mathlas: mathematische Suche und Prüfung ohne API key — zuerst vorhandene Sätze suchen

Für wen

Ihr rechnet in Claude Code oder Cursor und wollt, dass das Modell weniger Sätze, Konstanten und Folgen erfindet, ohne einen weiteren API key zu beantragen. mathlas selbst startet kein Großmodell, braucht keinen key und ist kostenlos. Es liefert Kandidaten, Urteile, Inventare und Gerüste; das Schließen macht weiter eure AI.

Es passt zu zwei konkreten Aufgaben: mit search_existing_math echte Sätze aus einem Index von rund 3,68 Millionen Arbeiten holen; oder unbekannte Konstanten mit identify_constant (PSLQ plus Closed-Form-Abgleich, 50 Stellen) und ganzzahlige Folgen mit identify_sequence (exakter OEIS-Termabgleich) erkennen.

Offizielles Repo in einer eigenen Zeile:

https://github.com/Archerkattri/mathlas

Erster Versuch in 3 Minuten

Nur diese offizielle Anbindezeile. Zuerst braucht ihr uv. uv-Dokumentation in einer eigenen Zeile:

https://docs.astral.sh/uv/

Dann ausführen:

claude mcp add mathlas -- uvx mathlas-mcp

Voraussetzung: uv ist installiert. Kein API key. Offiziell steht nothing to install first, trotzdem hängt es an uv.

Konfiguration: Claude Code nutzt die add-Zeile oben; Cursor oder ein anderer MCP-Client zeigt stdio auf dieselbe uvx mathlas-mcp. Nicht zusätzlich python -m mathlas.server als Hauptweg starten. Der Dienst bevorzugt das offizielle mcp SDK und fällt ohne Installation auf abhängigkeitsfreies stdio JSON-RPC zurück; offiziell kommt er immer hoch.

Risikoarmer erster Schritt: search_existing_math aufrufen und im 3.68M-Dokumentindex vorhandene Sätze suchen. Das ist Abruf: Daten für das Modell, euer Repo bleibt unverändert. Erfolgssignal sind Kandidaten oder Treffer, kein neuer Beweis. Es gibt zwölf Werkzeuge; diese Seite nennt nur einige — die übrigen Namen nicht erfinden.

„Kein LLM, kein API key“ nicht als offline oder ohne lokale Reads lesen. uvx startet einen lokalen Prozess; Suche und Prüfung können optionale lokale Daten lesen. Selbst wenn readOnlyHint erscheint, ist das nicht risikofrei.

Anwendungsfälle

Fall 1: Einen möglicherweise halluzinierten Satz zuerst prüfen. search_existing_math aufrufen und im 3.68M-Dokumentindex echte Sätze suchen. Offiziell werden außerdem verify_numeric und verify_formal zum Prüfen von Behauptungen genannt, mit null Halluzinationsrisiko; verify_formal braucht eine Lean-Toolchain und gibt ohne sie klar data/toolchain not available zurück, statt eine Antwort zu fälschen. Diese Seite hat keine Parametertabelle dazu.

Fall 2: Konstanten oder ganzzahlige Folgen erkennen. identify_constant mit PSLQ plus Closed-Form-Abgleich, Genauigkeit 50 Stellen. Oder identify_sequence für exakten OEIS-Termabgleich. identify_sequence braucht eine lokale OEIS-Kopie; ohne sie stuft es ehrlich ab und gibt unavailable statt eines Scheintreffers. Offiziell fehlt ein Eingabeformat-Beispiel.

Grenzen

Kein API key, aber uv. Von den zwölf Werkzeugen nennt diese Seite nur search_existing_math, verify_numeric, verify_formal, identify_constant, identify_sequence. Fehlt Lean oder lokale OEIS, sagen die Werkzeuge unavailable und erfinden nichts. mathlas liefert nur Daten; den Beweis macht weiter das Modell. Fehlen optionale lokale Daten, schrumpfen die Funktionen. Offiziell fehlen Index-Aktualisierungsfrequenz, Ressourcenverbrauch und Rücknahme. „Null Halluzinationsrisiko“ nicht so lesen, als griffen Prüfwerkzeuge nie auf diesen Rechner zu.