nsforge-mcp: Skill for Claude Code

NSForge-USolver 協作 Skill

ID: nsforge-usolver-collab
Version: 1.0.0
Trigger: 優化, optimize, 最佳解, optimal, 約束求解, constraint solving, USolver

---

🎯 Skill 定位

領域知識推導 × 數學優化 = 完整解決方案

此 Skill 協調 NSForge 和 USolver 兩個 MCP Server 協同工作：

• NSForge: 推導領域專業的修正公式（考慮藥物交互作用、體質差異等）
• USolver: 在修正後的公式中找最優解（滿足約束的最佳參數值）

---

⚙️ 工作流程

用戶問題
   ↓
1️⃣ NSForge 推導修正公式
   derivation_start()
   derivation_load_formula()
   derivation_substitute() / derivation_add_note()
   derivation_complete()
   ↓
2️⃣ 準備優化輸入
   derivation_prepare_for_optimization()
   ↓
3️⃣ USolver 求最優解
   usolver.solve(...)
   ↓
4️⃣ 呈現結果
   整合推導步驟 + 最優解 + 解釋

---

📋 使用時機

適用場景

1. 藥物劑量優化

   • 用戶：「65歲、體脂30%、併用midazolam，最佳Fentanyl劑量？」
   • NSForge：推導修正後的 PK 公式
   • USolver：找滿足治療窗的最優劑量

2. 電路參數優化

   • 用戶：「考慮寄生電容和溫度漂移，濾波器最佳 R, C 值？」
   • NSForge：推導修正後的轉移函數
   • USolver：找符合規格的標準元件值

3. 資源配置優化

   • 用戶：「考慮加班費和技能津貼，最低成本排班？」
   • NSForge：推導成本計算公式
   • USolver：找最優排班方案

不適用場景

• 純數學計算（直接用 SymPy-MCP）
• 不需優化的問題（直接用 NSForge）
• 沒有領域修正的優化（直接用 USolver）

---

🔧 工具鏈

Phase 1: NSForge 推導

# 1. 開始推導會話
derivation_start(
    name="temp_corrected_pk",
    description="Temperature-corrected pharmacokinetics"
)

# 2. 載入基礎公式
derivation_load_formula(
    source_type="library",
    identifier="pharmacokinetics/three_compartment"
)

# 3. 應用修正
derivation_substitute(
    "CL",
    "CL_base * temp_factor * age_factor * interaction_factor",
    notes="溫度 × 年齡 × 藥物交互作用修正"
)

# 4. 完成推導
derivation_complete()

Phase 2: 準備優化

# 取得優化器格式
result = derivation_prepare_for_optimization()

# 返回：
# {
#   "function_str": "dose/V1 * exp(-CL*t/V1)",
#   "variables": ["dose", "t"],
#   "parameters": {"CL": 0.476, "V1": 15.875},
#   "suggested_constraints": [
#     "dose >= 0.01",
#     "dose <= 0.10"
#   ],
#   "usolver_template": "..."
# }

Phase 3: USolver 優化

# 複製 USolver 模板到 USolver MCP
usolver.solve(
    problem_type="convex_optimization",
    objective="minimize (target - C(t, dose))**2",
    constraints=[
        "C(t=5, dose) >= 2.0",  # 治療下限
        "C(t=5, dose) <= 4.0",  # 毒性上限
        "dose >= 0.01",
        "dose <= 0.10"
    ],
    formula="dose/15.875 * exp(-0.476*5/15.875)"
)

# 返回：
# {
#   "optimal_dose": 0.035,
#   "objective_value": 0.04,
#   "C_at_t5": 2.8
# }