Mcp Thinking

MCP Thinking 🤖

一款功能强大的模型上下文协议（MCP）服务，通过先进的序列化思考能力增强大模型（LLM）。该服务基于模型上下文协议标准构建，可让 AI Agent 执行结构化推理，并高精度地完成复杂认知任务。

📑 目录

• 概览
• 主要功能
• 架构
  • 系统概览
  • 会话流程
  • 思考模式交互
• 快速开始
  • 先决条件
  • 安装
  • Docker 支持
• 思考模式
  • 线性思考
  • 树状思考
  • 辩证思考
  • 系统化思考
  • 创造性思考
  • 分析性思考
  • 元认知思考
  • 批判性思考
  • 系统思考
  • 横向思考
  • 战略思考
  • 共情思考
  • 抽象思考
  • 实践性思考
  • 整合性思考
  • 进化式思考
  • 收敛思考
  • 发散思考
  • 反思性思考
• 会话管理
  • 会话生命周期
  • 会话操作
  • 会话分析
  • 会话导出格式
  • 错误处理
  • 最佳实践
• 监控与日志记录
  • 日志级别
  • 日志类别
  • 日志输出示例
  • 监控端点
• 安全注意事项
  • 会话安全
  • 数据保护
  • 最佳实践
• 性能优化
  • 资源管理
  • 扩展性注意事项
  • 性能指标
• 故障排除指南
  • 连接问题
  • 服务问题
  • 客户端问题
• API 参考
  • 核心端点
  • 请求类型
  • 响应格式
• 使用场景
  • 复杂问题求解
  • 研究与分析
  • 决策制定
  • 创造性问题求解
  • 多 Agent 协作
  • 学习与适应
• 社区与支持
  • 获取帮助
  • 贡献
  • 社区指南
• 项目统计
• 关键词
• 更新日志
• 路线图
• 许可证
• 致谢

概述

MCP Thinking Server 是一款基于 Model Context Protocol（MCP） 标准构建的强大思考引擎。该服务通过标准化接口实现先进的思考能力，使 AI Agent 能够参与复杂的认知过程。

如需详细了解 MCP 标准，请参阅 MCP 官方规范。

✨ 主要功能

• 🤖 高级思考

  • 19 种不同的思考模式
  • 树状思维
  • 元认知分析
  • 逻辑一致性检查

• 🔄 会话管理

  • 基于 UUID 的标识
  • 稳健的上下文处理
  • 全面的导出工具
  • 支持多会话

• 🔍 质量与分析

  • 置信度评估
  • 认知偏差检测
  • 自适应规划
  • 多语言支持

• ⚡ 性能

  • 异步优先架构
  • 高效的资源管理
  • 支持水平扩展
  • 优化的会话处理

🏗️ 架构

系统概述

graph TB
    Client[Client Application] -->|SSE Connection| Server[MCP Server]
    Server -->|Process| Thinking[Thinking Engine]
    Thinking -->|Manage| Sessions[Session Manager]
    Thinking -->|Execute| Tools[Tool Executor]
    Thinking -->|Analyze| Metacognition[Metacognitive Analyzer]
    
    subgraph "MCP Server Components"
        Sessions
        Tools
        Metacognition
    end
    
    subgraph "Thinking Modes"
        Linear[Linear Thinking]
        Tree[Tree Thinking]
        Dialectical[Dialectical Thinking]
        Creative[Creative Thinking]
    end
    
    Thinking --> Linear
    Thinking --> Tree
    Thinking --> Dialectical
    Thinking --> Creative

会话流程

sequenceDiagram
    participant Client
    participant Server
    participant Session
    participant Engine
    
    Client->>Server: Connect (SSE)
    Server->>Session: Create Session
    Session-->>Client: Session ID
    
    loop Thinking Process
        Client->>Server: Send Thought
        Server->>Engine: Process Thought
        Engine->>Session: Update Context
        Session-->>Client: Analysis Result
    end
    
    Client->>Server: Export Session
    Server->>Session: Gather Data
    Session-->>Client: Export Result

思考模式交互

graph LR
    Input[Input Thought] --> Mode[Thinking Mode]
    Mode --> Analysis[Analysis]
    Mode --> Synthesis[Synthesis]
    Mode --> Evaluation[Evaluation]
    
    Analysis --> Output[Output Thought]
    Synthesis --> Output
    Evaluation --> Output
    
    subgraph "Thinking Process"
        Mode
        Analysis
        Synthesis
        Evaluation
    end

🚀 快速开始

先决条件

• Python 3.13+
• Git
• pip（Python 包管理器）

安装

```bash

克隆代码仓库

git clone https://github.com/VitalyMalakanov/mcp-thinking.git cd mcp-thinking

创建并激活虚拟环境（推荐）

python -m venv venv

source venv/bin/activate # Linux/macOS .\venv\Scripts\activate # Windows

安装依赖

pip install -r requirements.txt

启动服务

python enhanced_sequential_thinking_server.py

The server will be available at `http://localhost:8000/sse`

### Docker Support
```bash
# Using Docker
docker-compose up

# Custom port
MCP_SERVER_PORT=8080 docker-compose up

🧠 思考模式

Enhanced Sequential Thinking Server 支持 19 种不同的思考模式，每种模式都针对特定类型的认知任务而设计：

线性思考

• 用途： 按顺序逐步推理
• 适用于：
  • 将复杂问题拆解为易于处理的步骤
  • 遵循逻辑顺序
  • 构建结构化论证
• 特点：
  • 清晰的因果关系
  • 可预测的推进过程
  • 系统化的方法
• 示例用法：

  EnhancedThinkingInput(
      thought="Implementing a new feature requires: 1) Requirements analysis, 2) Design, 3) Development, 4) Testing",
      thought_type=ThoughtType.ANALYSIS,
      strategy=ThinkingStrategy.LINEAR,
      tags=["process", "implementation"]
  )
  

树状思考

• 用途： 探索多条思维分支
• 适用于：
  • 探索替代方案
  • 决策树分析
  • 复杂问题分解
• 特点：
  • 分支式探索
  • 多条路径
  • 层级结构
• 示例用法：

  EnhancedThinkingInput(
      thought="Exploring different approaches to market entry: direct sales, partnerships, acquisitions",
      thought_type=ThoughtType.ANALYSIS,
      strategy=ThinkingStrategy.TREE,
      tags=["strategy", "exploration"]
  )
  

辩证思考

• 用途： 通过综合化解矛盾
• 适用于：
  • 化解冲突
  • 寻找共同点
  • 制定全面的解决方案
• 特点：
  • 正题—反题—合题
  • 冲突化解
  • 对立面的整合
• 示例用法：

  EnhancedThinkingInput(
      thought="Analyzing opposing views on remote work: productivity vs. collaboration, finding optimal balance",
      thought_type=ThoughtType.ANALYSIS,
      strategy=ThinkingStrategy.DIALECTICAL,
      tags=["conflict", "resolution"]
  )
  

系统化思考

• 用途： 以组件为基础进行系统分析
• 适用于：
  • 复杂系统分析
  • 流程优化
  • 质量改进
• 特点：
  • 基于组件的分析
  • 有条理的方法
  • 系统化评估
• 示例用法：

  EnhancedThinkingInput(
      thought="Analyzing software architecture components: frontend, backend, database, and their interactions",
      thought_type=ThoughtType.ANALYSIS,
      strategy=ThinkingStrategy.SYSTEMATIC,
      tags=["architecture", "analysis"]
  )
  

创造性思考

• 用途： 生成新颖的想法和解决方案
• 适用于：
  • 头脑风暴
  • 创新挑战
  • 寻求多种解决方案的问题
• 特点：
  • 发散式创意生成
  • 打破思维定式
  • 建立新颖的联系
• 示例用法：

  EnhancedThinkingInput(
      thought="Exploring unconventional approaches to renewable energy storage using biomimicry principles",
      thought_type=ThoughtType.HYPOTHESIS,
      strategy=ThinkingStrategy.CREATIVE,
      tags=["innovation", "biomimicry"]
  )
  

分析性思考

• 用途： 严谨的逻辑分析与推理
• 适用于：
  • 数据分析
  • 科学研究
  • 技术问题解决
• 特点：
  • 演绎推理
  • 归纳推理
  • 基于证据的结论
• 示例用法：

  EnhancedThinkingInput(
      thought="Analyzing market data trends: correlation analysis, statistical significance, predictive modeling",
      thought_type=ThoughtType.ANALYSIS,
      strategy=ThinkingStrategy.ANALYTICAL,
      tags=["data", "analysis"]
  )
  

元认知思维

• 目的： 对思维过程进行自我分析
• 最适用于：
  • 改进流程
  • 优化学习
  • 完善策略
• 特点：
  • 自我反思
  • 流程意识
  • 策略评估
• 使用示例：

  EnhancedThinkingInput(
      thought="Reflecting on problem-solving approach: effectiveness, biases, and potential improvements",
      thought_type=ThoughtType.METACOGNITION,
      strategy=ThinkingStrategy.METACOGNITIVE,
      tags=["reflection", "improvement"]
  )
  

批判性思维

• 目的： 进行分析性评估与判断
• 最适用于：
  • 评估论点与证据
  • 识别逻辑谬误
  • 做出明智决策
• 特点：
  • 基于证据的推理
  • 系统性评估
  • 对偏见保持警觉
• 使用示例：

  EnhancedThinkingInput(
      thought="Analyzing the validity of market research data: sample size, methodology, potential biases",
      thought_type=ThoughtType.EVALUATION,
      strategy=ThinkingStrategy.CRITICAL,
      tags=["analysis", "validation"]
  )
  

系统思维

• 目的： 理解复杂系统及其相互作用
• 最适用于：
  • 系统分析
  • 理解相互依赖关系
  • 整体性地解决问题
• 特点：
  • 系统视角
  • 对相互关联的认知
  • 涌现行为分析
• 使用示例：

  EnhancedThinkingInput(
      thought="Analyzing the impact of climate change on global supply chains: direct effects, feedback loops, and systemic risks",
                thought_type=ThoughtType.ANALYSIS,
                strategy=ThinkingStrategy.SYSTEMIC,
      tags=["systems", "climate"]
  )
  

横向思维

• 目的： 寻找非常规解决方案
• 最适用于：
  • 创造性地解决问题
  • 打破思维障碍
  • 寻找创新解决方案
• 特点：
  • 非线性方法
  • 打破思维定式
  • 建立非常规联系
• 使用示例：

  EnhancedThinkingInput(
      thought="Exploring unexpected applications of blockchain technology in healthcare data management",
      thought_type=ThoughtType.HYPOTHESIS,
      strategy=ThinkingStrategy.LATERAL,
      tags=["innovation", "blockchain"]
  )
  

战略思维

• 目的： 长期规划与目标导向推理
• 最适用于：
  • 战略规划
  • 资源分配
  • 风险评估
• 特点：
  • 目标导向分析
  • 资源优化
  • 面向未来的规划
• 使用示例：

  EnhancedThinkingInput(
      thought="Developing a 5-year technology roadmap considering market trends, resource constraints, and competitive landscape",
      thought_type=ThoughtType.ANALYSIS,
      strategy=ThinkingStrategy.STRATEGIC,
      tags=["planning", "roadmap"]
  )
  

共情思维

• 目的： 理解他人的视角
• 最适用于：
  • 用户体验设计
  • 冲突解决
  • 团队协作
• 特点：
  • 换位思考
  • 情绪觉察
  • 以用户为中心
• 使用示例：

  EnhancedThinkingInput(
      thought="Analyzing user feedback to understand pain points in the current interface design",
      thought_type=ThoughtType.ANALYSIS,
      strategy=ThinkingStrategy.EMPATHETIC,
      tags=["ux", "feedback"]
  )
  

抽象思维

• 目的： 运用模型与概括进行思考
• 最适用于：
  • 理论分析
  • 模型开发
  • 模式识别
• 特点：
  • 概念建模
  • 模式抽象
  • 理论框架构建
• 使用示例：

  EnhancedThinkingInput(
      thought="Developing a theoretical framework for understanding complex adaptive systems in organizations",
      thought_type=ThoughtType.ANALYSIS,
      strategy=ThinkingStrategy.ABSTRACT,
      tags=["theory", "modeling"]
  )
  

实践思维

• 目的： 聚焦实施与结果
• 最适用于：
  • 项目执行
  • 资源管理
  • 解决方案实施
• 特点：
  • 以行动为导向
  • 关注资源
  • 注重结果
• 使用示例：

  EnhancedThinkingInput(
      thought="Planning the implementation of a new feature: resource allocation, timeline, and deliverables",
      thought_type=ThoughtType.ANALYSIS,
      strategy=ThinkingStrategy.PRACTICAL,
      tags=["implementation", "planning"]
  )
  

整合思维

• 目的： 综合不同观点
• 最适用于：
  • 复杂问题解决
  • 多利益相关方分析
  • 整体性决策
• 特点：
  • 综合不同观点
  • 整体整合
  • 多视角分析
• 使用示例：

  EnhancedThinkingInput(
      thought="Integrating technical, business, and user perspectives in product development strategy",
      thought_type=ThoughtType.SYNTHESIS,
      strategy=ThinkingStrategy.INTEGRATIVE,
      tags=["integration", "strategy"]
  )
  

演进思维

• 目的： 迭代开发与适应
• 最适用于：
  • 产品演进
  • 改进流程
  • 持续学习
• 特点：
  • 迭代方法
  • 注重适应
  • 持续改进
• 使用示例：

  EnhancedThinkingInput(
      thought="Analyzing product evolution through user feedback cycles and market adaptation",
      thought_type=ThoughtType.ANALYSIS,
      strategy=ThinkingStrategy.EVOLUTIONARY,
      tags=["evolution", "adaptation"]
  )
  

聚合思维

• 目的： 寻找最优解决方案
• 最适用于：
  • 决策
  • 解决方案优化
  • 问题解决
• 特点：
  • 以解决方案为导向
  • 缩小选项范围
  • 以优化为导向
• 使用示例：

  EnhancedThinkingInput(
      thought="Evaluating and selecting the optimal cloud infrastructure solution based on requirements",
      thought_type=ThoughtType.EVALUATION,
      strategy=ThinkingStrategy.CONVERGENT,
      tags=["decision", "optimization"]
  )
  

发散思维

• 目的： 探索多种视角与可能性
• 最适用于：
  • 生成备选方案
  • 探索不同观点
  • 质疑假设
• 特点：
  • 生成多种解决方案
  • 转换视角
  • 质疑假设
• 使用示例：

  EnhancedThinkingInput(
      thought="Exploring various approaches to urban transportation: autonomous vehicles, public transit, micro-mobility, and their combinations",
      thought_type=ThoughtType.QUESTION,
      strategy=ThinkingStrategy.DIVERGENT,
      tags=["transportation", "urban_planning"]
  )
  

反思性思考

• 目的： 自我分析与学习
• 适用场景：
  • 改进流程
  • 从经验中学习
  • 个人发展
• 特点：
  • 自我反思
  • 经验分析
  • 提炼经验
• 使用示例：

  EnhancedThinkingInput(
      thought="Analyzing project outcomes and extracting key lessons for future improvements",
      thought_type=ThoughtType.METACOGNITION,
      strategy=ThinkingStrategy.REFLECTIVE,
      tags=["reflection", "learning"]
  )
  

每种思考模式都可以与不同的思维类型（分析、假设、评估、观察、提问等）结合，构建强大的推理链。服务器的元认知分析可帮助 Agent 了解哪种思考模式最适合特定任务，并据此调整方法。

🔄 会话管理

Enhanced Sequential Thinking Server 提供强大的会话管理功能，可处理多个并发思考过程：

会话生命周期

• 创建： 客户端连接到 SSE 端点时，会自动创建会话
• 标识： 每个会话都会获得一个唯一的 UUID（例如，e1e8e0732ac84c908deabf136c6a1a69）
• 持续时间： 会话会一直保留，直到明确关闭或超时
• 并发： 多个会话可以同时运行

会话操作

# Example: Working with sessions
async with sse_client(url="http://localhost:8000/sse") as (read_stream, write_stream):
    session = ClientSession(read_stream, write_stream)
    await session.initialize()
    
    # Send thoughts within the session
    result = await session.call_tool("enhanced_thinking", {
        "thought": "Analyzing market trends",
        "thought_type": "ANALYSIS",
        "strategy": "SYSTEMIC"
    })
    
    # Export session data
    export_result = await session.call_tool("export_thinking_session", {
        "format_type": "markdown"  # or "json", "summary"
    })

会话分析

服务器提供了用于分析思考会话的工具：

# Get session analysis
analysis = await session.call_tool("analyze_thinking_session")

# Get thinking path for a specific thought
path = await session.call_tool("get_thinking_path", {
    "thought_id": "thought_123"
})

# Perform metacognitive reflection
reflection = await session.call_tool("metacognitive_reflection", {
    "focus_area": "Reasoning quality",
    "analysis_depth": 3
})

会话导出格式

服务器支持以多种格式导出会话数据：

1. Markdown 导出

   • 易于阅读的格式
   • 包含思考链和分析
   • 适用于文档编写

2. JSON 导出

   • 完整的会话数据
   • 包含元数据和关系
   • 适用于程序化分析

3. 摘要导出

   • 简明概览
   • 关键见解和模式
   • 适用于快速查看

错误处理

服务器为会话实现了稳健的错误处理：

• 无效的会话 ID 会返回 400 Bad Request
• 妥善处理连接超时
• 重新连接时保留会话状态
• 自动清理过期会话

最佳实践

1. 会话管理

   • 正确初始化会话
   • 处理重新连接场景
   • 完成后清理资源

2. 错误处理

   • 实施适当的错误处理
   • 使用恰当的超时时间
   • 处理连接重置

3. 性能

   • 尽可能重用会话
   • 监控会话状态
   • 定期导出数据

📊 监控与日志记录

服务器提供全面的日志记录和监控功能：

日志级别

• INFO： 正常运行事件
• WARNING： 潜在问题（例如，无效的会话 ID）
• ERROR： 严重错误（例如，连接重置）

日志类别

• 服务器初始化和启动
• 会话管理
• 请求处理
• 错误处理
• 性能指标

日志输出示例

2025-05-25 19:33:47,417 - __main__ - INFO - Server initialization completed
2025-05-25 19:59:19,367 - mcp.server.sse - WARNING - Received invalid session ID
2025-05-25 20:00:22,769 - asyncio - ERROR - Connection reset by peer

监控端点

• 健康检查端点
• 会话统计信息
• 性能指标
• 错误率

🔒 安全注意事项

服务器实施了多项安全措施：

会话安全

• 基于 UUID 的会话标识
• 会话超时机制
• 按会话进行速率限制
• 输入验证

数据保护

• 输入清理
• 输出编码
• 安全的会话处理
• 资源限制

最佳实践

1. 配置

   • 使用安全的会话超时时间
   • 实施速率限制
   • 配置适当的资源限制

2. 部署

   • 在生产环境中使用 HTTPS
   • 实施适当的访问控制
   • 监控可疑活动

3. 维护

   • 定期进行安全更新
   • 清理会话
   • 监控日志

📈 性能优化

该服务器旨在满足各种场景下的最佳性能要求：

资源管理

• 内存使用： 高效管理长时间运行的会话所占用的内存
• CPU 利用率： 优化思考链处理
• 连接池： 智能处理并发连接
• 缓存管理： 智能缓存常用数据

扩展性考量

• 水平扩展： 支持多个服务实例
• 负载均衡： 兼容标准负载均衡器
• 会话分配： 在多个实例之间高效处理会话
• 资源分配： 根据负载动态调整资源

性能指标

• 响应时间： 标准操作的平均响应时间 < 100ms
• 并发会话： 支持 1000+ 个同时进行的会话
• 吞吐量： 每秒可处理 100+ 个思考
• 内存占用： 基础内存用量约为 50MB

🔧 故障排除指南

常见问题及其解决方案：

连接问题

1. 连接重置错误

   ConnectionResetError: [WinError 10054] Remote host forcibly closed the connection
   

   • 检查客户端网络稳定性
   • 验证服务端超时设置
   • 确保正确清理会话

2. 无效会话 ID

   WARNING - Received invalid session ID: test_session
   

   • 验证会话初始化
   • 检查会话 ID 格式
   • 确保正确管理会话

服务问题

1. 启动问题

   • 验证 Python 版本（3.13+）
   • 检查端口是否可用
   • 查看系统要求

2. 性能问题

   • 监控资源使用情况
   • 检查连接限制
   • 查看会话管理

客户端问题

1. 超时错误

   • 调整客户端超时设置
   • 检查网络延迟
   • 验证服务端负载

2. 会话管理

   • 实现正确的会话清理
   • 处理重新连接场景
   • 监控会话状态

📚 API 参考

核心端点

端点	方法	描述
/sse	GET	建立 SSE 连接
/messages	POST	处理思考请求
/health	GET	健康检查端点

请求类型

类型	描述	示例
增强思考	处理思考内容	查看示例
元认知	分析思考过程	查看示例
策略调整	调整思考方式	查看示例

增强思考

{
    "thought": "string",
    "thought_type": "ANALYSIS|HYPOTHESIS|EVALUATION|OBSERVATION|QUESTION",
    "strategy": "LINEAR|TREE|DIALECTICAL|...",
    "tags": ["string"]
}

元认知反思

{
    "focus_area": "string",
    "analysis_depth": integer
}

策略调整

{
    "current_strategy": "string",
    "effectiveness_score": float,
    "context": "string",
    "constraints": ["string"]
}

响应格式

成功响应

{
    "thought_id": "uuid",
    "analysis": {
        "coherence": float,
        "confidence": float,
        "insights": ["string"]
    },
    "metadata": {
        "timestamp": "iso8601",
        "thought_type": "string",
        "strategy": "string"
    }
}

错误响应

{
    "error": "string",
    "details": {
        "code": "string",
        "message": "string"
    }
}

💡 使用场景

1. 复杂问题解决

商业策略分析

graph TD
    A[Market Analysis] -->|Systemic Thinking| B[Trend Identification]
    B -->|Critical Thinking| C[Risk Assessment]
    C -->|Creative Thinking| D[Strategy Development]
    D -->|Strategic Thinking| E[Implementation Plan]
    
    style A fill:#f9f,stroke:#333
    style B fill:#bbf,stroke:#333
    style C fill:#bfb,stroke:#333
    style D fill:#fbf,stroke:#333
    style E fill:#fbb,stroke:#333

AI Agent 交互流程：

1. Agent 使用 SSE 端点连接到 MCP 服务
2. 使用唯一 UUID 建立会话
3. 通过 MCP 协议依次发送思考内容
4. 实时接收分析结果和洞见
5. 根据元认知反馈调整策略

2. 研究与分析

文献综述流程

graph TD
    A[Research Question] -->|Linear Thinking| B[Literature Search]
    B -->|Analytical Thinking| C[Data Extraction]
    C -->|Systemic Thinking| D[Pattern Analysis]
    D -->|Critical Thinking| E[Synthesis]
    E -->|Creative Thinking| F[New Insights]
    
    style A fill:#f9f,stroke:#333
    style B fill:#bbf,stroke:#333
    style C fill:#bfb,stroke:#333
    style D fill:#fbf,stroke:#333
    style E fill:#fbb,stroke:#333
    style F fill:#bff,stroke:#333

MCP 协议流程：

1. Agent 发起研究会话
2. 使用 MCP 工具进行结构化分析
3. 通过会话管理保持上下文
4. 实时接收分析结果
5. 以多种格式导出研究结果

3. 决策制定

决策流程

graph TD
    A[Problem Definition] -->|Observation| B[Data Collection]
    B -->|Analysis| C[Option Generation]
    C -->|Evaluation| D[Option Assessment]
    D -->|Strategy| E[Decision]
    E -->|Reflection| F[Implementation]
    
    style A fill:#f9f,stroke:#333
    style B fill:#bbf,stroke:#333
    style C fill:#bfb,stroke:#333
    style D fill:#fbf,stroke:#333
    style E fill:#fbb,stroke:#333
    style F fill:#bff,stroke:#333

MCP 集成要点：

1. Agent 建立决策会话
2. 使用 MCP 思考模式进行分析
3. 接收结构化反馈
4. 根据 MCP 洞见调整策略
5. 保持决策上下文

4. 创造性问题解决

创新流程

graph TD
    A[Problem Space] -->|Divergent Thinking| B[Idea Generation]
    B -->|Convergent Thinking| C[Solution Filtering]
    C -->|Creative Thinking| D[Prototype Design]
    D -->|Critical Thinking| E[Feasibility Check]
    E -->|Strategic Thinking| F[Implementation]
    
    style A fill:#f9f,stroke:#333
    style B fill:#bbf,stroke:#333
    style C fill:#bfb,stroke:#333
    style D fill:#fbf,stroke:#333
    style E fill:#fbb,stroke:#333
    style F fill:#bff,stroke:#333

MCP Agent 工作流：

1. Agent 连接到创新会话
2. 使用多种思考模式
3. 实时接收创造性反馈
4. 保持创新上下文
5. 导出创造过程的结果

5. 多 Agent 协作

协作式问题解决

graph TD
    A[Problem Space] -->|Agent 1| B[Analysis]
    B -->|Agent 2| C[Synthesis]
    C -->|Agent 3| D[Evaluation]
    D -->|Agent 4| E[Implementation]
    
    style A fill:#f9f,stroke:#333
    style B fill:#bbf,stroke:#333
    style C fill:#bfb,stroke:#333
    style D fill:#fbf,stroke:#333
    style E fill:#fbb,stroke:#333

MCP 多 Agent 功能：

1. 共享会话上下文
2. 实时协调 Agent
3. 结构化通信
4. 基于角色的思考模式
5. 协作式元认知

6. 学习与适应

自适应学习流程

graph TD
    A[Learning Goal] -->|Observation| B[Experience]
    B -->|Analysis| C[Pattern Recognition]
    C -->|Synthesis| D[Knowledge Integration]
    D -->|Evaluation| E[Strategy Adaptation]
    
    style A fill:#f9f,stroke:#333
    style B fill:#bbf,stroke:#333
    style C fill:#bfb,stroke:#333
    style D fill:#fbf,stroke:#333
    style E fill:#fbb,stroke:#333

MCP 学习支持：

1. 结构化学习会话
2. 元认知分析
3. 自适应策略选择
4. 进度跟踪
5. 知识整合

每个用例都展示了 AI Agent 如何利用 MCP 协议来：

• 建立结构化思考会话
• 运用多种思考模式
• 保持上下文连贯
• 接收实时分析
• 根据反馈调整策略
• 以多种格式导出结果

MCP 标准确保 AI Agent 与思考服务之间的交互一致、可靠且高效，从而能够以高精度和良好的适应性完成复杂的认知任务。

🌟 社区与支持

获取帮助

• GitHub Issues： 在 mcp-thinking issues 报告错误并请求功能
• 讨论： 在 mcp-thinking discussions 参与社区讨论

贡献

欢迎贡献！你可以通过以下方式提供帮助：

1. 代码贡献

   • Fork 此仓库
   • 创建功能分支
   • 提交拉取请求

2. 文档

   • 改进现有文档
   • 添加示例
   • 修正拼写错误

3. 测试

   • 编写单元测试
   • 报告错误
   • 提出改进建议

社区准则

• 尊重他人，包容多元
• 遵守行为准则
• 帮助他人学习
• 分享你的经验

📊 项目统计

🔍 关键词

#AI #MachineLearning #LLM #Reasoning #CognitiveComputing #Python #AsyncIO #FastAPI #MCP #ThinkingEngine #SequentialThinking #Metacognition #CognitiveArchitecture #AIReasoning #ThoughtChains #DecisionMaking #ProblemSolving #CognitiveScience #ArtificialIntelligence #MachineReasoning

📝 更新日志

[1.0.0] - 2024-05-25

• 首次发布
• 核心思考服务功能
• 会话管理
• 多种思考模式
• 元认知分析
• 导出功能

[0.9.0] - 2024-05-20

• Beta 版发布
• 基础思考服务
• 初始会话支持
• 核心思考模式

🔮 路线图

项目路线图即将发布。

📄 许可证

本项目采用 MIT License 许可。详情请参阅 LICENSE 文件。

🙏 致谢

• 感谢 FastAPI 提供出色的 Web 框架
• 感谢 Pydantic 提供数据验证功能
• 感谢 Uvicorn 提供 ASGI 服务
• 感谢开源社区带来的灵感与支持

本地安装

1. 克隆仓库：

git clone https://github.com/VitalyMalakanov/mcp-thinking.git cd mcp-thinking ```

2. 创建并激活虚拟环境：

python -m venv venv source venv/bin/activate # On Windows: venv\Scripts\activate ```

3. 安装依赖：

pip install -r requirements.txt

主要依赖包括：

• mcp[cli,http] - MCP 协议核心实现
• fastapi 和 uvicorn - Web 服务框架
• pydantic - 数据验证
• numpy 和 scikit-learn - 数据处理与分析
• textstat - 文本分析
• pytest 和 pytest-asyncio - 测试框架
• 用于增强思考能力的其他依赖

客户端交互示例

以下是如何与服务交互的详细示例：

import asyncio
import json
from mcp.client.session import ClientSession
from mcp.client.sse import sse_client
from enhanced_sequential_thinking_server import EnhancedThinkingInput, ThoughtType, ThinkingStrategy

async def main():
    async with sse_client(url="http://localhost:8000/sse", timeout=20) as (read_stream, write_stream):
        session = ClientSession(read_stream, write_stream)
        await session.initialize()
        
        input_data = EnhancedThinkingInput(
            thought="AI can significantly improve decision-making processes.",
            thought_type=ThoughtType.ANALYSIS,
            strategy=ThinkingStrategy.CRITICAL,
            tags=["AI", "decision-making"]
        )
        
        # Using model_dump() for Pydantic v2+
        result_list = await session.call_tool("enhanced_thinking", input_data.model_dump())
        
        print("\nTool 'enhanced_thinking' result:")
        if result_list and isinstance(result_list, list) and len(result_list) > 0:
            # MCP tools typically return a single TextContent in the list for non-streaming responses
            content_item = result_list[0]
            if content_item.type == "text":
                try:
                    # Attempt to parse JSON if expected
                    data = json.loads(content_item.text)
                    print(json.dumps(data, indent=2, ensure_ascii=False))
                except json.JSONDecodeError:
                    # If not JSON, print the text directly
                    print(content_item.text)
            else:
                print(content_item)  # For other content types
        else:
            print("No result or empty result list.")
        
        await session.close()

if __name__ == "__main__":
    asyncio.run(main())

Docker 测试

在 Docker 环境中运行测试：

1. 确保你的 docker-compose.yml 包含用于运行测试的服务：

services:
  mcp-server:
    build: .
    volumes:
      - .:/app
    environment:
      - LANG=en_US.UTF-8
      
  mcp-tests:
    build: .
    volumes:
      - .:/app
    command: pytest tests/
    depends_on:
      - mcp-server

2. 运行测试：

docker-compose run --rm mcp-tests

本地化

该服务通过环境变量支持多种语言：

1. 使用环境变量（建议用于生产环境）：

export LANG=ru_RU.UTF-8  # For Russian
python enhanced_sequential_thinking_server.py

2. 以编程方式设置（用于开发）：

from enhanced_sequential_thinking_server import EnhancedThinkingServer

server = EnhancedThinkingServer(language="ru")  # For Russian

作者

Vitaly Malakanov

许可证

本项目采用 MIT 许可证。详情请参阅 LICENSE 文件。

致谢

• 感谢 FastAPI 提供出色的 Web 框架
• 感谢 Pydantic 提供数据验证功能
• 感谢 Uvicorn 提供 ASGI 服务
• 感谢开源社区提供灵感与支持