Was ist Jacobian?
Jacobian vom GitHub-Nutzer morluto gibt einem Agenten statt eines Code-Interpreters eine durchsuchbare Bibliothek typisierter mathematischer Operationen. Der Server stellt zwei Tools bereit: math.find gleicht einen beschriebenen Bedarf mit dem Katalog ab oder liefert das genaue Schema und die Beispiele einer Operation, und math.run führt eine Operation mit typisiertem Payload aus und gibt ein typisiertes Ergebnis zurück. Die Abdeckung reicht von exakter linearer Algebra, Polynomalgebra und Zahlentheorie bis zu Graphen, begrenztem SAT- und SMT-Lösen, Gruppentheorie, Kombinatorik, Wahrscheinlichkeit, Geometrie und Topologie. Dieselbe Bibliothek lässt sich über eine CLI und als Python-Paket nutzen.
Das Repository entstand im Juli 2026, hat rund 370 Sterne, steht unter MIT und veröffentlichte 0.23.0 am 3. Oktober 2026 auf PyPI und npm, mit Commits bis in den November. Das Projekt bezeichnet sich als vorstabil: Experimentelle Operationsverträge können sich zwischen Releases ändern.
Jacobian installieren
npx jacobian@latest setupLohnt sich Jacobian?
Jacobians Designentscheidung lautet, dem Modell mathematische Züge zu geben, keine Löser. Nach unserer Zählung im Quellcode von v0.23.0 gibt es mehr als 1.400 Operationsdeklarationen in 33 Domänenpaketen, jede eine eng gefasste Funktion wie ein erweiterter ggT, eine exakte Determinante, ein Galois-Orbit oder die Minimierung eines Baumautomaten, mit mindestens einem Beispiel, das die Testsuite ausführt. Ergebnisse sind exakt, wo sie es behaupten, und Näherungen oder unvollständige Antworten sagen das im Ergebnis selbst. Das Modell entscheidet, wie es sie kombiniert. Weil der Katalog hinter math.find und math.run liegt, kostet der Kontext nur zwei Tool-Schemas, wo das Auflisten jeder Operation Hunderte Definitionen bedeuten würde.
Was der Server anfassen kann, ist fast nichts. Laut Quellcode ist der lokale Server zustandslos, und eingebaute Operationen lesen oder erzeugen keinen serverseitigen Zustand; nach unserer Lektüre liest kein Tool Dateien, macht Netzwerkaufrufe oder führt Befehle aus, und er läuft über stdio. Das praktische Risiko ist Rechenzeit: Die Dokumentation warnt, dass exakte Operationen legitim Minuten oder länger dauern können, ein Client-Timeout kann also eine lange Rechnung abbrechen. Der Remote-Modus jacobian-remote-mcp bindet standardmäßig an 127.0.0.1:8000 und startet nicht ohne Token-Datei, mit Bearer-Tokens von mindestens 32 Zeichen, es sei denn, das nur für die Entwicklung gedachte Flag --allow-anonymous ist gesetzt. Er protokolliert einen schlüsselbasierten Hash jeder math.find-Anfrage, nicht den Text.
Der Haken: Das ist ein junges, schnelles und weitgehend von einer Person getragenes Projekt. Ein Konto hat rund 3.830 der Commits verfasst, die Pull-Request-Nummern überschritten in weniger als vier Monaten 4.570, und bei unserer Prüfung waren 85 Issues offen. Der getestete Installationsrahmen ist eng, CPython 3.12 oder 3.13 auf glibc-Linux x86-64, und Alpine kann den vollständigen Stack nicht installieren. Singular und QEPCAD, die eine kleine Zahl von Operationen braucht, werden nicht mitgeliefert.
Unser Fazit: Wer exakte statt plausibler Antworten will, hat mit Jacobian ein schärferes Werkzeug als ein Modell, das SymPy spontan schreibt, und es ergänzt Lean-Werkzeuge wie lean-lsp-mcp, das Beweise prüft statt Werte zu berechnen. Für ein Constraint-Modell, das du selbst schreiben willst, passt mcp-solver weiterhin besser.
Wo es sich lohnt
Eine Doktorandin in algebraischer Kombinatorik
Eine vermutete Identität für Littlewood-Richardson-Koeffizienten an vielen kleinen Fällen prüfen
Der Agent findet mit math.find die Operationen für Koeffizienten und Kostka-Zahlen, führt sie über Partitionen bis zu einer gewählten Größe aus und meldet jedes Gegenbeispiel mit den exakten Eingaben. Kostenlos; die Grenze ist, wie lange jeder Fall dauert.
Ein Verifikationsingenieur in einem Hardware-Startup mit 40 Beschäftigten
Klären, ob eine Menge von Bitvektor-Bedingungen aus einer Spezifikation erfüllbar ist
Der Agent kodiert die Bedingungen für die begrenzte SMT-Operation, die Z3 direkt aufruft, und liefert ein Modell oder ein ausdrückliches Unbekannt. Das erspart ein einmaliges Z3-Skript, Produktionsprüfungen gehören aber weiter in deine eigene Testsuite.
Ein Mathematiklehrer, der ein Übungsblatt zur linearen Algebra vorbereitet
Exakte Lösungen und Determinanten für 30 rationale Matrizen erzeugen
Der Agent führt matrix.determinant.compute und verwandte exakte Operationen auf jeder Matrix aus und formatiert die Ergebnisse, ohne Gleitkomma-Rundung im Lösungsblatt.
Bevor du dich festlegst
- Einrichtung
- Mit installiertem Node.js 20.17+ und uv erkennt npx jacobian@latest setup deine Agenten und schreibt nach deiner Prüfung der Änderungen deren MCP-Einträge und eine Skill jacobian-math (--dry-run zeigt eine Vorschau). Alternativ uvx --python 3.12 --from jacobian jacobian-mcp oder pip install jacobian.
- Integrationen
- Zwei MCP-Tools (math.find, math.run), eine Ressource operation://catalog, eine jacobian-CLI mit inspect und run sowie eine native Python-API. Backends sind SymPy, NetworkX, Z3 und Python-FLINT, optional Singular und QEPCAD.
- Daten und Datenschutz
- Lokaler stdio-Server ohne gespeicherten Zustand und ohne Datei- oder Netzwerkzugriff in seinen Tools; deine Aufgaben und Ergebnisse gehen an deinen Modellanbieter. Der Remote-Modus verlangt eine Token-Datei (Tokens ab 32 Zeichen) oder ein ausdrückliches Anonym-Flag, nutzt standardmäßig 127.0.0.1 und protokolliert nur einen HMAC-Hash der Discovery-Anfragen.
- Kosten im großen Maßstab
- Kostenlos unter MIT. Kosten sind Modell-Tokens und CPU-Zeit; laut Dokumentation können exakte Operationen Minuten oder länger dauern.
- Grenzen
- Vorstabile 0.23.0; experimentelle Verträge ändern sich zwischen Releases. Nur Python 3.12 bis 3.13 (PyPI verlangt unter 3.14); musl und Alpine nicht unterstützt. Lange Rechnungen können Client-Timeouts überschreiten. 85 offene Issues.
Was gut ist
- Nur zwei Tool-Schemas im Kontext
- Mehr als 1.400 exakte, typisierte Operationen
- Kein Datei-, Netzwerk- oder Shell-Zugriff in den Tools
- Remote-Modus startet nicht ohne Bearer-Tokens
Was nicht
- Vorstabil; Verträge können sich zwischen Releases ändern
- Überwiegend ein Autor, 85 offene Issues
- Nur auf Python 3.12 und 3.13, glibc-Linux x86-64 getestet
- Manche Operationen brauchen separat installiertes Singular oder QEPCAD
Am besten für
Mathematiker, Forschende und Ingenieure, die einen Agenten exakte algebraische, kombinatorische oder logische Ergebnisse berechnen lassen wollen, statt sie in Prosa anzunähern.
Alternativen zu Jacobian
Jacobian: häufige Fragen
- Lohnt sich Jacobian?
- Ein ungewöhnlich prinzipientreuer Mathematik-Server, der die Tool-Liste des Modells auf zwei Einträge beschränkt, wobei Tempo und Vorstabil-Status ihn eher zum Forschungsinstrument als zur Abhängigkeit machen. Wir bewerten es mit 3.7 von 5.
- Was kostet Jacobian?
- Kostenlos und Open Source (MIT). Ein eigener Remote-Server läuft auf Kosten deiner Infrastruktur.
- Welche Nachteile hat Jacobian?
- Vorstabil; Verträge können sich zwischen Releases ändern; Überwiegend ein Autor, 85 offene Issues; Nur auf Python 3.12 und 3.13, glibc-Linux x86-64 getestet; Manche Operationen brauchen separat installiertes Singular oder QEPCAD.
- Für wen eignet sich Jacobian?
- Mathematiker, Forschende und Ingenieure, die einen Agenten exakte algebraische, kombinatorische oder logische Ergebnisse berechnen lassen wollen, statt sie in Prosa anzunähern.
- Was kostet Jacobian für ein Team oder im Produktivbetrieb?
- Kostenlos unter MIT. Kosten sind Modell-Tokens und CPU-Zeit; laut Dokumentation können exakte Operationen Minuten oder länger dauern.
- Ist Jacobian sicher für Firmendaten?
- Lokaler stdio-Server ohne gespeicherten Zustand und ohne Datei- oder Netzwerkzugriff in seinen Tools; deine Aufgaben und Ergebnisse gehen an deinen Modellanbieter. Der Remote-Modus verlangt eine Token-Datei (Tokens ab 32 Zeichen) oder ein ausdrückliches Anonym-Flag, nutzt standardmäßig 127.0.0.1 und protokolliert nur einen HMAC-Hash der Discovery-Anfragen.
- Was sind die besten Alternativen zu Jacobian?
- Die nächsten Alternativen, die wir getestet haben, sind MCP Solver, Lean LSP MCP und Sequential Thinking (reference server).
Antworten geprüft am 16. Nov. 2026.