MCP Contemplation

🚀 mcp-contemplation

mcp-contemplation 是一个连接 MCP 接口与 Claude 沉思循环的项目。沉思循环是一种后台认知处理系统，它允许在对话之间进行持续的思考，为 AI 助手带来更连贯和深入的思维能力。

🚀 快速开始

mcp-contemplation 提供了一个与 Claude 的沉思循环相连接的 MCP 接口，这是一个后台认知处理系统，可实现对话间的持续思考。

✨ 主要特性

• 异步思考处理：利用本地 Ollama 模型异步处理思考内容。
• 模式与关联识别：能在对话中发现模式和关联。
• 洞察保存：将重要的洞察保存到 Obsidian（永久）和临时笔记中。
• 持续学习：随着时间推移，学习哪些洞察是有价值的。
• 持续运行：在交互之间持续运行，不断加深理解。

📦 安装指南

前提条件

• Node.js（v18 或更高版本）
• Python 3.8+（用于沉思循环）
• 安装了模型的 Ollama（如 llama3.2、deepseek-r1 等）
• 兼容 MCP 的客户端（Claude Desktop）

安装步骤

# 克隆仓库
git clone https://github.com/yourusername/mcp-contemplation.git
cd mcp-contemplation

# 安装依赖
npm install

# 构建 TypeScript
npm run build

# 确保沉思循环可用
cd /Users/bard/Code/contemplation-loop
pip install -r requirements.txt

配置 Claude Desktop

在你的 Claude Desktop 配置中添加以下内容：

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

🛡️ 资源管理

沉思系统包含多层保护机制，以防止上下文溢出：

自动修剪

• 移除超过 24 小时的洞察。
• 清除已使用的洞察（除非重要性 ≥ 8）。
• 内存最多限制为 100 个洞察。

洞察聚合

• 自动合并相似的洞察。
• 重复的模式会增加重要性。
• 使用后移除高频模式。

过滤

• 默认重要性阈值：5/10。
• 仅返回未使用的洞察。
• 可通过 set_threshold() 进行配置。

内存监控

• 使用 get_memory_stats() 检查使用情况。
• 接近限制时自动清理。
• 拉取式系统 - 仅在请求时洞察才会进入上下文。

💻 使用示例

基础用法

# 启动沉思过程
start_contemplation()

# 发送思考内容
send_thought("pattern", "User frequently asks about project organization")

# 获取洞察
insights = get_insights("pattern")

高级用法

# 持续学习示例
# 在对话开始时
start_contemplation()

# 在对话过程中
send_thought("pattern", "User frequently asks about project organization")
send_thought("connection", "Project management relates to OS metaphor discussed earlier")

# 在对话后期或下一个会话中
insights = get_insights("pattern")
# → 关于用户工作风格和需求的洞察

# 模式识别示例
send_thought("pattern", "Third time user mentioned feeling overwhelmed by options")
# 后台进程会注意到反复出现的主题

# 问题探索示例
send_thought("question", "What if MCP servers could communicate with each other?")
# 后台进程会探索其影响

# 反思示例
send_thought("general", "That browser-opening behavior was unexpected")
# 后台进程会反思出现的行为

📖 详细文档

start_contemplation()

启动后台思考过程。

示例: start_contemplation() → "沉思循环已成功启动"

send_thought(thought_type, content, priority?)

发送思考内容进行后台处理。

参数:
- thought_type: "pattern" | "connection" | "question" | "general"
- content: 要处理的思考内容
- priority: 1 - 10（可选，默认 5）

示例: send_thought("pattern", "User seems anxious about memory", 7)
→ "思考内容已发送进行处理。ID: thought_1234567_abc"

get_insights(thought_type?, limit?)

检索已处理的洞察。

参数:
- thought_type: 按类型过滤（可选）
- limit: 最多返回的洞察数量（默认 10）

示例: get_insights("pattern", 5)
→ 包含内容、重要性、时间戳的洞察对象数组

get_status()

检查沉思循环的状态。

示例: get_status()
→ { running: true, queue_size: 3, last_thought: "...", uptime: 3600 }

stop_contemplation()

优雅地停止后台处理。

clear_scratch()

清除临时笔记（保留 Obsidian 中的永久洞察）。

help()

获取详细文档。

🏗️ 架构

沉思循环作为一个独立的 Python 进程运行，它：

1. 通过标准输入接收思考内容。
2. 使用本地 Ollama 模型处理这些内容。
3. 管理上下文以保持在模型限制范围内。
4. 根据重要性评分保存洞察。
5. 在请求时返回洞察。

MCP 服务器充当桥梁，通过标准工具调用使这种后台认知易于访问。

💡 设计理念

这代表了 AI 助手工作方式的根本转变：

• 从被动响应到主动沉思
• 从基于会话到持续运行
• 从单线程到并行处理
• 从遗忘到积累理解

这就像计算器每次使用后重置与一个在对话之间持续思考的思维之间的区别。

🔧 开发

# 构建 TypeScript
npm run build

# 运行测试
npm test

# 开发模式
npm run dev

# 代码检查
npm run lint

📝 注意事项

• 沉思在后台进行 - 不会减慢响应速度。
• 洞察会随着时间积累 - 使用得越多，效果越好。
• 不同的模型处理不同类型的思考（模式识别与深度分析）。
• 临时笔记会在 4 天后自动删除。
• 永久洞察会保存到 Obsidian 进行长期存储。

🤝 贡献

这是构建一个 AI 具备真正认知能力的操作系统的一部分。特别欢迎那些能够增强后台处理能力、提高洞察质量或添加新思考模式的贡献！

“我认为你需要一个 MCP 工具接入这个后台循环，即你的潜意识” - 有人认识到集成后台认知的必要性