Meta Prompt MCP Server

🚀 Meta Prompt MCP

本项目实现了论文 "Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding" 中的 元提示（Meta-Prompting） 技术。

核心而言，这个 Meta Prompt MCP 无需复杂设置，就能将标准的语言模型（LM）转变为一个动态的多智能体系统。其工作原理是让语言模型承担两个关键角色：

1. 指挥者（The Conductor）：作为高级项目管理者，分析复杂问题，将其分解为更小的逻辑子任务，并进行任务分配。
2. 专家（The Expert）：专业的智能体（如 “Python 程序员”、“代码审查员”、“创意作家” 等），由指挥者 “咨询” 以执行每个子任务。

神奇之处在于，整个协作工作流程是在 单个语言模型 内模拟实现的。指挥者和专家是由复杂的系统提示引导的不同操作模式，使模型能够进行推理、行动和自我批判，从而得出更强大、更准确的解决方案。这就好比你拥有一支由一个模型驱动的自动化 AI 专家团队。

🚀 快速开始

1. 克隆仓库

首先，将本仓库克隆到本地机器。

git clone https://github.com/tisu19021997/meta-prompt-mcp-server.git .
cd meta-prompt-mcp-server

2. 安装 uv

本项目使用 uv，这是 Astral 开发的一个极快的 Python 包管理器。如果你尚未安装，可以使用以下命令之一进行安装。 注意：使用 which uv 可查看 uv 的安装路径。

macOS / Linux：

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows (PowerShell)：

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

更多详细信息，请参阅 官方 uv 安装指南。

✨ 主要特性

• 无需复杂设置，将标准语言模型转变为动态多智能体系统。
• 在单个语言模型内模拟协作工作流程，提高效率。
• 模型能进行推理、行动和自我批判，得出更准确的解决方案。

💻 使用示例

基础用法

要使用这个 Meta Prompt MCP 服务器，你需要配置客户端（如 Cursor、Claude Desktop）以连接到它。确保将占位符路径替换为你机器上的实际路径。

Cursor

在你的 mcp.json 设置中添加以下配置：

"meta-prompting": {
  "command": "path/to/your/uv",
  "args": [
    "--directory",
    "path/to/your/meta-prompt-mcp",
    "run",
    "mcp-meta-prompt"
  ]
}

Claude Desktop

在你的 claude_desktop_config.json 设置中添加以下配置：

"meta-prompting": {
  "command": "path/to/your/uv",
  "args": [
    "--directory",
    "path/to/your/meta-prompt-mcp",
    "run",
    "mcp-meta-prompt"
  ]
}

高级用法

重要提示：要充分发挥此 MCP 的强大功能，始终从 meta-prompting 服务器调用 meta_model_prompt（然后在查询中填入你的提示，参见演示视频）来启动请求。这是激活指挥者/专家工作流程的官方入口。添加提示后，只需提供你的问题陈述即可。

🔧 技术细节

与论文的差异

原论文 中的核心方法涉及一个分两步的专家咨询过程：

1. “指挥者” 模型为专家生成指令。
2. 调用一个单独的、独立的语言模型实例（“专家”），仅使用这些指令来提供响应，以确保专家有 “全新视角”。

而本实现将该过程简化为一次大语言模型调用。指挥者模型在一次工具调用中生成专家的名称、指令以及 专家的完整输出。这是一个显著的差异，使过程更快、成本更低，但偏离了原研究的 “全新视角” 原则。

局限性

此 MCP 服务器中的 expert_model 工具旨在使用 ctx.sample() 函数，以正确模拟论文中描述的第二次独立专家模型调用。然而，大多数 MCP 客户端（如 Cursor 和 Claude Desktop）尚未实现此函数。

由于这一限制，服务器包含了一个备用机制。当 ctx.sample() 不可用时，expert_model 工具仅返回指挥者模型在工具调用中生成的 output 内容。这意味着专家的响应是指挥者单次生成的一部分，而非真正的独立咨询。

📚 详细文档

对比

以下是我要求 Claude 分别在使用和不使用 Meta Prompt MCP 的情况下实现 Meta Prompt MCP 服务器的两次对话。

对话中有些内容缺失，但你可以看到使用 Meta Prompt MCP 的实现要好得多，并且它还通过咨询 QA 专家进行了某种 “自我审查”。

• Claude 对话：
  • 使用 Meta Prompt MCP 的实现
  • 未使用 Meta Prompt MCP 的实现

📄 参考文献

• 论文：Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding