MCP Structured Thinking

🚀 結構化思維 MCP 服務器

本項目是一個基於 TypeScript 的模型上下文協議 (MCP) 服務器，其靈感源自 Arben Ademi 的 順序思維 Python 服務器。該項目旨在讓大語言模型 (LLMs) 能夠程序化地構建心智圖，以此探索想法空間，並通過強制執行“元認知”自我反思來引導其思考過程。

🚀 快速開始

在 Claude Desktop、Cursor 或其他 MCP 客戶端中設置工具配置如下：

{
  "structured-thinking": {
    "command": "npx",
    "args": ["-y", "structured-thinking"]
  }
}

✨ 主要特性

思想質量分數

當大語言模型捕獲一個思想時，會為該思想分配一個 0 到 1 之間的質量分數。此分數會與當前階段結合，為大語言模型提供“元認知”反饋，指導其思考過程的“轉向”。

思想階段

每個思想都會被標記為某個階段（例如：問題定義、分析、構想），以助力管理大語言模型思考過程的生命週期。在當前實現中，這些階段至關重要。若大語言模型在某個階段停留過久，或者在當前階段產生低質量的思想，服務器會向其提供反饋，引導思考轉向其他階段，或者至少鼓勵採用與當前階段不太典型的思考策略（例如，在演繹模式下，鼓勵大語言模型考慮更多創造性思維）。

思想分支

大語言模型可以從特定思想“派生”出“分支”，以並行探索不同的推理線路。每個分支都會被單獨跟蹤，方便管理需要共存的多種解決方案或想法。

記憶管理

服務器維護一個“短期”記憶緩衝區，記錄大語言模型的十個最近思想；還有一個“長期”記憶庫，可根據標籤檢索思想，用於總結大語言模型在整個主題上思考過程的歷史。

🔧 技術細節

對元認知監控的簡單實現

目前，質量度量和元認知反饋是通過機械地從基於階段的乘數應用於單一自報告質量分數中推導出來的。作為未來工作的一部分，計劃添加更復雜的元認知反饋，包括思想內容的語義分析、思想驗證過程以及對推理錯誤更智能的監控。

缺乏用戶界面

目前，服務器將所有思想存儲在內存中，並未持久化到文件或數據庫，也沒有用戶界面可供審核思想空間或可視化心智圖。作為未來工作的一部分，計劃集成一個簡單的可視化客戶端，以便用戶可以觀看思想圖的發展過程。

📚 詳細文檔

MCP 工具

服務器公開了以下 MCP 工具：

capture_thought

創建思想歷史中的一個思想，並記錄該思想的類型、質量、內容及其與其他思想的關係。 參數：

• thought: 當前思想的內容
• thought_number: 在序列中的當前位置
• total_thoughts: 預期的思想總數
• next_thought_needed: 是否需要另一個思想
• current_phase: 當前階段（例如：“定義問題”、“分析”、“構想”）
• related_tags: 相關標籤列表

revise_thought

修訂已有的思想。 參數：

• thought_id: 要修訂的思想 ID
• new_content: 新的內容
• new_quality_score: 新的質量分數（可選）

retrieve_relevant_thoughts

根據當前上下文檢索相關思想。 參數：

• current_context: 當前上下文
• max_results: 最大結果數

summarize_thought_process

獲取整個思考過程的摘要。 參數：

• start_time: 開始時間（可選）
• end_time: 結束時間（可選）

💻 使用示例

基礎用法

問題定義階段

{
  "action": "capture_thought",
  "thought": "我們需要解決用戶的問題，首先明確問題是什麼。",
  "thought_number": 1,
  "total_thoughts": 5,
  "next_thought_needed": true,
  "current_phase": "定義問題",
  "related_tags": ["問題定義"]
}

分析階段

{
  "action": "capture_thought",
  // 原文檔此處未完整給出代碼，保持原樣
  ...
}