蒙特卡洛模拟显示的不是一个完工日期，而是一个概率。借助 Merlin Project 中全新的 MCP 服务器，您只需一句话，就能请 Claude 读取您的计划并计算 10,000 个项目进程。下面就是具体做法。
蒙特卡洛模拟把不确定性转化为概率。您得到的不是单一日期，而是一系列可能完工日期的分布。借助 Merlin Project 中的 MCP 服务器，这不再需要专门的插件，也不再需要费力维护的估算；对 Claude 说一句话就够了。
蒙特卡洛模拟究竟是什么，以及它为何优于关键路径，请见我们的 项目管理中的蒙特卡洛模拟指南。这里讲的是实践：如何真正借助 Merlin Project 和 MCP 服务器完成这次模拟。
Merlin Project 与 MCP 服务器
Merlin Project 自带一个 MCP 服务器。MCP 代表 Model Context Protocol（模型上下文协议），这是一个开放标准，为 AI 助手提供与外部应用之间结构化且安全的连接。该服务器在您的 Mac 上本地运行，无法从远程访问；它本身不会主动上传任何内容，只会交出 AI 主动查询的部分。不过，AI 读取到的内容会在各自的服务商处处理：使用像 Claude 这样的云端客户端时，被读取的计划数据会发送至其 API。您始终掌控着要开放哪个项目，完全符合 数字主权 的精神。您可以通过文档工具栏中的「AI 工具」按钮按项目启用它。面向 Claude Desktop、Claude Code 及其他客户端的完整设置，详见 MCP 文档。
只读访问就够了
MCP 服务器目前仅提供对项目数据的只读访问。对蒙特卡洛模拟而言，这恰恰正合适：客户端只能读取计划，计划本身不会被改动。模拟只读取一次计划；整个随机计算都在 Merlin 之外运行。没有任何东西被写回实时计划。您的项目结构始终是不受触动的唯一可信数据源，您可以在任意计划版本上随意多次模拟。
AI 从计划中读取三样东西。其一，带有计划 工期 的各项 活动。其二，网络图逻辑，也就是前置活动与后续活动之间的 依赖关系，连同 逻辑关系类型 和 缓冲。其三，不确定性的所在位置，也就是某个 风险 挂在哪项活动上。网络图逻辑是核心：如果没有依赖关系的连线，您就只是在把工期相加，而不是在计算一张网络图。
关键点：不确定性尚未包含在计划中
Merlin 为每项活动保存一个计划工期，之后再保存一个实际值，但没有原生的三点估算。有三种方法可以解决：
- 自定义字段。 您在模板中把 O 和 P 设为自定义字段，并通过 MCP 一并读取。如果模板由您掌控，这是最干净的方案。
- 全局不确定性带。 计划工期正负 X%，作为三角或 PERT 分布，必要时按阶段或活动类型缩放。
- 混合。 被标注的风险活动获得各自的波动带，其余的用一个默认值。
无论您选择哪条路径：都要透明地展示不确定性从何而来。正是这一点让一次模拟可信。
智能体式流程，以及您必须避免的思维误区
这里藏着最常见的误解：Claude 并不会亲自跑完那 10,000 次迭代。没有哪个语言模型会在脑子里抽取 10,000 个随机样本。那样不仅耗费 token，而且在统计上毫无价值，因为语言模型是糟糕的随机数生成器。迭代应当放进代码里。
诀窍不是「Python 脚本对阵 MCP 客户端」，而是由客户端执行代码。流程分三步：
- 读取。 Claude 调用 Merlin MCP 服务器的读取工具，取得活动、工期和依赖关系。
- 计算。 Claude 用寥寥几行 numpy 为自己写出模拟并运行它，作为回答的一部分。这需要一个能执行代码的客户端，例如 Claude Code；没有代码执行的纯聊天窗口无法运行这些迭代。每次迭代，模型为每项活动抽取一个工期，按拓扑顺序走过网络图（顾及前置活动和延时），并取所有终点节点中最晚的完工时间作为项目完工。
- 解释。 Claude 返回 S 曲线、P50、P80 和 P90 以及一张龙卷风图，并用通俗的语言解读结果。
在您看来，这个过程很简单。您用自然语言提一个问题：
读取 Merlin Project 中的活动项目，并模拟 10,000 个可能的项目进程。
每项活动取计划工期上下浮动 20% 作为 PERT 分布。
向我展示 S 曲线，以及 P50、P80 和 P90 对应的日期。Claude 读取计划，进行计算，并向您展示概率曲线。背后的代码是实现细节，不是一个学习步骤。这就像用计算器：您用它，而不是在脑子里做乘法。
顺便说一句，耗费 token 的并不是那些迭代（在代码里它们几乎是免费的），而是把一份 300 行的活动清单拉进上下文。因此，入门时的原则是：一个有意保持小而干净的示例计划，包含 15 到 25 项活动。它足够大，能体现路径汇聚和一张有趣的龙卷风图；又足够小，让整段对话能放进一个屏幕页面。
来自 10,000 次运行的结果
这就是 Claude 对上面那条提示词的回答，基于一个小型建筑项目计划算出。Claude 连接到活动文档，读取活动、连接关系（26 个完成-开始，1 个开始-开始）和日历（周一到周五，每天 8 小时），重建网络并对照计划完工日期进行校验。模型精确地复现了它：60 个工作日，也就是 2026 年 8 月 21 日。然后跑完那 10,000 次运行。
这个示例项目仅包含约两打活动，其完工日期由一条又长又串行的链条决定。因此 P10 与 P90 之间约一周的跨度是有意保持得很窄的；规模更大或分支更多的项目通常波动得明显更广。
| 置信度 | 日期 | 相对计划（8月21日） |
|---|---|---|
| 计划日期 | 2026年8月21日 | 约 49% 的命中概率 |
| P50 | 2026年8月24日 | 加 1 个工作日 |
| P80 | 2026年8月25日 | 加 2 个工作日 |
| P90 | 2026年8月26日 | 加 3 个工作日 |
全部 10,000 次运行的跨度，从最早 8月17日 到最晚 9月1日。
解读很明确：计划日期是一个五五开的日期。在大约一半的运行里它能守住，另一半则被突破。这是典型的发现，因为确定性计划几乎总是落在乐观的 P50 上，而不是一个可靠的交付日期。想以 90% 的把握做出承诺的人，应当沟通 8月26日，也就是大约三个工作日的缓冲。
Claude 在此公开了它自己的假设：这里，计划工期被用作最可能值，O 为 −20%、P 为 +20%，作为一个对称的 PERT-Beta 分布。若采用计划中真实、部分不对称的 三点估算，右尾会更长，P90 会更晚。离散的风险事件，即供应商缺位和结构工程师缺位，这里尚未建模；这是纯粹的工期波动。接下来的两个例子里，我们恰恰要把它们算进来。
案例 A：供应商比较
最有力的例子回答的是一个决策问题，而不只是一个预测问题。设想一项活动依赖于一次交付。供应商 A 凭经验在一部分情况下准时交付，否则会延误几天。这里分母很重要：100 次交付中有 10 次延误，与 15 次中有 10 次，是截然不同的风险。蒙特卡洛恰恰在此展现它的长处，因为它不是用凭空的假设来计算，而是把实际经历的交付历史转化为一个预测。
真正的价值在于「钱对风险」的权衡。供应商 A 更便宜，但更不可靠；供应商 B 更贵，但稳定，并且多花 4.000 €。这笔加价值得吗？管理层一下子就能理解这个问题，而蒙特卡洛用一个数字而不是一种直觉来回答它。
这样的问题，您用一句话就能问 Claude：
活动 19「材料安装」依赖于一次交付。供应商 A 凭经验在 85% 的情况下准时交付，
否则延误 10 天。请模拟这对完工日期有何影响，并将它与供应商 B 比较，
B 始终准时交付，但多花 4.000 €。Claude 把风险开关挂在这次交付上，并用相同的随机抽样（Common Random Numbers，共同随机数）计算两家供应商，好让差异干净地只取决于交付。结果出人意料地明确（下表中的工期单位为工作日）：
| 置信度 | 供应商 A（85% 准时，否则 +10 工作日） | 供应商 B（始终准时，+4.000 €） |
|---|---|---|
| P50 | 2026年8月21日 | 2026年8月21日 |
| P80 | 2026年8月25日 | 2026年8月25日 |
| P90 | 2026年8月25日 | 2026年8月25日 |
| 守住计划日期 | 50.5% | 50.5% |
| 因 A 导致的完工日期推移 | 0.00% | 基准 |
在 10,000 次运行中，没有一次是这位不可靠的供应商 A 推移了完工日期。两个分布完全重合。原因在计划里：活动 19「材料安装」依赖于两个前置活动，交付和位于 关键路径 上的屋顶。屋顶系统性地更晚完成，所以「材料安装」无论如何都在等屋顶，而不是等外立面交付。交付与安装之间的缓冲，中位数为 21 个工作日，即便在压缩得最厉害的一次运行里也还有足足 17 个。10 个工作日的延误从不会触及这条界线。
这一点在敏感性上看得最清楚：延误究竟要变得多大，才会动到完工日期？
只有超过这个缓冲边界，也就是超过约 17 到 21 个工作日，才开始有东西真正击穿：在 25 天时 7% 的运行发生推移，在 30 天时约 15%。这样，成本决策就清楚了。在这些假设下，为供应商 B 付的 4.000 € 买不到任何进度收益，预期可避免的延误为 0.0 个工作日。从纯进度的角度看，供应商 A 是理性的选择；这笔钱是为一个风险买单，而这个风险计划已经通过它的缓冲承担了。只有当某个假设发生变化时，B 才划算：当延误明显大于 10 天时（一个进口集装箱而非区域交付），当主体结构提早很多完成、缓冲随之缩小时，或者当外立面这条路径上挂着自带违约金的中间节点时。这恰恰是一个纯确定性计划永远无法显示的。
一条诚实的旁注：这两个例子是带有各自风险开关的独立模拟运行。基准日期相对上面那条 S 曲线有一天的偏差，属于正常的抽样噪声，并非矛盾。蒙特卡洛估计的是一个分布，它不是一台有固定小数位的计算器。
案例 B：资源缺位
第二个例子拧的是另一个旋钮：不是工期，而是一个离散事件。一项关键资源可能缺位，这里是结构工程师，他参与两项活动，项目早期的结构设计和后期的结构验收。他会不会缺位，如果会，何时缺位影响更大？
请为三种情形模拟我的项目：资源「结构工程师」不缺位、
在第 3 周缺位 10 天、在第 8 周缺位 10 天。请分别向我展示
P50/P80/P90，以及哪个缺位时点对完工日期影响最大。Claude 再次用相同的随机抽样计算全部三种情形，好让差异干净地只取决于缺位：
| 情形 | P50 | P80 | P90 | 推移 |
|---|---|---|---|---|
| 不缺位 | 2026年8月21日 | 2026年8月25日 | 2026年8月25日 | 基准 |
| 早缺位（结构设计） | 2026年9月4日 | 2026年9月8日 | 2026年9月8日 | +10 工作日 |
| 晚缺位（结构验收） | 2026年9月2日 | 2026年9月4日 | 2026年9月7日 | +8 工作日 |
两种缺位都必定突破计划日期，命中概率从 50% 降到 0%。有意思的是其中的差异：早缺位影响更大。在 100% 的运行中，它把完工日期推得比晚缺位更远，平均推后 2 个工作日。原因依旧是缓冲状况，而不是时点本身。结构设计完全位于关键路径上，没有缓冲；它那十天的缺位 1:1 地传导出去，在每一次运行中都是干脆的加 10 个工作日。相比之下，结构验收能从一条并行路径中抽取一点剩余缓冲，吸收掉十天中的两天，之后它自己才成为约束性活动。剩下的是加 8 个工作日。
这就是案例 B 给出的实在教训：同样长的缺位，代价却不同，取决于受影响的活动有多少缓冲。替补、提前量和储备，首先应当用在关键路径上那些没有缓冲的资源身上。
关键路径对缓冲：共同的要点
两个例子的核心都在说同一件事：起决定作用的不是风险本身，而是它在网络图中所处的位置。同样的延误，在一个有 缓冲 的活动上不费分文，而在关键路径上则代价全失。蒙特卡洛展示的恰恰不是「延误是坏事」，而是一个风险何时会击穿、何时又被计划吸收。这就是为什么案例 A 中便宜的供应商是理性的选择，而案例 B 中的早缺位却是昂贵的：前一种情形里有缓冲接住了风险，后一种情形里缓冲缺失。如何在 Merlin Project 中有针对性地调整关键路径，请见 这份指南。
动手试一试
蒙特卡洛背后的技术已有几十年历史。新的是它变得如此简单。借助 Merlin Project 的 MCP 服务器，您的计划已经以一种 AI 能够读取和计算的形式存在。从前那个需要自行维护数据的专门插件，如今变成了对 Claude 说的一句话。
如果您已经在使用 Merlin Project，就为某个项目启用 MCP 服务器，提出您的第一个问题。设置方法见 MCP 文档。如果您还不了解 Merlin Project，可以在 产品页面 上认识它，或直接 下载试用。
您也无需手动整理结果。如有需要，Claude 会把整轮模拟汇总成一份面向相关方的完整报告。本示例项目的完整报告如下：下载蒙特卡洛报告（PDF，英文）。
如果您对这篇博客文章有任何疑问或希望参与讨论，欢迎您在我们的论坛中发帖。
常见问题
用 MCP 服务器进行蒙特卡洛模拟需要编程知识吗？
不需要。您用自然语言提出问题，Claude 会自己用代码写出模拟并运行它。前提只是一个支持代码执行的客户端，例如 Claude Code。
模拟会把更改写回我的 Merlin Project 计划吗？
不会。对于模拟，纯只读访问就足够了。AI 只读取一次计划，在 Merlin 之外进行计算，不会向实时计划写回任何内容。您的项目结构保持不受触动。
运行这次模拟需要哪种客户端？
一个支持代码执行的 MCP 客户端，例如 Claude Code。没有代码执行的纯聊天窗口无法计算这 10,000 次迭代。
我的项目数据在 MCP 服务器上安全吗？
MCP 服务器本身在您的 Mac 上本地运行，无法从远程访问；它本身不会主动上传任何内容。不过，AI 读取到的内容会在各自的服务商处处理：使用像 Claude 这样的云端客户端时，被读取的计划数据会被传输至其 API。您按项目开放 AI 可以查看的内容，并且不会有任何内容被写回计划。
入门时我的计划应该多大？
一个有意保持小巧的计划，包含 15 到 25 项活动，是理想之选：它足够大，能体现路径汇聚和一张有意义的龙卷风图；又足够小，让整段对话保持清晰易览。
