Dar a los agentes un motor de cálculo matemático con varios motores

A quién le sirve. Ingenieros, científicos y estudiantes que necesitan cálculos o demostraciones que se puedan comprobar, y no solo una respuesta que suene bien.

Qué hicieron

MathKernel funciona como servidor MCP (un estándar para conectar herramientas a agentes), con 162 herramientas matemáticas. El modelo interpreta y planifica, y el motor calcula con SymPy, Z3, Lean, mpmath y numba/CUDA. Una sesión típica descubre qué puede hacer, interpreta una expresión, crea un contexto y llama a math_reason para resolver y verificar. Los cálculos largos van como tareas asíncronas. Cada resultado trae una etiqueta de confianza y el rastro de cómo se obtuvo.

Cómo salió

La fuente no da pruebas ni cifras de resultados. Documenta el diseño: la confianza nunca supera la de la evidencia más débil, y si hay decimales el resultado pasa a numérico, lo que bloquea las demostraciones con Lean y SMT.

Conviene saber

Lean 4 y Mathlib se instalan al arrancar el servidor por primera vez, salvo que pongas MATHKERNEL_SKIP_LEAN_INSTALL=1. CUDA necesita paquetes extra de nvidia en pip; si no, usa la CPU.

Qué necesitas

• Un agente que acepte servidores MCP (un estándar para conectar herramientas a una IA), como Claude Code
• El servidor MathKernel, cuyo código está publicado en el enlace de la ficha
• Python y pip instalados en tu ordenador
• Tiempo en la primera arrancada, porque Lean 4 y Mathlib (herramientas para demostrar teoremas con ordenador) se instalan solos la primera vez
• Opcional: una tarjeta gráfica NVIDIA para calcular con CUDA, su tecnología de cálculo en la tarjeta; sin ella usa el procesador

Cómo hacerlo tú, paso a paso

1. Instala el servidor MathKernel siguiendo las instrucciones de su página de GitHub.
2. Si no necesitas demostraciones formales, pon antes de arrancar MATHKERNEL_SKIP_LEAN_INSTALL=1 (una variable de entorno, un ajuste que se escribe antes de lanzar el programa) y te ahorras instalar Lean.
3. Añade MathKernel a la lista de servidores MCP de tu agente. MCP es el estándar que permite al agente usar herramientas externas.
4. Pega el prompt de la ficha con el problema o las ecuaciones que quieres resolver.
5. Lee en la respuesta qué motor dio el resultado, su etiqueta de confianza y cómo se verificó.
6. Si necesitas una demostración formal, escribe los números exactos (fracciones en vez de decimales). Con decimales el resultado pasa a numérico y se bloquean las demostraciones con Lean y SMT.
7. Para los cálculos largos, pide que se lancen como tareas en segundo plano y que el agente consulte el resultado cuando acaben.

Conecta a este proyecto el servidor MCP de [herramienta matemática, por ejemplo MathKernel o un sistema de álgebra] y úsalo para resolver [problema o conjunto de ecuaciones]. Muéstrame el resultado junto con el motor que lo produjo y cómo se verificó. Si los motores no coinciden, avísame y explícalo. Habrás terminado cuando me des la respuesta, la prueba que la respalda y una nota con las suposiciones que hayas hecho.

Consejos

• Lee la etiqueta de confianza antes que el resultado: te dice cuánto puedes fiarte.
• Si dos motores no coinciden, no lo dejes pasar. Pide a la IA que explique por qué y qué suposiciones hay detrás.
• Guarda la prueba y la nota de suposiciones junto con la respuesta, para poder revisarlas después.

Preguntas frecuentes

Fuentes

• Staatsgeheim/MathKernel en GitHub ↗
• La conversación en Hacker News, 7 de septiembre de 2026 ↗

En el directorio desde el 3 de octubre de 2026.