Qu’est-ce que MCP Solver ?
MCP Solver, de Stefan Szeider, transforme un hôte MCP comme Claude Desktop ou Claude Code en programmeur de solveurs. L'hôte choisit un backend, reçoit des instructions de modélisation et un noyau IPython persistant avec la bibliothèque du solveur chargée, écrit un programme, l'exécute sur le vrai solveur, vérifie la réponse et soumet le programme final. Vous gardez la solution et le code qui l'a produite.
La version 4 prend en charge six backends : PySAT, MaxSAT, Z3, CPMpy, Clingo et DIDP. Il est sous licence MIT, écrit en Python, compte environ 187 étoiles sur GitHub et son dernier commit date du 13 octobre 2026. La conception précédente, v3, est décrite dans un article de SAT 2025 et conservée sur sa propre branche.
Installer MCP Solver
git clone https://github.com/szeider/mcp-solver.git && cd mcp-solver && uv venv && uv pip install -e ".[agent]"MCP Solver vaut-il le coup ?
MCP Solver corrige la façon la plus courante dont un modèle de langage échoue sur les problèmes combinatoires : il devine une réponse qui viole une contrainte. Ici, le modèle ne répond jamais directement. Il écrit un programme pour l'un des six backends, PySAT, MaxSAT, Z3, CPMpy, Clingo ou DIDP pour les tournées et la planification, l'exécute, vérifie le résultat et n'appelle submit_code qu'ensuite. Le résultat est un programme que vous pouvez relancer et auditer, ce qui compte plus que la réponse quand il faut défendre un planning ou une configuration.
Les preuves sont meilleures que ce qu'offrent la plupart des serveurs MCP. Avec Claude Opus comme hôte, le README rapporte 229 instances sur 229 résolues correctement sur CP-Bench (101) et ASP-Bench (128) avec une validation stricte, et les 30 problèmes de test fournis sont résolus avec GPT-5.6 Terra via la CLI. Ce sont les propres essais de l'auteur sur des bancs d'essai qu'il a conçus, à lire comme des signaux forts plutôt que des résultats indépendants. La version 4 est aussi une réécriture : le serveur v3, avec ses outils fins d'édition de modèle et MiniZinc, disparaît au profit d'un noyau et de six outils.
Le hic : l'installation et la sécurité demandent de l'attention. La v4 n'est pas sur PyPI, car un tiers détient le nom mcp-solver avec du code périmé de la v2.0.0, si bien que uvx mcp-solver installe autre chose ; il faut cloner et installer depuis les sources jusqu'à ce qu'une demande de transfert du nom aboutisse. Le guide INSTALL indique que la v4 n'a été testée que sous macOS. Et le noyau sous-jacent, issu d'agentic-python-coder du même auteur, exécute automatiquement le code écrit par le modèle dans le répertoire de travail ; son propre avertissement de sécurité recommande une VM ou un conteneur pour les entrées non fiables.
Notre avis : pour un planificateur, un chercheur ou un ingénieur face à un vrai problème de planification, d'affectation ou de vérification, c'est la différence entre une réponse plausible et une réponse prouvée par un solveur. Le clonage et le conteneur en valent la peine. Le packaging suivra ; la méthode est déjà solide.
Là où il fait la différence
La responsable des opérations d'un Ehpad de 40 lits
Établir un planning du personnel qui respecte les règles de service, les repos et les préférences
Décrivez les règles à Claude ; il choisit CPMpy ou MaxSAT, encode les règles impératives et les préférences pondérées, lance le solveur et soumet le programme. Le mois suivant, relancez le programme enregistré avec les nouvelles disponibilités au lieu de tout redemander.
Un ingénieur firmware
Prouver qu'une routine de manipulation de bits respecte sa spécification pour toutes les entrées
L'agent encode les deux versions dans Z3 et cherche un contre-exemple. Un résultat unsat est la preuve ; un modèle est une entrée fautive. Faites tourner l'ensemble dans un conteneur, puisque le noyau exécute le code généré.
Un responsable de scolarité à l'université
Placer 30 cours dans des salles sans conflit
Utilisez le backend Clingo ou CPMpy pour encoder salles, capacités et conflits d'enseignants ; le programme soumis devient le générateur d'emploi du temps du semestre suivant. Gratuit hormis les jetons du modèle de l'hôte.
Avant de vous engager
- Mise en route
- Clonez le dépôt, uv venv, uv pip install -e ".[agent]", puis pointez votre client vers uv run --project <chemin> --extra agent mcp-solver-serve. N'utilisez pas la configuration uvx avant la fin du transfert du nom sur PyPI. Nécessite Python 3.13 ou 3.14 et uv.
- Intégrations
- Backends : python-sat, RC2 MaxSAT, z3-solver, cpmpy (avec ortools), clingo et didppy. Outils : select_backend, python_exec, python_reset, python_status, python_interrupt et submit_code, plus des ressources de guide et de modèles. La CLI et le banc d'essai passent par OpenRouter.
- Données et confidentialité
- Fonctionne en local en stdio. Les descriptions de problèmes et le code généré partent chez le fournisseur de modèle de votre hôte. Les programmes s'exécutent dans un noyau IPython local, dans le répertoire de travail, sans bac à sable ; les statistiques optionnelles sont écrites dans un fichier JSONL de votre choix.
- Coût à grande échelle
- Gratuit sous MIT. Le coût, ce sont les jetons du modèle de l'hôte ; les exécutions de la CLI facturent l'usage OpenRouter sur votre clé.
- Limites
- Chaque exécution de la CLI s'arrête après 30 étapes d'agent par défaut. Pas encore de prise en charge de Python 3.15, car ortools et python-sat ne publient pas de paquets pour cette version. python_interrupt arrête une résolution qui s'emballe.
Les points forts
- Six backends de solveurs, de SAT à la programmation dynamique
- Laisse un programme de solveur vérifié et relançable
- 229 instances sur 229 résolues dans les essais de l'auteur
- Aucune clé d'API ; c'est le modèle de l'hôte qui résout
Les points faibles
- Pas installable depuis PyPI ; le nom porte du code périmé de la v2.0.0
- v4 testée sous macOS uniquement pour l'instant
- Le noyau exécute le code écrit par le modèle sans bac à sable
- Nécessite Python 3.13 ou 3.14 et uv
Idéal pour
Chercheurs opérationnels, ingénieurs et analystes qui veulent qu'un agent résolve des problèmes de planification, d'affectation, de configuration ou de vérification avec un vrai solveur et garder le programme.
Alternatives à MCP Solver
MCP Solver : questions fréquentes
- MCP Solver vaut-il le coup ?
- La bonne idée pour les problèmes de planification et les casse-têtes qu'un modèle ne devrait jamais résoudre de tête, freinée pour l'instant par une installation depuis le dépôt uniquement et un noyau qui exécute tout code écrit par le modèle. Nous lui donnons 3.9 sur 5.
- Combien coûte MCP Solver ?
- Gratuit et open source (MIT). Le serveur n'a besoin d'aucune clé d'API ; la CLI optionnelle utilise votre propre clé OpenRouter.
- Quels sont les inconvénients de MCP Solver ?
- Pas installable depuis PyPI ; le nom porte du code périmé de la v2.0.0; v4 testée sous macOS uniquement pour l'instant; le noyau exécute le code écrit par le modèle sans bac à sable; nécessite Python 3.13 ou 3.14 et uv.
- À qui s’adresse MCP Solver ?
- Chercheurs opérationnels, ingénieurs et analystes qui veulent qu'un agent résolve des problèmes de planification, d'affectation, de configuration ou de vérification avec un vrai solveur et garder le programme.
- Combien coûte MCP Solver pour une équipe ou en production ?
- Gratuit sous MIT. Le coût, ce sont les jetons du modèle de l'hôte ; les exécutions de la CLI facturent l'usage OpenRouter sur votre clé.
- MCP Solver est-il sûr pour les données de l’entreprise ?
- Fonctionne en local en stdio. Les descriptions de problèmes et le code généré partent chez le fournisseur de modèle de votre hôte. Les programmes s'exécutent dans un noyau IPython local, dans le répertoire de travail, sans bac à sable ; les statistiques optionnelles sont écrites dans un fichier JSONL de votre choix.
- Quelles sont les meilleures alternatives à MCP Solver ?
- Les alternatives les plus proches que nous avons testées sont Lean LSP MCP et Sequential Thinking (reference server).
Réponses vérifiées le 7 nov. 2026.