OraClaw Decision Intelligence

12 ferramentas MCP com 19 algoritmos de ML para agentes de IA — bandidos, solucionadores, previsores, modelos de risco. Tudo abaixo de 25ms, determinístico.

GitHub

Documentação

OraClaw

Ferramentas de Otimização MCP para Agentes de IA — 17 ferramentas (11 gratuitas, sem chave), sub-25ms. Custo zero de LLM.

Seu agente de IA não sabe fazer matemática. O OraClaw oferece a ele otimização determinística, simulação, previsão e análise de risco por meio do Model Context Protocol. Cada ferramenta retorna JSON estruturado, executa em menos de 25ms e não custa nada para computar.

🚀 Usando o OraClaw em produção — ou quer hospedagem gerenciada, ferramentas premium ou suporte prioritário? Conte-me sobre seu caso de uso → — eu leio cada um.

💬 Construindo algo com ele? Dê uma estrela no repositório e diga oi nas Discussões — o que você constrói direciona o que eu lanço em seguida.

O que isso resolve

LLMs geram texto plausível, não respostas matematicamente ótimas. O OraClaw dá ao agente de IA um conjunto de ferramentas numéricas determinísticas que ele pode chamar em vez de adivinhar — cada uma retorna JSON estruturado de um algoritmo real, sem gastar tokens em raciocínio. Concretamente:

Seu agente precisa escolher a próxima variante para testar (braço de teste A/B, copy de anúncio/e-mail, recomendação) e equilibrar exploração versus exploração — sem implementar um bandido manualmente ou deixar o modelo estimar visualmente. Chame optimize_bandit (ou optimize_contextual quando a melhor escolha depender de características por chamada).
Seu agente precisa de uma alocação ou agendamento comprovadamente ótimo sob restrições rígidas (divisão de orçamento, contagens inteiras, limites de capacidade) — sem o modelo alucinar restrições. Chame solve_constraints (LP/MIP/QP via HiGHS) ou solve_schedule para ajuste de tarefa a slot.
Seu agente precisa quantificar a incerteza em torno de um resultado — projetar um valor sob uma entrada incerta, ou medir VaR/CVaR em uma carteira multi-ativos ponderada com premissas auditáveis — sem um loop de Monte Carlo no prompt. Chame simulate_montecarlo, simulate_scenario ou analyze_risk.
Seu agente precisa de uma previsão pontual ou um sinal de outlier em uma série temporal (demanda, KPIs, fluxos de sensores/métricas) — sem inventar matemática de tendência. Chame predict_forecast (ARIMA / Holt-Winters) ou detect_anomaly (Z-score / IQR).
Seu agente precisa fundir ou pontuar sinais de probabilidade — combinar saídas de modelos, medir o quanto fontes independentes concordam, ou verificar se previsões passadas foram bem calibradas. Chame predict_ensemble, score_convergence ou score_calibration.
Seu agente precisa raciocinar sobre um grafo — classificar nós influentes, agrupar um grafo de dependência/conhecimento, encontrar um caminho crítico ou rotear entre dois nós. Chame analyze_graph ou plan_pathfind.

Onde os algoritmos foram usados

Os algoritmos do OraClaw informaram implementações em vários projetos de código aberto — por meio de especificações de roteamento contribuídas, orientação de algoritmos e matemática compartilhada — abrangendo orquestração de agentes de IA, rastreamento de séries temporais, busca vetorial e otimização.

Contribuições selecionadas (veja CHANGELOG.md para a lista completa):

chernistry/bernstein — framework de orquestração de agentes. Roteador contextual LinUCB (α=0.3) com caminho de avaliação sombra e razões de decisão interpretáveis, lançado em codex/issue-367-linucb-router após uma correção de especificação contribuída.
stxkxs/nanohype — roteamento de bandido contextual, registro de estratégia plugável (hash / TTL deslizante / semântico), detecção de anomalia de custo. "Sua contribuição moldou muito do que realmente foi lançado."
rfivesix/hypertrack — estimador adaptativo estilo Bayesiano/Kalman com rampa ciente de fase. Lançado em 0.8.0-beta.
AlanHuang99/pyrollmatch — balanceamento de entropia (Hainmueller 2012) com restrições de momento + limite de max_weight. Lançado em v0.1.3.
stffns/vstash — ponderação de relevância IDF-sigmoid. Lançado em v0.17.0.

Distribuição no marketplace:

✓ punkpeye/awesome-mcp-servers — mesclado
✓ TensorBlock/awesome-mcp-servers — mesclado
✓ MCP Registry, Glama (nota A/A/B), PulseMCP, toolsdk-ai — listado

Início Rápido

1. Servidor MCP (recomendado para agentes de IA)

Adicione ao seu claude_desktop_config.json:

{
  "mcpServers": {
    "oraclaw": {
      "command": "npx",
      "args": ["-y", "@oraclaw/mcp-server"]
    }
  }
}

Depois pergunte ao seu agente:

"Tenho 3 variantes de linha de assunto de e-mail. Qual devo enviar a seguir?"

O agente chama optimize_bandit e obtém uma seleção estatisticamente ótima em 0.01ms.

2. API REST (sem instalação)

curl -X POST https://oraclaw-api.onrender.com/api/v1/optimize/bandit \
  -H 'Content-Type: application/json' \
  -d '{
    "arms": [
      {"id": "A", "name": "Option A", "pulls": 10, "totalReward": 7},
      {"id": "B", "name": "Option B", "pulls": 10, "totalReward": 5},
      {"id": "C", "name": "Option C", "pulls": 2, "totalReward": 1.8}
    ],
    "algorithm": "ucb1"
  }'

Resposta (<1ms):

{
  "selected": { "id": "C", "name": "Option C" },
  "score": 1.876,
  "algorithm": "ucb1",
  "exploitation": 0.9,
  "exploration": 0.976,
  "regret": 0.1
}

Plano gratuito: 25 chamadas/dia, sem necessidade de chave de API.

3. SDK npm

npm install @oraclaw/bandit

import { OraBandit } from '@oraclaw/bandit';

const client = new OraBandit({ baseUrl: 'https://oraclaw-api.onrender.com' });
const result = await client.optimize({
  arms: [
    { id: 'A', name: 'Short Subject', pulls: 500, totalReward: 175 },
    { id: 'B', name: 'Long Subject', pulls: 300, totalReward: 126 },
  ],
  algorithm: 'ucb1',
});

14 pacotes SDK: @oraclaw/bandit, @oraclaw/solver, @oraclaw/simulate, @oraclaw/risk, @oraclaw/forecast, @oraclaw/anomaly, @oraclaw/graph, @oraclaw/bayesian, @oraclaw/ensemble, @oraclaw/calibrate, @oraclaw/evolve, @oraclaw/pathfind, @oraclaw/cmaes, @oraclaw/decide

Por quê?

LLMs geram texto plausível, não soluções ótimas. Peça ao GPT para escolher a melhor variante de teste A/B e ele aplica uma heurística que ignora o trade-off entre exploração e exploração. Peça para resolver um programa linear e ele alucina restrições. O OraClaw dá ao seu agente acesso a algoritmos reais — bandidos, solvers, previsores, modelos de risco — que retornam respostas matematicamente corretas em tempo sub-milissegundo, sem queimar tokens em raciocínio.

Catálogo de Ferramentas MCP (17 ferramentas)

Plano gratuito (11 ferramentas, sem chave de API — 25 chamadas/dia por IP):

Ferramenta	O Que Faz	Latência
`optimize_bandit`	Seleção de braço UCB1 / Thompson / Epsilon-Greedy	0.01ms
`optimize_contextual`	Bandido LinUCB ciente de contexto	0.05ms
`optimize_evolve`	Algoritmo genético para problemas discretos + multi-objetivo	<10ms
`solve_schedule`	Agendamento de tarefas com correspondência de energia	3ms
`score_convergence`	Consenso de probabilidade multi-fonte (Hellinger)	0.04ms
`score_calibration`	Pontuação Brier + log para precisão de previsores	0.02ms
`predict_bayesian`	Atualização posterior Beta a partir de evidências ponderadas	0.05ms
`predict_ensemble`	Consenso multi-modelo + decomposição de incerteza	0.1ms
`plan_pathfind`	A* + k-caminhos mais curtos de Yen	0.1ms
`simulate_montecarlo`	Monte Carlo de fator único (6 distribuições)	<2ms
`simulate_scenario`	Comparação what-if + classificação de sensibilidade	<5ms

Plano premium (6 ferramentas, requer ORACLAW_API_KEY):

Ferramenta	O Que Faz	Latência
`optimize_cmaes`	Otimização contínua de caixa-preta CMA-ES	12ms
`solve_constraints`	Solver LP / MIP / QP via HiGHS (comprovadamente ótimo)	2ms
`analyze_graph`	PageRank, comunidades Louvain, detecção de gargalos	0.5ms
`analyze_risk`	VaR e CVaR (Expected Shortfall)	<2ms
`predict_forecast`	Previsão de séries temporais ARIMA + Holt-Winters	0.08ms
`detect_anomaly`	Detecção de anomalias Z-Score + IQR	0.01ms

14 de 18 endpoints REST respondem em menos de 1ms. Todos em menos de 25ms.

Experimente Agora

A API está ativa. Sem necessidade de cadastro.

# Bayesian inference
curl -X POST https://oraclaw-api.onrender.com/api/v1/predict/bayesian \
  -H 'Content-Type: application/json' \
  -d '{"prior": 0.3, "evidence": [{"factor": "positive_test", "weight": 0.9, "value": 0.05}]}'

# Monte Carlo simulation
curl -X POST https://oraclaw-api.onrender.com/api/v1/simulate/montecarlo \
  -H 'Content-Type: application/json' \
  -d '{"simulations": 1000, "distribution": "normal", "params": {"mean": 100, "stddev": 15}}'

# Monte Carlo with a non-normal distribution
curl -X POST https://oraclaw-api.onrender.com/api/v1/simulate/montecarlo \
  -H 'Content-Type: application/json' \
  -d '{"simulations": 1000, "distribution": "triangular", "params": {"min": 80, "mode": 100, "max": 140}}'

Ferramentas premium (detect_anomaly, predict_forecast, analyze_risk, solve_constraints, analyze_graph, optimize_cmaes) precisam de uma chave de API ou pagamento x402 — veja Preços abaixo.

Preços

Plano	Chamadas	Preço	Autenticação
Gratuito	25/dia	$0	Nenhuma
Pague por chamada	1K/dia	$0.005/chamada	Chave de API
Starter	50K/mês	$9/mês	Chave de API
Growth	500K/mês	$49/mês	Chave de API
Scale	5M/mês	$199/mês	Chave de API

x402 (para agentes autônomos): pague $0.001/chamada em USDC na Base — sem cadastro, sem chave de API. Envie um cabeçalho PAYMENT-SIGNATURE assinado em qualquer endpoint premium; a API verifica, mede e liquida por chamada. Obtenha uma chave com um POST /api/v1/auth/signup de uma linha ({"email":"voce@…"}) — instantâneo, sem cartão.

Código-Fonte

Componente	Caminho
Servidor MCP	`mission-control/packages/mcp-server/`
API REST	`mission-control/apps/api/`
Algoritmos	`mission-control/apps/api/src/services/oracle/algorithms/`
Pacotes SDK	`mission-control/packages/sdk/`
Ferramentas LangChain	`mission-control/integrations/langchain/oraclaw_tools.py`
Aplicativo Móvel	`mission-control/apps/mobile/`
Dashboard (Next.js)	`web/`

Construindo com o OraClaw?

Adoraríamos saber no que você está trabalhando. Compartilhe seu caso de uso, faça perguntas ou solicite recursos:

Licença

MIT