WaveGuard

WaveGuard: поиск аномалий в данных на основе физического моделирования волн

От сообществаРаботаетБез входаГлобальныйБесплатноТолько чтение

Что умеет

  • Искать выбросы в структурированных данных и временных рядах
  • Проверять риск токена и профиль кошелька в блокчейне
  • Сравнивать данные и строить отпечаток паттерна
  • Оценивать риск манипуляции ценой и объёмом
  • Прогнозировать нестабильность и каскадные риски системы

Какие данные видит

Сервис не требует авторизации, данные для анализа передаются напрямую в запросе без сохранения.

Нужен ли аккаунт

Не нужен: сервер работает без входа

WaveGuard находит выбросы и аномалии в любых данных — метриках, тексте, логах, ончейн-активности — без отдельной фазы обучения модели. Достаточно передать несколько нормальных примеров и тестовые данные, сервер вернёт объяснение и уровень уверенности для каждой найденной аномалии. Полезен как второй шаг после выгрузки данных из таблиц, баз или API.

Как подключить

Как подключить WaveGuard к Claude

Адрес сервера, который нужно вставить в настройках Claude:

https://waveguard--emergentphysicslab.run.tools

  1. Откройте Claude (сайт claude.ai или приложение для компьютера).
  2. Перейдите в Настройки → Коннекторы (в английском интерфейсе: Settings → Connectors).
  3. Нажмите Добавить пользовательский коннектор (Add custom connector).
  4. Вставьте адрес сервера, скопированный ниже, в поле URL удалённого MCP-сервера и нажмите Добавить.
  5. В чате нажмите + → Коннекторы и включите новый коннектор.

Пользовательские коннекторы доступны на тарифах Free, Pro, Max, Team и Enterprise. На Free можно добавить только один. В Team и Enterprise коннектор сначала добавляет владелец организации в Настройки организации → Коннекторы.

Авторизация

После нажатия Добавить откроется окно входа в сервис. Войдите под своим аккаунтом и подтвердите доступ. Пароль Claude не видит.

Как подключить WaveGuard к ChatGPT

Адрес сервера, который нужно вставить в настройках ChatGPT:

https://waveguard--emergentphysicslab.run.tools

  1. Откройте ChatGPT в браузере (chatgpt.com). Нужен тариф Plus, Pro, Business, Enterprise или Edu.
  2. Один раз включите режим разработчика: Настройки → Приложения → Дополнительные настройки → Режим разработчика (Settings → Apps → Advanced settings → Developer mode).
  3. Откройте Настройки → Коннекторы и нажмите Создать (Create).
  4. Заполните форму: Название (любое), Описание (одна фраза, что делает сервис), URL MCP-сервера (скопируйте ниже).
  5. В поле Аутентификация выберите OAuth, если сервис требует вход, иначе Нет. Нажмите Создать.
  6. В новом чате откройте + → Приложения/Коннекторы и включите коннектор.

Название раздела у OpenAI менялось (Connectors → Apps/Plugins). Если пункт называется иначе, ищите «режим разработчика» в настройках. В рабочих пространствах Business/Enterprise администратор должен разрешить пользовательские коннекторы.

Авторизация

При первом использовании ChatGPT откроет окно входа в сервис. Войдите и подтвердите доступ.

Как подключить WaveGuard к Cursor

Адрес сервера, который нужно вставить в настройках Cursor:

https://waveguard--emergentphysicslab.run.tools

Быстрый способ: нажмите кнопку Открыть в Cursor ниже, Cursor сам предложит добавить сервер.

Вручную:

  1. В Cursor откройте Settings → Cursor Settings → MCP и нажмите Add new global MCP server.
  2. Вставьте JSON, скопированный ниже, в открывшийся файл ~/.cursor/mcp.json (для одного проекта: .cursor/mcp.json в корне проекта).
  3. Сохраните файл. Сервер появится в списке MCP; при необходимости пройдите авторизацию по кнопке рядом с ним.

Авторизация

Если сервис требует вход, рядом с сервером в списке MCP появится кнопка авторизации.

Список инструментов сервера (19)

Технические названия из tools/list. Нужны только разработчикам.

waveguard_scanFind outliers and anomalies in structured data — ideal as a second step after pulling records from Google Sheets, Airtable, Supabase, Notion databases, HubSpot, Financial APIs, GitHub, NPM, or any source that returns rows of JSON. Fully stateless: send known-good rows as training and suspect rows as test in ONE call. Returns per-row anomaly scores, confidence levels, and the top features explaining WHY each row was flagged. Typical workflow: (1) Pull data from another tool (e.g. Google Sheets, Supabase query, HubSpot deals). (2) Pass the first N rows as training (normal baseline). (3) Pass remaining or new rows as test. (4) Report which rows are anomalous and why. Works on JSON objects, numbers, text, arrays. No separate training step required. Examples: - Spreadsheet QA: Pull 500 sales rows from Sheets → train on first 400 → test last 100 → flag outlier entries - Financial screening: Get ratios for 50 stocks from a financial API → find anomalous ones - CRM hygiene: Pull HubSpot deals → flag deals with unusual discount/value patterns - Dependency audit: Get NPM package metrics → flag packages with anomalous quality scores - Commit review: Pull GitHub commit metadata → flag unusual commit patterns
waveguard_scan_timeseriesDetect anomalies in time-series data — use after pulling numeric metrics from monitoring APIs, financial data sources, IoT sensors, or spreadsheet columns. Send a single numeric array and specify a window size. Early windows define 'normal', recent windows are tested for anomalies. Typical workflow: (1) Pull a column of numbers from Sheets, a Supabase time-series table, or a metrics API. (2) Pass the array here. (3) Get back which time windows are anomalous. Examples: - Revenue monitoring: Pull monthly revenue from Sheets → detect anomalous months - Stock screening: Pull 90 days of closing prices → find unusual price windows - Server health: Pull response-time metrics → identify degradation windows - Sensor QA: Pull temperature readings from IoT API → flag sensor drift
waveguard_healthCheck WaveGuard API health, GPU availability, version, and engine status. No authentication required. Returns status, version, and GPU info.
waveguard_fingerprintGet a physics embedding of any data item (52-dim at Level 0, 62-dim at Level 1 with phase statistics). The fingerprint captures structural properties via wave-equation dynamics — useful for similarity search, clustering, baseline comparison, and drift detection. Works on JSON objects, token metrics, wallet activity, trading data, or any structured data. Returns a deterministic vector with labeled dimensions (chi statistics, energy distribution, gradient patterns, and phase coherence at Level 1).
waveguard_compareCompare two data items for structural similarity using physics-based fingerprints. Returns cosine similarity (0–1) and Euclidean distance. Use for duplicate detection, behavioral matching, drift analysis, or checking if two tokens/wallets/contracts are structurally similar. Cosine similarity > 0.95 = very similar. < 0.80 = structurally different.
waveguard_token_riskAssess crypto token legitimacy risk. Send metrics from known-good tokens as training (price, volume, holders, liquidity, market_cap, age_days, etc.) and suspect tokens as test. Detects pump-and-dump patterns, fake metrics, and anomalous token profiles. Example: Pull CoinGecko data for 20 established tokens → train. Test a new token → get risk score and which metrics are suspicious.
waveguard_wallet_profileProfile wallet behavior against baselines. Send normal wallet transaction patterns as training (tx_count, avg_value, unique_tokens, gas_spent, active_days, etc.) and suspect wallets as test. Detects bot activity, wash trading wallets, and sybil patterns. Example: Profile 50 organic wallets → test 10 suspect addresses.
waveguard_volume_checkDetect wash trading and fake volume in OHLCV candle data. Send known-legitimate candles as training and suspect candles as test. Detects artificial volume spikes, suspiciously regular patterns, and manipulated price-volume relationships. Example: Send 100 candles from a liquid pair as baseline, test candles from a suspicious pair.
waveguard_price_manipulationDetect price manipulation in time-series data. Send a price or price+volume history as a numeric array. Early windows define 'normal' trading, recent windows are tested for manipulation patterns (pump-and-dump, spoofing, layering). Example: Send 90 days of closing prices → detect manipulated windows.
waveguard_market_dataFetch live crypto market data from CoinGecko and DexScreener. No external data needed — WaveGuard pulls it for you. Use 'coin_id' for CoinGecko (e.g. 'bitcoin', 'ethereum', 'solana'). Use 'contract_address' for DexScreener (any chain). Use 'search' to find token IDs by name/symbol. Returns: price, volume, market cap, liquidity, price history, OHLC candles — ready to feed into waveguard_token_risk, waveguard_volume_check, or waveguard_price_manipulation.
waveguard_counterfactualRun baseline plus counterfactual variants and measure verdict/score sensitivity.
waveguard_trajectory_scanAnalyze sequence drift and regime shifts over ordered samples.
waveguard_instabilityEstimate instability under controlled perturb-and-resolve trials.
waveguard_phase_coherenceMeasure coherence/entropy and collapse-risk indicators for candidate data.
waveguard_interaction_matrixCompute pairwise interaction matrix and cluster decomposition for entities.
waveguard_cascade_riskEstimate shock propagation and resilience from adjacency-linked entities.
waveguard_mechanism_probeRun targeted interventions and rank effect sizes.
waveguard_action_surfaceScore candidate actions and extract robust action zones.
waveguard_multi_horizon_outlookCompute horizon-specific anomaly outlook and consistency across windows.