Chain Of Draft Prompt Tool

MCP Chain of Draft Prompt Tool是一个增强LLM推理能力的工具，通过将标准提示转换为Chain of Draft或Chain of Thought格式，显著提高推理质量并减少token使用。

人工智能聊天机器人教育与学习工具 #LLM增强 #推理优化 #多模型支持 #高效提示本地 .Python

评分 : 2.5分

下载量 : 23

更新时间 : 2025-04-28

什么是MCP链式草稿服务器？

MCP链式草稿服务器是一种增强大型语言模型（LLM）推理能力的工具，它将标准提示转换为更高效的链式草稿（CoD）或链式思维（CoT）格式，从而提高推理质量、减少令牌消耗并保持高精度。

如何使用MCP链式草稿服务器？

用户只需输入常规问题，服务器会自动优化提示格式并通过选择的LLM进行处理，最终返回清晰且准确的答案。

适用场景

适用于需要高效推理的各种领域，如数学、编程、逻辑推理及跨学科问题解决。

主要功能

输入格式优化将普通问题转换为链式草稿或链式思维格式。

LLM集成支持兼容多种云服务和本地模型，例如Anthropic Claude、OpenAI GPT、Ollama等。

动态令牌调整根据问题复杂度动态调整生成步骤长度，降低令牌使用量。

性能监控实时跟踪解决方案的准确性、执行时间和令牌消耗。

优势与局限性

优势

显著减少令牌消耗（仅占传统链式思维的7.6%）。

加快响应速度，降低API成本。

在多种领域内保持甚至提升推理准确性。

支持多种语言模型的灵活选择。

局限性

某些高度复杂的任务可能仍需手动干预。

依赖于所选LLM的质量和训练数据集。

需要适当的API密钥配置。

如何使用

安装和配置服务器

根据您的需求选择Python或JavaScript版本，并按照说明配置API密钥和模型。

启动服务器

运行相应的脚本以启动MCP服务器。

发送请求

通过客户端或API向服务器发送问题，等待返回答案。

使用案例

数学问题求解解决简单的算术问题。

逻辑推理分析逻辑问题并给出答案。

常见问题

如何选择合适的LLM模型？

令牌消耗是如何计算的？

🚀 MCP 链表

MCP（Model Context Protocol）链表是一种用于管理模型上下文交互的协议，此项目实现了基于 Chain of Drafts (CoD) 方法的推理服务器，支持多种编程语言和工具接口，为模型上下文交互管理提供了高效且灵活的解决方案。

🚀 快速开始

Python 使用示例

要在 Python 中使用此库，请按照以下步骤操作：

# 安装依赖项
pip install mcp-chain

# 启动服务
python -m mcp_chain.server

JavaScript 使用示例

要在 JavaScript 中使用此库，请执行以下命令：

# 安装依赖项
npm install mcp-chain

# 启动服务
node src/index.js

✨ 主要特性

MCP 兼容性：完全遵循 MCP 协议规范。
多语言支持：提供 Python 和 JavaScript/TypeScript 实现。
可扩展插件系统：允许集成自定义 LLM 提供商和模型。
性能监控：内置分析工具用于跟踪推理效率。

📦 安装指南

MCP 链表实现

# 启动 MCP 链表服务
npm run start

# 或手动运行
node dist/index.js

此命令将：

在默认端口启动 MCP 服务器。
提供完整的 CoD 推理功能。
支持与 MCP 客户端的交互。

启动监控工具

# 启动监控工具
npm run inspect

# 或手动运行
node src/monitor.js

此工具将提供以下功能：

实时跟踪推理效率。
生成性能报告。
提供可视化界面。

💻 使用示例

Python 使用示例

# 安装依赖项
pip install mcp-chain

# 启动服务
python -m mcp_chain.server

JavaScript 使用示例

# 安装依赖项
npm install mcp-chain

# 启动服务
node src/index.js

📚 详细文档

核心组件

MCP 服务器：
- 实现了 CoD 推理协议。
- 支持多种问题领域（数学、逻辑、编程等）。
- 提供性能指标收集和报告功能。
LLM 集成：
- 原生支持 OpenAI、Anthropic 和 Ollama 等主流 LLM 提供商。
- 支持自定义 LLM 接口。
工具集：
- 内置多种推理工具，包括问题解决、数学计算、代码分析等。

项目结构

MCP 链表实现

# 启动 MCP 链表服务
npm run start

# 或手动运行
node dist/index.js

Python 实现细节

AnalyticsService：用于跟踪不同领域和推理方法的性能指标。
ComplexityEstimator：分析问题以确定合适的单词限制。
ExampleDatabase：管理和检索示例，将 CoT 示例转换为 CoD 格式。
FormatEnforcer：确保推理步骤符合单词限制。
ReasoningSelector：根据问题特征和历史性能智能选择 CoD 或 CoT。

JavaScript 实现细节

analyticsDb：用于内存中跟踪性能指标的数据库。
complexityEstimator：分析问题以确定复杂性和合适的单词限制。
formatEnforcer：确保推理步骤符合单词限制。
reasoningSelector：根据问题特征和历史性能智能选择 CoD 或 CoT。

工具集

工具	描述
`chain_of_draft_solve`	使用 Chain of Draft 推理方法解决问题
`math_solve`	使用 CoD 方法解决数学问题
`code_solve`	使用 CoD 方法解决编程问题
`logic_solve`	使用 CoD 方法解决逻辑问题
`get_performance_stats`	获取 CoD 和 CoT 的性能统计数据
`get_token_reduction`	获取令牌减少统计信息
`analyze_problem_complexity`	分析问题复杂性

🔧 技术细节

MCP 链表项目基于 Chain of Drafts (CoD) 方法实现推理服务器，在不同编程语言中有具体的实现细节。Python 版本通过多个核心组件，如 AnalyticsService、ComplexityEstimator 等，实现对性能指标的跟踪、问题复杂性分析等功能；JavaScript 版本也有类似的核心组件，如 analyticsDb、complexityEstimator 等，用于实现相同或相似的功能。同时，服务器提供了丰富的工具集，涵盖了问题解决、性能统计、问题复杂性分析等多个方面。此外，项目还提供了 MCP 链表监控工具，用于实时跟踪推理效率、生成性能报告和提供可视化界面。