Meta Prompt MCP Server

🚀 Meta Prompt MCP

このプロジェクトは、論文「Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding」に記載されているMeta-Prompting技術の実装です。

このMCPの核心は、複雑なセットアップを必要とせずに、標準的な言語モデル（LM）を動的なマルチエージェントシステムに変換することです。これは、LMが2つの重要な役割を担うことで実現されます。

1. 指揮者（The Conductor）：複雑な問題を分析し、それを小さな論理的なサブタスクに分解し、それらを割り当てるハイレベルなプロジェクトマネージャー。
2. 専門家（The Expert）：指揮者によって「相談」され、各サブタスクを実行する専門的なエージェント（例：「Pythonプログラマー」、「コードレビュアー」、「クリエイティブライター」）。

このシステムの魅力は、このすべての協調的なワークフローが単一のLM内でシミュレートされることです。指揮者と専門家は、高度なシステムプロンプトによってガイドされる異なる動作モードであり、モデルが推論し、行動し、自らを批判しながら、より堅牢で正確な解決策を導き出すことができます。まるで、1つのモデルで動作する自動化されたAI専門家チームがあるかのようです。

🎥 デモ

🚀 クイックスタート

1. リポジトリをクローンする

まず、このリポジトリをローカルマシンにクローンします。

git clone https://github.com/tisu19021997/meta-prompt-mcp-server.git .
cd meta-prompt-mcp-server

2. uvをインストールする

このプロジェクトでは、Astralの非常に高速なPythonパッケージマネージャーであるuvを使用しています。uvがインストールされていない場合は、以下のコマンドのいずれかを使用してインストールできます。

注意: which uvを使用して、uvのインストールパスを確認してください。

macOS / Linux:

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows (PowerShell):

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

詳細については、公式のuvインストールガイドを参照してください。

💻 使用例

このMeta Prompt MCPサーバーを使用するには、クライアント（例：Cursor、Claude Desktop）を設定してサーバーに接続する必要があります。プレースホルダーのパスを、実際のマシン上のパスに置き換えてください。

Cursor

mcp.json設定に以下の構成を追加します。

"meta-prompting": {
  "command": "path/to/your/uv",
  "args": [
    "--directory",
    "path/to/your/meta-prompt-mcp",
    "run",
    "mcp-meta-prompt"
  ]
}

Claude Desktop

claude_desktop_config.json設定に以下の構成を追加します。

"meta-prompting": {
  "command": "path/to/your/uv",
  "args": [
    "--directory",
    "path/to/your/meta-prompt-mcp",
    "run",
    "mcp-meta-prompt"
  ]
}

Meta-Promptワークフローの起動

重要: このMCPの全機能を活用するには、常にmeta-promptingサーバーからmeta_model_promptを呼び出してリクエストを開始してください（その後、プロンプトでクエリを入力します。デモビデオを参照）。これは、指揮者/専門家ワークフローを起動する公式のエントリーポイントです。プロンプトを追加したら、単に問題文を提供するだけです。

📖 論文との違い

元の論文の核心的な方法論は、専門家への相談に2段階のプロセスを含んでいます。

1. 「指揮者」モデルが専門家に対する指示を生成する。
2. 別の独立したLMインスタンス（「専門家」）が、それらの指示のみで呼び出されて応答を提供する。これにより、専門家が「新鮮な視点」を持つことが保証される。

この実装では、このプロセスを単一のLLM呼び出しに簡素化しています。指揮者モデルは、専門家の名前、指示、および専門家の完全な出力を単一のツール呼び出しで生成します。これは、プロセスを高速化し、コストを削減する重要な違いですが、元の研究の「新鮮な視点」の原則から逸脱しています。

⚠️ 制限事項

このMCPサーバーのexpert_modelツールは、論文に記載されているように、2番目の独立した専門家モデル呼び出しを適切にシミュレートするためにctx.sample()関数を使用するように設計されています。ただし、この関数は、ほとんどのMCPクライアント（CursorやClaude Desktopなど）でまだ実装されていません。

この制限により、サーバーにはフォールバックメカニズムが含まれています。ctx.sample()が使用できない場合、expert_modelツールは、ツール呼び出しで指揮者モデルによって生成されたoutputコンテンツをそのまま返します。これは、専門家の応答が指揮者の単一の生成の一部であり、真の独立した相談ではないことを意味します。

📊 比較

以下は、Meta Prompt MCPを使用した場合と使用しない場合の、ClaudeにMeta Prompt MCPサーバー自体を実装するように依頼した2つの会話です。

会話には一部の情報が欠けていますが、Meta Prompt MCPを使用した実装がはるかに優れており、QA専門家に相談することで一種の「自己レビュー」も行っていることがわかります。

• Claudeの会話:
  • Meta Prompt MCPを使用した実装
  • Meta Prompt MCPを使用しない実装

📚 参考文献

• 論文: Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding