find + math.run
在 MCP Host（如 Claude Code、Cline）里，Jacobian 暴露两个核心工具：
查找操作（math.find）：
- 输入：关键词、语义描述、或领域名称
- 输出：匹配的操作列表，每个带类型签名 + 后置条件说明
- 用法示例：想找图的最短路径 → 搜索 graph shortest path
执行操作（math.run）： - 输入：操作名称 + 符合 schema 的参数 - 输出：精确的数学结果（JSON 格式） - 只执行一次，不做复杂工作流——多个操作由 AI 组合
CLI 用法（本地终端）
# 查看某个操作的合同
jacobian inspect integer.compute.extended_gcd
# 运行一个操作
jacobian run integer.compute.extended_gcd --json '{"left":"84","right":"30"}'
# 输出：gcd 和 Bézout 系数
内置数学领域覆盖
Jacobian 内置操作覆盖以下领域（后端依赖注明）：
| 领域 | 涉及内容 | 主要后端 |
|---|---|---|
| 多项式 | 多项式映射、多项式代数 | SymPy |
| 精确线性代数 | 行列式、矩阵分解、特征值（精确） | SymPy / python-flint |
| 图论 | 路径、染色、同构、距离矩阵 | NetworkX |
| SAT / SMT | 有界可满足性求解、约束求解 | Z3（Python binding） |
| 有限代数/概率/几何/拓扑 | 有限群、概率计算、几何计算 | SymPy + 自实现 |
⚠️ SAT/SMT 操作直接调用 Z3 Python binding，使用时需确认 Z3 已在环境中安装。
MCP 配置示例（Claude Code）
安装后，在 Claude Code 的 MCP 配置文件（~/.claude/mcp.json 或项目 .mcp.json）中添加：
{
"mcpServers": {
"jacobian": {
"command": "uvx",
"args": ["--from", "jacobian", "jacobian-mcp"]
}
}
}
重启 Claude Code 后，说"帮我找一个整数矩阵行列式的操作"，Claude Code 会调用 math.find，找到后用 math.run 执行。
典型适用场景
- AI 智能体做数学辅助：代码生成、证明验证、形式化方法——需要"查工具"而非"背答案"
- 自动化数学工作流：搜索 → 执行 → 组合，多步精确计算流水线
- 图论/组合问题求解：NPC 问题的小规模精确求解（SAT solver）
- 形式化验证辅助：Z3 SMT 求解器集成，AI 辅助找反例
- 教学/探索：通过
math.find发现某个数学领域有什么工具，支持探索式学习
坑与注意
- Python 3.12+ 强制要求：不支持 Python 3.11 以下，系统 Python 不达标时需要用 uvx 模式。
- Alpine Linux / musl 不支持：完整后端栈（SymPy + Z3 + python-flint）依赖 glibc，Alpine 需要换发行版或用 Docker。
- 预稳定版本：当前版本
0.15.1标注为 pre-stable（<!-- x-release-please-version -->），正式版前可能有 breaking changes，生产环境对接前需锁定版本。 - 操作词汇表有限：不是完整的 CAS（计算机代数系统），每个操作的语义边界由作者定义，大型复杂问题需要组合多个操作，AI 本身的组合推理能力是瓶颈。
- Z3 依赖：SMT 操作直接用 Z3 Python binding，需要 Z3 在环境中可用（pip 安装 jacobian 时自动带）。
- Node.js 版本要求较高：20.17+ / 22.13+ / 23.5+，旧版 Node.js 不支持
npx jacobian@latest setup命令。
与同类对比
| 工具 | 类型 | 数学精度 | AI 集成方式 | 操作数量 |
|---|---|---|---|---|
| Jacobian | MCP Server | 精确（exact）+ 不确定性显式标注 | MCP math.find / math.run | ~100 个操作（按领域分类） |
| Wolfram Alpha | API / SaaS | 精确 + 近似混合 | API 调用 | 完整 CAS（闭源） |
| SymPy | Python 库 | 精确符号计算 | Python 直接调用 | 完整开源 CAS |
| Z3 Python | SMT Solver | 精确（决定性） | Python 直接调用 | SMT 求解器通用 |
| ChatGPT / Claude | LLM | 近似（可能幻觉） | 对话式 | 通用 |
结论： Jacobian 的差异化在于"AI Native"——它不是给人类用的 CAS，而是专门给 AI 智能体设计的可搜索、语义边界清晰的数学操作接口。精确性靠符号计算保证，不确定性显式标注，适合需要 AI 执行可验证数学推理的场景。
一句话推荐结论
AI 智能体需要做可验证的数学推理？Jacobian 把数学操作变成"查工具、执行、组合"的三步流程，精确性由符号计算保证，不确定性显式标注——比直接问 LLM 更可靠，比自己搭 SymPy + Z3 集成更快。