Meta Prompt MCP Server

🚀 Meta Prompt MCP

本項目實現了論文 "Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding" 中的 元提示（Meta-Prompting） 技術。

核心而言，這個 Meta Prompt MCP 無需複雜設置，就能將標準的語言模型（LM）轉變為一個動態的多智能體系統。其工作原理是讓語言模型承擔兩個關鍵角色：

1. 指揮者（The Conductor）：作為高級項目管理者，分析複雜問題，將其分解為更小的邏輯子任務，並進行任務分配。
2. 專家（The Expert）：專業的智能體（如 “Python 程序員”、“代碼審查員”、“創意作家” 等），由指揮者 “諮詢” 以執行每個子任務。

神奇之處在於，整個協作工作流程是在 單個語言模型 內模擬實現的。指揮者和專家是由複雜的系統提示引導的不同操作模式，使模型能夠進行推理、行動和自我批判，從而得出更強大、更準確的解決方案。這就好比你擁有一支由一個模型驅動的自動化 AI 專家團隊。

🚀 快速開始

1. 克隆倉庫

首先，將本倉庫克隆到本地機器。

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

2. 安裝 uv

本項目使用 uv，這是 Astral 開發的一個極快的 Python 包管理器。如果你尚未安裝，可以使用以下命令之一進行安裝。 注意：使用 which uv 可查看 uv 的安裝路徑。

macOS / Linux：

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

Windows (PowerShell)：

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

更多詳細信息，請參閱 官方 uv 安裝指南。

✨ 主要特性

• 無需複雜設置，將標準語言模型轉變為動態多智能體系統。
• 在單個語言模型內模擬協作工作流程，提高效率。
• 模型能進行推理、行動和自我批判，得出更準確的解決方案。

💻 使用示例

基礎用法

要使用這個 Meta Prompt MCP 服務器，你需要配置客戶端（如 Cursor、Claude Desktop）以連接到它。確保將佔位符路徑替換為你機器上的實際路徑。

Cursor

在你的 mcp.json 設置中添加以下配置：

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

Claude Desktop

在你的 claude_desktop_config.json 設置中添加以下配置：

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

高級用法

重要提示：要充分發揮此 MCP 的強大功能，始終從 meta-prompting 服務器調用 meta_model_prompt（然後在查詢中填入你的提示，參見演示視頻）來啟動請求。這是激活指揮者/專家工作流程的官方入口。添加提示後，只需提供你的問題陳述即可。

🔧 技術細節

與論文的差異

原論文 中的核心方法涉及一個分兩步的專家諮詢過程：

1. “指揮者” 模型為專家生成指令。
2. 調用一個單獨的、獨立的語言模型實例（“專家”），僅使用這些指令來提供響應，以確保專家有 “全新視角”。

而本實現將該過程簡化為一次大語言模型調用。指揮者模型在一次工具調用中生成專家的名稱、指令以及 專家的完整輸出。這是一個顯著的差異，使過程更快、成本更低，但偏離了原研究的 “全新視角” 原則。

侷限性

此 MCP 服務器中的 expert_model 工具旨在使用 ctx.sample() 函數，以正確模擬論文中描述的第二次獨立專家模型調用。然而，大多數 MCP 客戶端（如 Cursor 和 Claude Desktop）尚未實現此函數。

由於這一限制，服務器包含了一個備用機制。當 ctx.sample() 不可用時，expert_model 工具僅返回指揮者模型在工具調用中生成的 output 內容。這意味著專家的響應是指揮者單次生成的一部分，而非真正的獨立諮詢。

📚 詳細文檔

對比

以下是我要求 Claude 分別在使用和不使用 Meta Prompt MCP 的情況下實現 Meta Prompt MCP 服務器的兩次對話。

對話中有些內容缺失，但你可以看到使用 Meta Prompt MCP 的實現要好得多，並且它還通過諮詢 QA 專家進行了某種 “自我審查”。

• Claude 對話：
  • 使用 Meta Prompt MCP 的實現
  • 未使用 Meta Prompt MCP 的實現

📄 參考文獻

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