Sequential Thinking Multi-Agent System (MAS)

Sequential Thinking Multi-Agent System（MAS）

English | 简体中文

这是一个 MCP 服务，通过一组专业 AI Agent 处理连续思考，每个 Agent 都从不同的认知视角分析问题。

这是什么

这是一个 MCP 服务，而不是独立应用。它作为后台服务运行，为兼容 MCP 的大模型客户端（如 Claude Desktop）扩展结构化的连续思考能力。它提供一个工具 sequentialthinking，让每个思考都经过固定的多 Agent 工作流：先进行初步综合，再由多个专业 Agent 并行思考，最后进行综合并回答原始问题。

工作原理

系统对每个请求都使用固定的 full_exploration 策略。AI 复杂度分析器仍会运行，以记录诊断元数据（复杂度分数、问题类型、所需思考模式），但不再改变执行路径——所有思考都采用相同流程：

flowchart TD
    A[Input Thought] --> B[AI Complexity Analyzer]
    B --> C[Complexity Metadata Stored]
    C --> D[Fixed Strategy: full_exploration]
    D --> E[Step 1: Initial Synthesis]
    E --> F[Step 2: Parallel Specialist Agents]
    F --> G[Step 3: Final Synthesis]
    G --> H[Unified Response]

专业 Agent

每个请求都会并行运行六个专业 Agent，此外还会运行一个综合 Agent 两次（开始时一次，结束时一次）。除综合 Agent 外，每个专业 Agent 都可以选择使用 ExaTools 进行网络研究。

Agent	思考方向	重点	时间预算
事实型	factual	客观事实和已验证的数据	120s
情感型	emotional	直觉和本能反应	30s
批判型	critical	风险、弱点、逻辑缺陷	120s
乐观型	optimistic	优势、机会、价值	120s
创意型	creative	新想法和替代方案	240s
元认知型	metacognitive	偏见检测和推理过程评估	90s
综合型	synthesis	整合并给出最终答案	60s

主要特性：

• 确定性：每个请求都会运行相同的多步骤流程。
• 并行：专业 Agent 使用 asyncio.gather 同时运行。
• 由综合驱动：编排过程和最终答案都由综合 Agent 提供，该 Agent 使用增强模型。

模型策略

每个提供商配置两个模型：

• 增强模型：供综合 Agent 使用（整合任务）。
• 标准模型：供专业 Agent 使用。

研究能力

除综合 Agent 外，所有 Agent 均配置了 ExaTools。研究是可选的——只有在设置了 EXA_API_KEY 时才会启用。未设置时，系统仅依靠推理运行。

sequentialthinking 工具

该服务提供一个 MCP 工具。

输入

{
  thought: string,               // One focused reasoning step
  thoughtNumber: number,         // 1-based step index; increment each call
  totalThoughts: number,         // Planned number of steps
  nextThoughtNeeded: boolean,    // true for intermediate steps, false on final step
  isRevision: boolean,           // true only when revising earlier conclusions
  branchFromThought?: number,    // Set with branchId to branch from a prior step
  branchId?: string,             // Branch identifier (required when branching)
  needsMoreThoughts: boolean     // true only when extending beyond totalThoughts
}

输出

{
  should_continue: boolean,      // Canonical continuation signal
  next_thought_number: number?,  // Recommended next thoughtNumber
  stop_reason: string,           // Why to continue/stop/retry
  current_thought_number: number,
  total_thoughts: number,
  next_call_arguments?: {        // Suggested next-call arguments when applicable
    thoughtNumber: number,
    totalThoughts: number,
    nextThoughtNeeded: boolean,
    needsMoreThoughts: boolean
  },
  parameter_usage: Record<string, string>
}

调用约定

• 将此工具视为多步骤循环，而不是一次性调用。
• 每次收到响应后，都要读取 structuredContent.should_continue。
• 持续调用，直到 should_continue 为 false。
• 主动运用反思：当某一步质量较差或不正确时，发送一个 isRevision=true 的修订步骤。
• 构建下一次请求时，优先使用 structuredContent.next_thought_number 和 next_call_arguments。

支持的提供商

提供商	环境变量	默认增强模型	默认标准模型
DeepSeek（默认）	DEEPSEEK_API_KEY	deepseek-chat	deepseek-chat
Groq	GROQ_API_KEY	openai/gpt-oss-120b	openai/gpt-oss-20b
OpenRouter	OPENROUTER_API_KEY	deepseek/deepseek-chat-v3-0324	deepseek/deepseek-r1
GitHub Models	GITHUB_TOKEN	openai/gpt-5	openai/gpt-5-min
Anthropic	ANTHROPIC_API_KEY	claude-3-5-sonnet-20241022	claude-3-5-haiku-20241022
Ollama	无	devstral:24b	devstral:24b

安装

前置条件

• Python 3.10+
• 上述任一提供商的 LLM API 密钥
• 可选：用于网络研究的 EXA_API_KEY
• uv 包管理器（推荐）或 pip

安装

git clone https://github.com/FradSer/mcp-server-mas-sequential-thinking.git
cd mcp-server-mas-sequential-thinking

uv pip install .        # or: pip install .

配置 MCP 客户端

添加到 MCP 客户端配置中：

{
  "mcpServers": {
    "sequential-thinking": {
      "command": "mcp-server-mas-sequential-thinking",
      "env": {
        "LLM_PROVIDER": "deepseek",
        "DEEPSEEK_API_KEY": "your_api_key",
        "EXA_API_KEY": "your_exa_key_optional"
      }
    }
  }
}

环境变量

# LLM provider (required)
LLM_PROVIDER="deepseek"  # deepseek, groq, openrouter, github, anthropic, ollama
DEEPSEEK_API_KEY="sk-..."

# Optional: override the models per provider (prefixed by provider name)
# DEEPSEEK_ENHANCED_MODEL_ID="deepseek-chat"
# DEEPSEEK_STANDARD_MODEL_ID="deepseek-chat"

# Optional: web research (enables ExaTools)
# EXA_API_KEY="your_exa_api_key"

# Optional: custom endpoint
# LLM_BASE_URL="https://custom-endpoint.com"

# Optional: team orchestration mode (standard/broadcast, route, coordinate)
# TEAM_MODE="standard"

直接运行服务

mcp-server-mas-sequential-thinking        # installed script
uv run mcp-server-mas-sequential-thinking  # or via uv

开发

# Install with dev dependencies
uv pip install -e ".[dev]"

# Code quality
uv run ruff check . --fix
uv run ruff format .
uv run mypy .

# Run tests
uv run pytest tests/

# Or use the Makefile
make test        # all tests with coverage + quality checks
make test-fast   # fast run without coverage
make check-all   # all quality checks

使用 MCP Inspector 测试

npx @modelcontextprotocol/inspector uv run mcp-server-mas-sequential-thinking

打开 http://127.0.0.1:6274/ 并测试 sequentialthinking 工具。

Token 消耗警告

与单 Agent 工具相比，多 Agent 架构消耗的 token 显著更多——每次 sequentialthinking 调用大约多出 5-10 倍，因为每次调用都会触发多个专门 Agent。其代价是获得更深入、更多视角的分析。

项目结构

mcp-server-mas-sequential-thinking/
├── src/mcp_server_mas_sequential_thinking/
│   ├── main.py                          # MCP server entry point (MCPServer)
│   ├── processors/
│   │   ├── multi_thinking_core.py       # Specialist agent definitions
│   │   └── multi_thinking_processor.py  # Parallel sequence execution
│   ├── routing/
│   │   ├── ai_complexity_analyzer.py    # AI complexity analysis
│   │   ├── complexity_types.py          # Complexity metric models
│   │   └── multi_thinking_router.py     # Fixed full_exploration routing
│   ├── services/
│   │   ├── server_core.py               # ThoughtProcessor implementation
│   │   ├── processing_orchestrator.py   # Agno Team orchestration
│   │   ├── workflow_executor.py
│   │   └── context_builder.py
│   ├── infrastructure/
│   │   ├── persistent_memory.py         # SQLite session storage
│   │   └── learning_resources.py        # Agent learning machine
│   ├── security/rate_limiter.py         # Rate limiting and request validation
│   └── config/
│       ├── modernized_config.py         # Provider strategies
│       └── constants.py                 # System constants
├── scripts/mcp_python_client_smoke.py   # Protocol smoke test
├── tests/                               # Unit and integration tests
├── pyproject.toml
└── Makefile

更新日志

版本历史请参阅 CHANGELOG.md。

贡献

欢迎贡献。请确保：

1. 代码符合项目风格（ruff、mypy）
2. 提交消息采用约定式提交格式
3. 提交 PR 前所有测试均通过
4. 按需更新文档

许可证

本项目尚未声明许可证。如果需要复用本项目，请参阅 许可证讨论。

致谢

• 使用 Agno v2.x 构建
• Model Context Protocol 由 Anthropic 提供
• 研究能力由 Exa 提供支持（可选）
• 多维思考的灵感来自 Edward de Bono 的研究成果

支持

• GitHub Issues：报告 Bug 或请求功能
• 文档：请参阅 CLAUDE.md，了解实现说明
• MCP 协议：MCP 官方文档