Mirror MCP

🚀 mirror-mcp

mirror-mcp 是一个模型上下文协议（MCP）服务器，它提供了一个 reflect 工具，使大语言模型（LLMs）能够通过递归提问和 MCP 采样进行自我反思和内省。

🚀 快速开始

mirror-mcp 允许人工智能模型通过提供反思机制来“审视自身”。当大语言模型使用 reflect 工具时，它可以向自己提出问题，并通过模型上下文协议的采样功能获得答案。这为自我分析、推理验证和迭代解决问题创建了一个强大的反馈循环。

✨ 主要特性

• 🪞 自我反思工具：使大语言模型能够向自己提问并接收计算后的响应。
• 🔄 MCP 采样集成：使用模型上下文协议的采样机制来生成响应。
• 📦 可通过 npm 安装：易于安装和部署。
• ⚡ 轻量级：依赖项极少，启动速度快。
• 🔧 可配置：可自定义反思参数和采样选项。

📦 安装指南

VS Code 快速安装

MCP 主机配置

对于其他与 MCP 兼容的客户端，请添加以下配置：

{
  "type": "stdio",
  "command": "npx", 
  "args": ["mirror-mcp@latest"]
}

通过 npm 安装

npm install -g mirror-mcp

通过 npx 运行（无需安装）

npx mirror-mcp

从源代码安装

git clone https://github.com/toby/mirror-mcp.git
cd mirror-mcp
npm install
npm run build
npm start

💻 使用示例

基础用法

{
  "name": "reflect",
  "arguments": {
    "question": "How confident am I in my previous analysis of the data?",
    "context": "Previous analysis showed a 23% increase in user engagement",
    "max_tokens": 300,
    "temperature": 0.6
  }
}

高级用法

{
  "name": "reflect",
  "arguments": {
    "question": "What are the potential weaknesses in my reasoning?",
    "system_prompt": "You are an expert critical thinking coach helping to identify logical fallacies and reasoning gaps.",
    "user_prompt": "Analyze my reasoning step-by-step and provide specific examples of potential weaknesses or blind spots.",
    "context": "Working on a complex machine learning model evaluation",
    "max_tokens": 400,
    "temperature": 0.7
  }
}

响应示例

{
  "reflection": "Upon reflection, my confidence in the 23% engagement increase analysis is moderate to high. The data sources appear reliable, and the methodology follows standard practices. However, I should consider potential confounding variables such as seasonal effects or concurrent marketing campaigns that might influence the results.",
  "metadata": {
    "tokens_used": 67,
    "reflection_time_ms": 1240
  }
}

📚 详细文档

API 参考

工具

reflect

使大语言模型能够向自己提出问题，并通过 MCP 采样获得响应。该工具支持自定义系统提示和用户提示，以帮助大语言模型自我引导获得所需的响应。

使用自定义提示进行自我引导：

• 系统提示：定义反思的角色或视角（例如，“专家教练”、“批判性思考者”、“创造性问题解决者”）。
• 用户提示：指定反思响应的格式、结构或重点。
• 默认行为：当未提供自定义提示时，使用内置的反思指导，重点关注优势、劣势、假设和替代观点。

参数：

• question（字符串，必需）：大语言模型想要向自己提出的问题。
• context（字符串，可选）：反思的额外上下文信息。
• system_prompt（字符串，可选）：自定义系统提示，用于引导反思方式。
• user_prompt（字符串，可选）：自定义用户提示，用于替代默认的反思指令。
• max_tokens（数字，可选）：响应的最大令牌数（默认值：500）。
• temperature（数字，可选）：采样温度（默认值：0.8）。

🔧 技术细节

设计理念

mirror-mcp 基于自我反思对强大的人工智能推理至关重要这一原则构建。通过使模型能够质疑自己的输出和推理过程，我们为以下方面创造了机会：

• 错误检测：模型可以识别其逻辑中的潜在缺陷。
• 置信度校准：自我评估有助于衡量确定性水平。
• 迭代改进：反思性提问可以带来更好的解决方案。
• 元认知意识：理解模型自身的推理过程。

技术架构

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   LLM Client    │───▶│   mirror-mcp    │───▶│  MCP Sampling   │
│                 │    │                 │    │   Infrastructure │
│ Calls reflect() │    │ Processes       │    │                 │
│                 │◀───│ reflection      │◀───│ Returns response│
└─────────────────┘    └─────────────────┘    └─────────────────┘

关键组件

1. 反思引擎：处理传入的自我引导问题。
2. 采样接口：与 MCP 的采样功能进行交互。
3. 上下文管理器：维护对话上下文，以实现连贯的反思。
4. 响应格式化器：构建反思响应，以便于最佳消费。

为什么选择 MCP？

模型上下文协议 为人工智能模型与外部资源和工具的连接提供了一种标准化方式。通过将 mirror-mcp 实现为 MCP 服务器，我们确保：

• 互操作性：可与任何与 MCP 兼容的客户端一起使用。
• 标准化：遵循既定的工具集成协议。
• 可扩展性：可与其他 MCP 服务器一起部署。
• 面向未来：受益于 MCP 生态系统的持续发展。

采样策略

反思机制利用 MCP 的采样功能来生成深思熟虑的响应。采样过程如下：

1. 将自我引导问题作为提示。
2. 应用可配置的采样参数（温度、最大令牌数）。
3. 使用底层模型生成响应。
4. 返回带有适当元数据的反思结果。

这种方法确保反思使用与原始推理相同的模型功能生成，从而实现真实的自我评估。

🔨 开发相关

前提条件

• Node.js 18 或更高版本
• npm 或 yarn
• TypeScript（用于开发）

开发设置

git clone https://github.com/toby/mirror-mcp.git
cd mirror-mcp
npm install
npm run dev

测试

npm test

构建

npm run build

🤝 贡献指南

我们欢迎贡献！请参阅我们的 贡献指南 了解详细信息。

贡献领域

• 增强反思策略
• 增加采样参数
• 性能优化
• 文档改进
• 测试覆盖率扩展

🌟 相关项目

• Model Context Protocol：基础协议规范。
• MCP 生态系统：各种其他 MCP 服务器和工具。

📄 许可证

本项目采用 MIT 许可证 - 有关详细信息，请参阅 LICENSE 文件。

🙏 致谢

• 模型上下文协议团队创建了基础规范。
• 致力于元认知和自我反思的更广泛的人工智能研究社区。
• 帮助塑造此工具的贡献者和早期采用者。

“未经审视的生活是不值得过的” - 苏格拉底

使用 mirror-mcp 让你的人工智能模型审视自己的推理过程。