Mirror MCP

🚀 mirror-mcp

mirror-mcp 是一個模型上下文協議（MCP）服務器，它提供了一個 reflect 工具，使大語言模型（LLMs）能夠通過遞歸提問和 MCP 採樣進行自我反思和內省。

🚀 快速開始

mirror-mcp 允許人工智能模型通過提供反思機制來“審視自身”。當大語言模型使用 reflect 工具時，它可以向自己提出問題，並通過模型上下文協議的採樣功能獲得答案。這為自我分析、推理驗證和迭代解決問題創建了一個強大的反饋循環。

✨ 主要特性

• 🪞 自我反思工具：使大語言模型能夠向自己提問並接收計算後的響應。
• 🔄 MCP 採樣集成：使用模型上下文協議的採樣機制來生成響應。
• 📦 可通過 npm 安裝：易於安裝和部署。
• ⚡ 輕量級：依賴項極少，啟動速度快。
• 🔧 可配置：可自定義反思參數和採樣選項。

📦 安裝指南

VS Code 快速安裝

MCP 主機配置

對於其他與 MCP 兼容的客戶端，請添加以下配置：

{
  "type": "stdio",
  "command": "npx", 
  "args": ["mirror-mcp@latest"]
}

通過 npm 安裝

npm install -g mirror-mcp

通過 npx 運行（無需安裝）

npx mirror-mcp

從源代碼安裝

git clone https://github.com/toby/mirror-mcp.git
cd mirror-mcp
npm install
npm run build
npm start

💻 使用示例

基礎用法

{
  "name": "reflect",
  "arguments": {
    "question": "How confident am I in my previous analysis of the data?",
    "context": "Previous analysis showed a 23% increase in user engagement",
    "max_tokens": 300,
    "temperature": 0.6
  }
}

高級用法

{
  "name": "reflect",
  "arguments": {
    "question": "What are the potential weaknesses in my reasoning?",
    "system_prompt": "You are an expert critical thinking coach helping to identify logical fallacies and reasoning gaps.",
    "user_prompt": "Analyze my reasoning step-by-step and provide specific examples of potential weaknesses or blind spots.",
    "context": "Working on a complex machine learning model evaluation",
    "max_tokens": 400,
    "temperature": 0.7
  }
}

響應示例

{
  "reflection": "Upon reflection, my confidence in the 23% engagement increase analysis is moderate to high. The data sources appear reliable, and the methodology follows standard practices. However, I should consider potential confounding variables such as seasonal effects or concurrent marketing campaigns that might influence the results.",
  "metadata": {
    "tokens_used": 67,
    "reflection_time_ms": 1240
  }
}

📚 詳細文檔

API 參考

工具

reflect

使大語言模型能夠向自己提出問題，並通過 MCP 採樣獲得響應。該工具支持自定義系統提示和用戶提示，以幫助大語言模型自我引導獲得所需的響應。

使用自定義提示進行自我引導：

• 系統提示：定義反思的角色或視角（例如，“專家教練”、“批判性思考者”、“創造性問題解決者”）。
• 用戶提示：指定反思響應的格式、結構或重點。
• 默認行為：當未提供自定義提示時，使用內置的反思指導，重點關注優勢、劣勢、假設和替代觀點。

參數：

• question（字符串，必需）：大語言模型想要向自己提出的問題。
• context（字符串，可選）：反思的額外上下文信息。
• system_prompt（字符串，可選）：自定義系統提示，用於引導反思方式。
• user_prompt（字符串，可選）：自定義用戶提示，用於替代默認的反思指令。
• max_tokens（數字，可選）：響應的最大令牌數（默認值：500）。
• temperature（數字，可選）：採樣溫度（默認值：0.8）。

🔧 技術細節

設計理念

mirror-mcp 基於自我反思對強大的人工智能推理至關重要這一原則構建。通過使模型能夠質疑自己的輸出和推理過程，我們為以下方面創造了機會：

• 錯誤檢測：模型可以識別其邏輯中的潛在缺陷。
• 置信度校準：自我評估有助於衡量確定性水平。
• 迭代改進：反思性提問可以帶來更好的解決方案。
• 元認知意識：理解模型自身的推理過程。

技術架構

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   LLM Client    │───▶│   mirror-mcp    │───▶│  MCP Sampling   │
│                 │    │                 │    │   Infrastructure │
│ Calls reflect() │    │ Processes       │    │                 │
│                 │◀───│ reflection      │◀───│ Returns response│
└─────────────────┘    └─────────────────┘    └─────────────────┘

關鍵組件

1. 反思引擎：處理傳入的自我引導問題。
2. 採樣接口：與 MCP 的採樣功能進行交互。
3. 上下文管理器：維護對話上下文，以實現連貫的反思。
4. 響應格式化器：構建反思響應，以便於最佳消費。

為什麼選擇 MCP？

模型上下文協議 為人工智能模型與外部資源和工具的連接提供了一種標準化方式。通過將 mirror-mcp 實現為 MCP 服務器，我們確保：

• 互操作性：可與任何與 MCP 兼容的客戶端一起使用。
• 標準化：遵循既定的工具集成協議。
• 可擴展性：可與其他 MCP 服務器一起部署。
• 面向未來：受益於 MCP 生態系統的持續發展。

採樣策略

反思機制利用 MCP 的採樣功能來生成深思熟慮的響應。採樣過程如下：

1. 將自我引導問題作為提示。
2. 應用可配置的採樣參數（溫度、最大令牌數）。
3. 使用底層模型生成響應。
4. 返回帶有適當元數據的反思結果。

這種方法確保反思使用與原始推理相同的模型功能生成，從而實現真實的自我評估。

🔨 開發相關

前提條件

• Node.js 18 或更高版本
• npm 或 yarn
• TypeScript（用於開發）

開發設置

git clone https://github.com/toby/mirror-mcp.git
cd mirror-mcp
npm install
npm run dev

測試

npm test

構建

npm run build

🤝 貢獻指南

我們歡迎貢獻！請參閱我們的 貢獻指南 瞭解詳細信息。

貢獻領域

• 增強反思策略
• 增加採樣參數
• 性能優化
• 文檔改進
• 測試覆蓋率擴展

🌟 相關項目

• Model Context Protocol：基礎協議規範。
• MCP 生態系統：各種其他 MCP 服務器和工具。

📄 許可證

本項目採用 MIT 許可證 - 有關詳細信息，請參閱 LICENSE 文件。

🙏 致謝

• 模型上下文協議團隊創建了基礎規範。
• 致力於元認知和自我反思的更廣泛的人工智能研究社區。
• 幫助塑造此工具的貢獻者和早期採用者。

“未經審視的生活是不值得過的” - 蘇格拉底

使用 mirror-mcp 讓你的人工智能模型審視自己的推理過程。