MCP Reasoner

🚀 MCP 推理器

MCP 推理器是一個系統化的推理 MCP 服務器實現，專為 Claude 桌面版量身打造。它集成了束搜索（Beam Search）和蒙特卡洛樹搜索（MCTS）功能，能有效處理各類複雜推理任務，為用戶提供更強大的推理支持。

🚀 快速開始

安裝

git clone https://github.com/Jacck/mcp-reasoner.git
cd mcp-reasoner
npm install
npm run build

配置

將以下內容添加到 Claude 桌面版配置中：

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

✨ 主要特性

• 雙重搜索策略：
  • 束搜索：支持配置寬度，維護一組固定寬度的最可能路徑，適用於逐步推理，尤其擅長處理數學問題和邏輯謎題。
  • 蒙特卡洛樹搜索：適用於複雜決策空間，基於模擬的決策空間探索，能平衡探索與利用，在複雜問題且結果不確定的場景中表現出色。
• 思考評分與評估：思考評分基於詳細程度、數學表達式、邏輯連接詞以及父子關係強度等因素。
• 基於樹的推理路徑：採用基於樹的狀態跟蹤，清晰展示推理路徑。
• 推理過程統計分析：對推理過程進行統計分析，便於用戶監控和優化。
• 符合 MCP 協議：確保與相關係統的兼容性和互操作性。

💻 使用示例

基礎用法

在處理數學問題或邏輯謎題時，可直接使用束搜索策略。例如，對於簡單的數學推理題，束搜索能快速找到解決方案。

高級用法

對於超級複雜的任務，如複雜問題分解和決策樹探索，建議引導 Claude 使用蒙特卡洛樹搜索（MCTS）策略。蒙特卡洛樹搜索使 Claude 在 Arc AGI 基準測試中表現優異（得分 6/10），而束搜索在相同謎題上得分為 (3/10)。

📚 詳細文檔

搜索策略

束搜索

• 維護一組固定寬度的最可能路徑。
• 適用於逐步推理，最適合數學問題、邏輯謎題。

蒙特卡洛樹搜索

• 基於模擬的決策空間探索，平衡探索與利用。
• 最適合複雜問題，具有不確定結果。

注意：對於超級複雜的任務，建議引導 Claude 使用 MCTS 策略優於束搜索。

使用場景

• 數學問題
• 邏輯謎題
• 逐步分析
• 複雜問題分解
• 決策樹探索
• 策略優化

未來實現

計劃實現新算法，包括迭代深化深度優先搜索（IDDFS）和 Alpha - Beta 剪枝，以進一步提升推理器的性能。

🔧 技術細節

搜索策略選擇

• 束搜索：評估和排序多個解決方案路徑。
• 蒙特卡洛樹搜索：使用 UCT 進行節點選擇，並通過隨機 rollout 進行探索。

思考評分

思考評分基於詳細程度、數學表達式、邏輯連接詞以及父子關係強度等因素。

過程管理

• 基於樹的狀態跟蹤。
• 推理過程的統計分析。
• 進度監控。

📄 許可證

此項目根據 MIT 許可證發佈 - 有關詳細信息，請參閱 LICENSE 文件。