Was ist MCP Solver?
MCP Solver von Stefan Szeider macht einen MCP-Host wie Claude Desktop oder Claude Code zum Solver-Programmierer. Der Host wählt ein Backend, erhält Modellierungsanweisungen und einen dauerhaften IPython-Kernel mit geladener Solver-Bibliothek, schreibt ein Programm, führt es gegen den echten Solver aus, prüft die Antwort und reicht das fertige Programm ein. Du behältst die Lösung und den Code, der sie erzeugt hat.
Version 4 unterstützt sechs Backends: PySAT, MaxSAT, Z3, CPMpy, Clingo und DIDP. Es steht unter MIT-Lizenz, ist in Python geschrieben, hat rund 187 GitHub-Sterne, und der letzte Commit kam am 13. Oktober 2026. Das frühere v3-Design ist in einem Paper auf der SAT 2025 dokumentiert und liegt auf einem eigenen Branch.
MCP Solver installieren
git clone https://github.com/szeider/mcp-solver.git && cd mcp-solver && uv venv && uv pip install -e ".[agent]"Lohnt sich MCP Solver?
MCP Solver behebt den häufigsten Fehler, den ein Sprachmodell bei kombinatorischen Problemen macht: Es rät eine Antwort, die eine Bedingung verletzt. Hier antwortet das Modell nie direkt. Es schreibt ein Solver-Programm für eines von sechs Backends, PySAT, MaxSAT, Z3, CPMpy, Clingo oder DIDP für Routen und Planung, führt es aus, prüft das Ergebnis und ruft erst dann submit_code auf. Heraus kommt ein Programm, das du erneut ausführen und prüfen kannst, und das zählt mehr als die Antwort, wenn du einen Dienstplan oder eine Konfiguration verteidigen musst.
Die Belege sind besser als bei den meisten MCP-Servern. Mit Claude Opus als Host meldet das README 229 von 229 korrekt gelösten Instanzen aus CP-Bench (101) und ASP-Bench (128) unter strenger Validierung, und alle 30 mitgelieferten Testprobleme werden mit GPT-5.6 Terra über die CLI gelöst. Das sind eigene Läufe des Autors auf Benchmarks, die er selbst erstellt hat, also eher starke Signale als unabhängige Ergebnisse. Version 4 ist zudem eine Neufassung: Der v3-Server mit feinteiligen Modellbearbeitungs-Tools und MiniZinc ist weg, ersetzt durch einen Kernel und sechs Tools.
Der Haken: Installation und Sicherheit brauchen Sorgfalt. v4 ist nicht auf PyPI, weil ein Dritter den Namen mcp-solver mit veraltetem v2.0.0-Code belegt, also installiert uvx mcp-solver das Falsche; bis ein Antrag auf Namensübertragung entschieden ist, musst du klonen und aus dem Quellcode installieren. Laut INSTALL-Anleitung ist v4 bisher nur unter macOS getestet. Und der Kernel darunter, aus agentic-python-coder desselben Autors, führt vom Modell geschriebenen Code automatisch im Arbeitsverzeichnis aus; dessen eigener Sicherheitshinweis rät bei nicht vertrauenswürdigen Eingaben zu einer VM oder einem Container.
Unser Fazit: Für Planer, Forschende oder Ingenieure mit einem echten Planungs-, Zuteilungs- oder Verifikationsproblem ist das der Unterschied zwischen einer plausiblen Antwort und einer, die ein Solver bewiesen hat. Das Klonen und der Container lohnen sich. Die Paketierung wird nachziehen; die Methode ist schon solide.
Wo es sich lohnt
Die Betriebsleiterin eines Pflegeheims mit 40 Betten
Einen Dienstplan erstellen, der Schichtregeln, Ruhezeiten und Wünsche einhält
Beschreibe Claude die Regeln; es wählt CPMpy oder MaxSAT, kodiert harte Regeln und gewichtete Wünsche, startet den Solver und reicht das Programm ein. Im nächsten Monat führst du das gespeicherte Programm mit neuer Verfügbarkeit aus, statt neu zu prompten.
Ein Firmware-Ingenieur
Beweisen, dass eine Bit-Manipulations-Routine für alle Eingaben ihrer Spezifikation entspricht
Der Agent kodiert beide Versionen in Z3 und sucht ein Gegenbeispiel. Ein unsat-Ergebnis ist der Beweis; ein Modell ist eine fehlschlagende Eingabe. Lass es in einem Container laufen, da der Kernel den erzeugten Code ausführt.
Ein Studiengangskoordinator an einer Universität
30 Lehrveranstaltungen ohne Überschneidungen auf Räume verteilen
Nutze das Clingo- oder CPMpy-Backend, um Räume, Größen und Dozentenkonflikte zu kodieren; das eingereichte Programm wird zum Stundenplangenerator fürs nächste Semester. Kostenlos bis auf die Tokens des Host-Modells.
Bevor du dich festlegst
- Einrichtung
- Repository klonen, uv venv, uv pip install -e ".[agent]", dann den Client auf uv run --project <Pfad> --extra agent mcp-solver-serve zeigen lassen. Die uvx-Konfiguration erst nutzen, wenn die PyPI-Namensübertragung abgeschlossen ist. Braucht Python 3.13 oder 3.14 und uv.
- Integrationen
- Backends: python-sat, RC2 MaxSAT, z3-solver, cpmpy (mit ortools), clingo und didppy. Tools: select_backend, python_exec, python_reset, python_status, python_interrupt und submit_code, dazu Anleitungs- und Vorlagenressourcen. CLI und Benchmark-Harness laufen über OpenRouter.
- Daten und Datenschutz
- Läuft lokal über stdio. Problembeschreibungen und erzeugter Code gehen an den Modellanbieter deines Hosts. Solver-Programme laufen ohne Sandbox in einem lokalen IPython-Kernel im Arbeitsverzeichnis; optionale Statistiken landen in einer JSONL-Datei deiner Wahl.
- Kosten im großen Maßstab
- Kostenlos unter MIT. Die Kosten sind die Tokens des Host-Modells; CLI-Läufe rechnen die OpenRouter-Nutzung über deinen Schlüssel ab.
- Grenzen
- Jeder CLI-Lauf stoppt standardmäßig nach 30 Agentenschritten. Noch keine Unterstützung für Python 3.15, weil ortools und python-sat dafür keine Pakete veröffentlichen. python_interrupt stoppt eine ausufernde Lösungssuche.
Was gut ist
- Sechs Solver-Backends von SAT bis dynamische Programmierung
- Hinterlässt ein geprüftes, erneut ausführbares Solver-Programm
- 229 von 229 Benchmark-Instanzen in den Läufen des Autors gelöst
- Kein API-Schlüssel; das Modell des Hosts löst
Was nicht
- Nicht über PyPI installierbar; der Name trägt veralteten v2.0.0-Code
- v4 bisher nur unter macOS getestet
- Kernel führt vom Modell geschriebenen Code ohne Sandbox aus
- Braucht Python 3.13 oder 3.14 und uv
Am besten für
Operations-Research-Fachleute, Ingenieure und Analysten, die einen Agenten Planungs-, Zuteilungs-, Konfigurations- oder Verifikationsprobleme mit einem echten Solver lösen lassen und das Programm behalten wollen.
Alternativen zu MCP Solver
MCP Solver: häufige Fragen
- Lohnt sich MCP Solver?
- Der richtige Ansatz für Planungs- und Knobelprobleme, die ein Modell nie im Kopf lösen sollte, vorerst gebremst durch eine Installation nur aus dem Repository und einen Kernel, der jeden Code ausführt, den das Modell schreibt. Wir bewerten es mit 3.9 von 5.
- Was kostet MCP Solver?
- Kostenlos und Open Source (MIT). Der Server braucht keinen API-Schlüssel; die optionale CLI nutzt deinen eigenen OpenRouter-Schlüssel.
- Welche Nachteile hat MCP Solver?
- Nicht über PyPI installierbar; der Name trägt veralteten v2.0.0-Code; v4 bisher nur unter macOS getestet; Kernel führt vom Modell geschriebenen Code ohne Sandbox aus; Braucht Python 3.13 oder 3.14 und uv.
- Für wen eignet sich MCP Solver?
- Operations-Research-Fachleute, Ingenieure und Analysten, die einen Agenten Planungs-, Zuteilungs-, Konfigurations- oder Verifikationsprobleme mit einem echten Solver lösen lassen und das Programm behalten wollen.
- Was kostet MCP Solver für ein Team oder im Produktivbetrieb?
- Kostenlos unter MIT. Die Kosten sind die Tokens des Host-Modells; CLI-Läufe rechnen die OpenRouter-Nutzung über deinen Schlüssel ab.
- Ist MCP Solver sicher für Firmendaten?
- Läuft lokal über stdio. Problembeschreibungen und erzeugter Code gehen an den Modellanbieter deines Hosts. Solver-Programme laufen ohne Sandbox in einem lokalen IPython-Kernel im Arbeitsverzeichnis; optionale Statistiken landen in einer JSONL-Datei deiner Wahl.
- Was sind die besten Alternativen zu MCP Solver?
- Die nächsten Alternativen, die wir getestet haben, sind Lean LSP MCP und Sequential Thinking (reference server).
Antworten geprüft am 7. Nov. 2026.