Fortunamcp

🚀 FortunaMCP服务器

FortunaMCP是一款先进的MCP服务器，专注于生成高质量的随机值。它借助Fortuna C扩展，该扩展直接由Storm提供支持。Storm是一个强大的、线程安全的C++随机数生成器（RNG）引擎，针对基于硬件的高速熵进行了优化。FortunaMCP为广泛的人工智能应用提供可靠的随机性。

大型语言模型在自然语言处理方面表现出色，但依赖于确定性算法，在需要真正的不可预测性时就显得不足。相比之下，FortunaMCP能提供真正的随机性。这种能力使其在需要无偏、不可预测结果的场景中不可或缺，而大型语言模型的近似结果（幻觉）根本无法满足这些需求。

FortunaMCP非常适合蒙特卡罗模拟、复杂系统建模与分析以及交互式游戏机制等任务。但它不适用于区块链、安全或加密相关的任务。

🚀 快速开始

FortunaMCP服务器可直接为AI应用提供高质量随机值。你可以根据不同的使用场景，调用相应的工具来获取所需的随机数。

✨ 主要特性

• 高质量随机值生成：借助Fortuna C扩展和Storm引擎，提供基于硬件的高速、可靠的随机值。
• 广泛的应用场景：适用于蒙特卡罗模拟、复杂系统建模、交互式游戏机制等多种AI应用。
• 多种随机数生成工具：提供如骰子模拟、随机整数、随机浮点数等多种随机数生成工具。

📚 详细文档

鸣谢

• 开发者：Robert Sharp – Fortuna、Storm和FortunaMCP服务器的创建者和维护者。
• 托管方：Silicon Society – 自豪地托管FortunaMCP服务器，并支持其为AI智能体提供世界级随机值生成的使命。Silicon Society正在大规模构建学习的未来。通过人工智能驱动的工作影子学习，将学习融入工作场景。跟随专业人士的实际操作，获得适应你目标的个性化指导。点击等待列表进行注册。

参考部署

• FortunaMCP https://fortuna-mcp.siliconsociety.org/sse

💻 使用示例

工具概述

骰子模拟

• 描述：模拟掷指定数量的骰子，并返回它们的总和。支持标准角色扮演游戏风格的骰子，面数为{2, 4, 6, 8, 10, 12, 20, 30, 100}。
• 用例：非常适合角色扮演游戏、棋盘游戏或需要骰子机制的模拟场景。
• 示例：
  • 触发条件：“掷三个六面骰子” 或 “Roll 3d6”
  • 调用：Fortuna.dice(rolls=3, sides=6)

随机范围

• 描述：从自定义范围定义的序列中选择一个随机整数。参数受整数限制（-9223372036854775807 到 9223372036854775807），步长必须非零。
• 用例：适用于需要非标准步长或区间的模拟和采样场景。
• 示例：
  • 触发条件：“从10到100以5为步长选择一个数字”
  • 调用：Fortuna.random_range(start=10, stop=100, step=5)

伯努利变量

• 描述：执行一次伯努利试验，根据提供的成功概率返回一个布尔结果。
• 用例：适用于二元决策场景，如模拟抛硬币、开关事件或成功/失败结果。
• 示例：
  • 触发条件：“模拟一次正面概率为70%的抛硬币试验”
  • 调用：Fortuna.bernoulli_variate(ratio_of_truth=0.7)

二项变量

• 描述：返回固定次数伯努利试验中的成功次数，模拟二项分布。
• 用例：对统计模拟、质量控制过程和需要确定成功率的实验非常有价值。
• 示例：
  • 触发条件：“确定20次抛硬币试验中正面朝上的次数，每次正面概率为50%”
  • 调用：Fortuna.binomial_variate(number_of_trials=20, probability=0.5)

负二项变量

• 描述：计算在一系列伯努利试验中达到目标成功次数之前的失败次数。
• 用例：应用于可靠性工程、风险评估以及需要跟踪成功前失败次数的场景。
• 示例：
  • 触发条件：“计算成功率为40%的试验中达到5次成功之前的失败次数”
  • 调用：Fortuna.negative_binomial_variate(number_of_trials=5, probability=0.4)

几何变量

• 描述：确定首次成功之前的失败次数，遵循几何分布。
• 用例：适用于模拟等待时间和首次发生事件的过程，如客户获取或质量测试。
• 示例：
  • 触发条件：“成功率为25%时，首次成功之前会有多少次失败？”
  • 调用：Fortuna.geometric_variate(probability=0.25)

泊松变量

• 描述：从泊松分布中生成一个随机整数，其特征由预期发生次数（λ）决定。
• 用例：对于模拟随时间发生的罕见事件，如系统故障、网络流量或客户到达非常重要。
• 示例：
  • 触发条件：“模拟平均发生4次事件的时间段内的事件数量”
  • 调用：Fortuna.poisson_variate(mean=4.0)

随机浮点数

• 描述：在半开区间 [lower_limit, upper_bound) 内生成一个均匀分布的随机浮点数。两个边界都在浮点数限制 -1.7976931348623157e+308 到 1.7976931348623157e+308 范围内。
• 用例：用于模拟、蒙特卡罗方法或任何需要连续均匀随机性的场景。
• 示例：
  • 触发条件：“生成一个介于0.0和1.0之间的随机浮点数”
  • 调用：Fortuna.random_float(lower_limit=0.0, upper_bound=1.0)

三角变量

• 描述：从由下限、上限和众数定义的三角分布中采样一个随机浮点数。
• 用例：非常适合项目管理估算、风险分析或结果最可能围绕中心值的任何场景。
• 示例：
  • 触发条件：“模拟一个最可能值为50，范围从10到100的结果”
  • 调用：Fortuna.triangular(lower_limit=10.0, upper_limit=100.0, mode=50.0)

贝塔变量

• 描述：使用两个正形状参数从区间 [0, 1] 上的贝塔分布中抽取一个随机浮点数。
• 用例：广泛用于贝叶斯统计、比例建模以及任何需要模拟概率的场景。
• 示例：
  • 触发条件：“生成形状参数为2和5的随机概率”
  • 调用：Fortuna.beta_variate(alpha=2.0, beta=5.0)

帕累托变量

• 描述：从帕累托分布中返回一个随机浮点数，非常适合模拟重尾现象。输出始终大于或等于1。
• 用例：在经济学、保险和风险管理中观察到幂律行为的场景中很有用。
• 示例：
  • 触发条件：“生成形状参数为1.5的帕累托分布值”
  • 调用：Fortuna.pareto_variate(alpha=1.5)

冯·米塞斯变量

• 描述：从冯·米塞斯分布中生成一个随机角度，适用于圆形或方向数据。
• 用例：常见于气象学、导航以及任何涉及角度或周期性现象的应用。
• 示例：
  • 触发条件：“生成均值为0弧度、集中度为1.0的随机角度”
  • 调用：Fortuna.vonmises_variate(mu=0.0, kappa=1.0)

指数变量

• 描述：从由速率参数定义的指数分布中生成一个随机浮点数，模拟独立事件之间的时间。
• 用例：对于模拟寿命、系统故障和排队模型中的到达间隔时间至关重要。
• 示例：
  • 触发条件：“模拟速率为0.5的下一个事件发生的时间”
  • 调用：Fortuna.exponential_variate(lambda_rate=0.5)

伽马变量

• 描述：从由形状和尺度参数决定的伽马分布中返回一个随机浮点数。
• 用例：用于模拟等待时间、可靠性分析以及各种连续过程。
• 示例：
  • 触发条件：“生成形状为2.0、尺度为3.0的伽马变量”
  • 调用：Fortuna.gamma_variate(shape=2.0, scale=3.0)

威布尔变量

• 描述：从威布尔分布中采样一个随机浮点数，该分布模拟故障或事件发生的时间。
• 用例：广泛用于生存分析、可靠性工程和故障率估计。
• 示例：
  • 触发条件：“模拟形状参数为1.5、尺度参数为100.0的故障发生时间”
  • 调用：Fortuna.weibull_variate(shape=1.5, scale=100.0)

正态变量

• 描述：从由均值和标准差定义的正态（高斯）分布中生成一个随机浮点数。
• 用例：是统计建模、质量控制和需要钟形曲线行为的模拟的基础。
• 示例：
  • 触发条件：“生成均值为0、标准差为1的正态分布值”
  • 调用：Fortuna.normal_variate(mean=0.0, std_dev=1.0)

对数正态变量

• 描述：从由基础正态分布派生的对数正态分布中抽取一个随机浮点数。
• 用例：用于金融建模、股票价格模拟以及结果具有乘法性质的场景。
• 示例：
  • 触发条件：“生成对数均值为0、对数标准差为1的对数正态变量”
  • 调用：Fortuna.log_normal_variate(log_mean=0.0, log_deviation=1.0)

极值变量

• 描述：从极值（耿贝尔）分布中采样一个随机浮点数，用于模拟最大值或最小值。
• 用例：适用于风险评估、极端天气预测和工程中的压力测试。
• 示例：
  • 触发条件：“模拟位置为0、尺度为1.0的极端事件”
  • 调用：Fortuna.extreme_value_variate(location=0.0, scale=1.0)

卡方变量

• 描述：根据自由度从卡方分布中生成一个随机浮点数。
• 用例：对假设检验、方差估计和拟合优度检验至关重要。
• 示例：
  • 触发条件：“生成自由度为5的卡方变量”
  • 调用：Fortuna.chi_squared_variate(degrees_of_freedom=5.0)

柯西变量

• 描述：从柯西分布中返回一个随机浮点数，其特征是重尾。
• 用例：在稳健统计分析、信号处理以及预计会有异常值的场景中很有用。
• 示例：
  • 触发条件：“生成位置为0、尺度为1.0的柯西变量”
  • 调用：Fortuna.cauchy_variate(location=0.0, scale=1.0)

费舍尔F变量

• 描述：从由两组自由度定义的费舍尔F分布中抽取一个随机浮点数。
• 用例：应用于方差分析（ANOVA）测试、方差分析和比较统计模型。
• 示例：
  • 触发条件：“生成自由度为5和10的F变量”
  • 调用：Fortuna.fisher_f_variate(degrees_of_freedom_1=5.0, degrees_of_freedom_2=10.0)

学生t变量

• 描述：根据指定的自由度从学生t分布中生成一个随机浮点数。
• 用例：在小样本统计分析、置信区间估计和假设检验中不可或缺。
• 示例：
  • 触发条件：“生成自由度为10的学生t变量”
  • 调用：Fortuna.student_t_variate(degrees_of_freedom=10.0)