Concept Activation Network (CAN) MCP Server

概念激活网络（CAN）MCP 服务

概念激活网络（CAN）MCP 服务通过模型上下文协议（MCP）实现并行关联思维方法。与顺序思维方法不同，CAN 在相互连接的概念网络上运行，激活在网络中并行扩散，直至形成连贯的模式或解决方案。

核心概念

并行概念激活

传统的 AI 推理通常依赖循序渐进的思维过程。CAN 采用了截然不同的方法：

1. 网络结构：知识以相互连接的概念网络表示
2. 并行激活：收到提示后，激活能量会同时沿多条路径扩散
3. 涌现模式：解决方案会以高激活度相关概念构成的稳定模式呈现
4. 非线性探索：同时探索多条概念路径

这种方法受到人类认知理论的启发；这些理论认为，我们的思考往往依靠联想，而非纯粹的顺序逻辑。

核心组件

CAN 系统包含：

1. 概念节点：表示概念、想法或元素的独立单元
2. 加权连接：概念之间强度各异的链接
3. 激活动力学：控制激活如何在网络中扩散的算法
4. 模式检测：用于识别已激活概念所涌现结构的方法

安装

# Clone the repository
git clone https://github.com/psikosen/can-mcp-server.git
cd can-mcp-server

# Install dependencies
npm install

# Start the server
npm start

在 Claude Desktop 中配置

若要在 Claude Desktop 中使用 CAN MCP 服务，请将以下内容添加到 claude_desktop_config.json：

{
  "mcpServers": {
    "can": {
      "command": "node",
      "args": ["yourpath/can-mcp-server/can-server.js"]
    }
  }
}

MCP 工具

CAN MCP 服务提供以下工具：

会话管理

• create_session：创建新的 CAN 会话
• get_all_sessions：列出所有活动会话
• delete_session：删除会话

概念管理

• add_concept：向网络添加概念
• remove_concept：从网络中移除概念
• add_connection：在概念之间创建连接
• remove_connection：移除概念之间的连接

激活过程

• set_parameters：配置激活参数
• set_initial_activation：设置概念的初始激活值
• run_activation_iteration：运行一次激活扩散迭代
• run_until_convergence：运行多次迭代，直至收敛

分析

• get_top_activated_concepts：获取激活度最高的概念
• identify_emergent_patterns：查找相关激活概念的集群
• generate_summary：生成过程的综合摘要
• get_activation_history：获取激活状态历史记录

使用示例

以下是基于 CAN 进行思考的基本流程：

1. 创建会话：初始化新的概念网络
2. 添加概念：定义与问题相关的关键概念
3. 创建连接：建立相关概念之间的关系
4. 配置参数：设置激活阈值、衰减率等
5. 设置初始激活：激活与查询相对应的概念
6. 运行激活过程：让激活持续扩散，直至收敛
7. 识别模式：查找代表潜在解决方案的涌现模式
8. 生成响应：基于涌现模式综合生成响应

将 CAN 与 Claude 配合使用

将 CAN 与 Claude 配合使用时，可以按照以下模式构造提示词：

SYSTEM: You are operating as a Concept Activation Network. Instead of thinking sequentially, 
you will simulate parallel concept activation bursts across your knowledge graph.

ACTIVATION PARAMETERS:
- Initial concepts: [key concepts from the query]
- Activation threshold: [0.7] 
- Max iterations: [5]
- Convergence criteria: [activation change < 0.1]

PROCESS:
1. PROJECT: Map the query to initial concept nodes
2. BURST: Simulate parallel activation spreading (5 most activated concepts per iteration)
3. CONVERGE: Identify emergent patterns and resonances
4. INTEGRATE: Synthesize the stable activation pattern into a coherent response

Begin by identifying the core concepts in the query, then simulate how activation would spread 
through your knowledge graph. Report the most strongly activated concept clusters after 
convergence before providing your final answer.

这会指示 Claude 将 CAN MCP 服务用作思维方法，使响应源于并行概念激活，而非线性推理。

何时使用 CAN，何时使用 Sequential Thinking

CAN 尤其适用于：

• 创意挑战：需要创新关联的场景
• 联想问题：需要关联不同概念的任务
• 多视角分析：需要考虑多个观点的场景
• 复杂模式识别：识别不明显的关系
• 直觉推理：结构化逻辑效果较差的问题

Sequential Thinking 可能更适用于：

• 逻辑推演：逐步推理任务
• 程序性问题：定义明确、步骤清晰的流程
• 数学推理：形式证明和计算
• 线性叙事：创作顺序连贯的故事或说明

贡献

欢迎为改进 CAN MCP 服务做出贡献！请提交拉取请求，或提出问题以讨论可能的改进。

许可证

本项目采用 MIT 许可证，详情请参阅 LICENSE 文件。