Chain Of Draft Prompt Tool

🚀 MCP 鏈表

MCP（Model Context Protocol）鏈表是一種用於管理模型上下文交互的協議，此項目實現了基於 Chain of Drafts (CoD) 方法的推理服務器，支持多種編程語言和工具接口，為模型上下文交互管理提供了高效且靈活的解決方案。

🚀 快速開始

Python 使用示例

要在 Python 中使用此庫，請按照以下步驟操作：

# 安裝依賴項
pip install mcp-chain

# 啟動服務
python -m mcp_chain.server

JavaScript 使用示例

要在 JavaScript 中使用此庫，請執行以下命令：

# 安裝依賴項
npm install mcp-chain

# 啟動服務
node src/index.js

✨ 主要特性

• MCP 兼容性：完全遵循 MCP 協議規範。
• 多語言支持：提供 Python 和 JavaScript/TypeScript 實現。
• 可擴展插件系統：允許集成自定義 LLM 提供商和模型。
• 性能監控：內置分析工具用於跟蹤推理效率。

📦 安裝指南

MCP 鏈表實現

# 啟動 MCP 鏈表服務
npm run start

# 或手動運行
node dist/index.js

此命令將：

1. 在默認端口啟動 MCP 服務器。
2. 提供完整的 CoD 推理功能。
3. 支持與 MCP 客戶端的交互。

啟動監控工具

# 啟動監控工具
npm run inspect

# 或手動運行
node src/monitor.js

此工具將提供以下功能：

1. 即時跟蹤推理效率。
2. 生成性能報告。
3. 提供可視化界面。

💻 使用示例

Python 使用示例

# 安裝依賴項
pip install mcp-chain

# 啟動服務
python -m mcp_chain.server

JavaScript 使用示例

# 安裝依賴項
npm install mcp-chain

# 啟動服務
node src/index.js

📚 詳細文檔

核心組件

1. MCP 服務器：

   • 實現了 CoD 推理協議。
   • 支持多種問題領域（數學、邏輯、編程等）。
   • 提供性能指標收集和報告功能。

2. LLM 集成：

   • 原生支持 OpenAI、Anthropic 和 Ollama 等主流 LLM 提供商。
   • 支持自定義 LLM 接口。

3. 工具集：

   • 內置多種推理工具，包括問題解決、數學計算、代碼分析等。

項目結構

MCP 鏈表實現

# 啟動 MCP 鏈表服務
npm run start

# 或手動運行
node dist/index.js

Python 實現細節

• AnalyticsService：用於跟蹤不同領域和推理方法的性能指標。
• ComplexityEstimator：分析問題以確定合適的單詞限制。
• ExampleDatabase：管理和檢索示例，將 CoT 示例轉換為 CoD 格式。
• FormatEnforcer：確保推理步驟符合單詞限制。
• ReasoningSelector：根據問題特徵和歷史性能智能選擇 CoD 或 CoT。

JavaScript 實現細節

• analyticsDb：用於內存中跟蹤性能指標的數據庫。
• complexityEstimator：分析問題以確定複雜性和合適的單詞限制。
• formatEnforcer：確保推理步驟符合單詞限制。
• reasoningSelector：根據問題特徵和歷史性能智能選擇 CoD 或 CoT。

工具集

🔧 技術細節

MCP 鏈表項目基於 Chain of Drafts (CoD) 方法實現推理服務器，在不同編程語言中有具體的實現細節。Python 版本通過多個核心組件，如 AnalyticsService、ComplexityEstimator 等，實現對性能指標的跟蹤、問題複雜性分析等功能；JavaScript 版本也有類似的核心組件，如 analyticsDb、complexityEstimator 等，用於實現相同或相似的功能。同時，服務器提供了豐富的工具集，涵蓋了問題解決、性能統計、問題複雜性分析等多個方面。此外，項目還提供了 MCP 鏈表監控工具，用於即時跟蹤推理效率、生成性能報告和提供可視化界面。

📄 許可證

該項目使用 MIT 許可證，允許自由修改和分發。完整的許可信息可以在項目的 LICENSE 文件中找到。

如需更多信息，請訪問項目的官方文檔或聯繫開發團隊。