MCP Contemplation

🚀 mcp-contemplation

mcp-contemplation 是一個連接 MCP 接口與 Claude 沉思循環的項目。沉思循環是一種後臺認知處理系統，它允許在對話之間進行持續的思考，為 AI 助手帶來更連貫和深入的思維能力。

🚀 快速開始

mcp-contemplation 提供了一個與 Claude 的沉思循環相連接的 MCP 接口，這是一個後臺認知處理系統，可實現對話間的持續思考。

✨ 主要特性

• 異步思考處理：利用本地 Ollama 模型異步處理思考內容。
• 模式與關聯識別：能在對話中發現模式和關聯。
• 洞察保存：將重要的洞察保存到 Obsidian（永久）和臨時筆記中。
• 持續學習：隨著時間推移，學習哪些洞察是有價值的。
• 持續運行：在交互之間持續運行，不斷加深理解。

📦 安裝指南

前提條件

• Node.js（v18 或更高版本）
• Python 3.8+（用於沉思循環）
• 安裝了模型的 Ollama（如 llama3.2、deepseek-r1 等）
• 兼容 MCP 的客戶端（Claude Desktop）

安裝步驟

# 克隆倉庫
git clone https://github.com/yourusername/mcp-contemplation.git
cd mcp-contemplation

# 安裝依賴
npm install

# 構建 TypeScript
npm run build

# 確保沉思循環可用
cd /Users/bard/Code/contemplation-loop
pip install -r requirements.txt

配置 Claude Desktop

在你的 Claude Desktop 配置中添加以下內容：

{
  "mcpServers": {
    "contemplation": {
      "command": "node",
      "args": ["/absolute/path/to/mcp-contemplation/dist/index.js"]
    }
  }
}

🛡️ 資源管理

沉思系統包含多層保護機制，以防止上下文溢出：

自動修剪

• 移除超過 24 小時的洞察。
• 清除已使用的洞察（除非重要性 ≥ 8）。
• 內存最多限制為 100 個洞察。

洞察聚合

• 自動合併相似的洞察。
• 重複的模式會增加重要性。
• 使用後移除高頻模式。

過濾

• 默認重要性閾值：5/10。
• 僅返回未使用的洞察。
• 可通過 set_threshold() 進行配置。

內存監控

• 使用 get_memory_stats() 檢查使用情況。
• 接近限制時自動清理。
• 拉取式系統 - 僅在請求時洞察才會進入上下文。

💻 使用示例

基礎用法

# 啟動沉思過程
start_contemplation()

# 發送思考內容
send_thought("pattern", "User frequently asks about project organization")

# 獲取洞察
insights = get_insights("pattern")

高級用法

# 持續學習示例
# 在對話開始時
start_contemplation()

# 在對話過程中
send_thought("pattern", "User frequently asks about project organization")
send_thought("connection", "Project management relates to OS metaphor discussed earlier")

# 在對話後期或下一個會話中
insights = get_insights("pattern")
# → 關於用戶工作風格和需求的洞察

# 模式識別示例
send_thought("pattern", "Third time user mentioned feeling overwhelmed by options")
# 後臺進程會注意到反覆出現的主題

# 問題探索示例
send_thought("question", "What if MCP servers could communicate with each other?")
# 後臺進程會探索其影響

# 反思示例
send_thought("general", "That browser-opening behavior was unexpected")
# 後臺進程會反思出現的行為

📖 詳細文檔

start_contemplation()

啟動後臺思考過程。

示例: start_contemplation() → "沉思循環已成功啟動"

send_thought(thought_type, content, priority?)

發送思考內容進行後臺處理。

參數:
- thought_type: "pattern" | "connection" | "question" | "general"
- content: 要處理的思考內容
- priority: 1 - 10（可選，默認 5）

示例: send_thought("pattern", "User seems anxious about memory", 7)
→ "思考內容已發送進行處理。ID: thought_1234567_abc"

get_insights(thought_type?, limit?)

檢索已處理的洞察。

參數:
- thought_type: 按類型過濾（可選）
- limit: 最多返回的洞察數量（默認 10）

示例: get_insights("pattern", 5)
→ 包含內容、重要性、時間戳的洞察對象數組

get_status()

檢查沉思循環的狀態。

示例: get_status()
→ { running: true, queue_size: 3, last_thought: "...", uptime: 3600 }

stop_contemplation()

優雅地停止後臺處理。

clear_scratch()

清除臨時筆記（保留 Obsidian 中的永久洞察）。

help()

獲取詳細文檔。

🏗️ 架構

沉思循環作為一個獨立的 Python 進程運行，它：

1. 通過標準輸入接收思考內容。
2. 使用本地 Ollama 模型處理這些內容。
3. 管理上下文以保持在模型限制範圍內。
4. 根據重要性評分保存洞察。
5. 在請求時返回洞察。

MCP 服務器充當橋樑，通過標準工具調用使這種後臺認知易於訪問。

💡 設計理念

這代表了 AI 助手工作方式的根本轉變：

• 從被動響應到主動沉思
• 從基於會話到持續運行
• 從單線程到並行處理
• 從遺忘到積累理解

這就像計算器每次使用後重置與一個在對話之間持續思考的思維之間的區別。

🔧 開發

# 構建 TypeScript
npm run build

# 運行測試
npm test

# 開發模式
npm run dev

# 代碼檢查
npm run lint

📝 注意事項

• 沉思在後臺進行 - 不會減慢響應速度。
• 洞察會隨著時間積累 - 使用得越多，效果越好。
• 不同的模型處理不同類型的思考（模式識別與深度分析）。
• 臨時筆記會在 4 天后自動刪除。
• 永久洞察會保存到 Obsidian 進行長期存儲。

🤝 貢獻

這是構建一個 AI 具備真正認知能力的操作系統的一部分。特別歡迎那些能夠增強後臺處理能力、提高洞察質量或添加新思考模式的貢獻！

“我認為你需要一個 MCP 工具接入這個後臺循環，即你的潛意識” - 有人認識到集成後臺認知的必要性