麦普服务器主序思维

Name: 麦普服务器主序思维
Author: FradSer

作者：FradSer272 星标更新：2025-11-16

安装使用来源：spider==github.com

项目介绍

技术文档摘要

顺序思维多智能体系统（MAS）

English | 简体中文

本项目使用多智能体系统（MAS）实现了一个高级顺序思维过程，该系统基于Agno框架构建并通过MCP提供服务。它代表了从简单的状态跟踪方法到利用协调的、专门化的代理进行更深层次分析和问题分解的重大进化。

这是什么？

这是一个MCP服务器——不是一个独立的应用程序。它作为一个后台服务运行，扩展您的LLM客户端（如Claude Desktop）的复杂顺序思维能力。服务器提供一个sequentialthinking工具，通过多个专门的AI代理处理思想，每个代理从不同的认知角度审视问题。

核心架构：多维思维代理

该系统采用6个专门的思维代理，每个代理专注于一种独特的认知视角：

1. 事实代理

重点：客观事实和验证过的数据
方法：分析性、基于证据的推理
能力：
- 通过ExaTools进行当前事实的网络研究
- 数据验证和引用来源
- 识别信息缺口
时间分配：120秒进行彻底分析

2. 情感代理

重点：直觉和情绪智力
方法：直觉反应和感受
能力：
- 快速直觉反应（30秒快照）
- 不需要理由的本能反应
- 情绪模式识别
时间分配：30秒（快速反应模式）

3. 批判代理

重点：风险评估和问题识别
方法：逻辑审查和反对方针
能力：
- 通过ExaTools研究反例和失败案例
- 识别逻辑缺陷和风险
- 建设性地挑战假设
时间分配：120秒进行深入分析

4. 乐观代理

重点：利益、机会和价值
方法：具有现实基础的积极探索
能力：
- 通过ExaTools研究成功案例
- 识别可行的机会
- 合理地探索最佳情况
时间分配：120秒进行平衡的乐观分析

5. 创意代理

重点：创新和替代解决方案
方法：横向思考和想法生成
能力：
- 跨行业的创新研究（通过ExaTools）
- 发散性思考技巧
- 多种解决方案生成
时间分配：240秒（创意需要时间）

6. 综合代理

重点：整合和元认知编排
方法：整体合成和最终答案生成
能力：
- 将所有视角整合成连贯的响应
- 直接回答原始问题
- 提供可操作且用户友好的见解
时间分配：60秒进行综合
注意：使用增强模型，不包括ExaTools（专注于整合）

AI驱动的智能路由

该系统使用AI驱动的复杂度分析来确定最优的思维序列：

处理策略：

单代理（简单问题）
- 直接的事实或情感回应
- 对于简单查询最快的处理方式
双代理（中等复杂度）
- 两步序列（例如，乐观→批判）
- 平衡的观点用于评估任务
三代理（核心思维）
- 事实→创意→综合
- 哲学和分析问题
全序列（复杂问题）
- 所有6个代理协同工作
- 全面的多视角分析

AI分析器评估：

问题复杂度和语义深度
主要问题类型（事实型、情感型、创意型、哲学型等）
实现最优解决方案所需的思维模式
适当模型的选择（增强型 vs 标准型）

AI路由流程图

flowchart TD
    A[输入思想] --> B[AI复杂度分析器]

    B --> C{问题分析}
    C --> C1[复杂度评分<br/>0-100]
    C --> C2[问题类型<br/>事实型/情感型/<br/>创意型/哲学型]
    C --> C3[所需思维模式]

    C1 --> D{路由决策}
    C2 --> D
    C3 --> D

    D -->|评分：0-25<br/>简单| E1[单代理策略]
    D -->|评分：26-50<br/>中等| E2[双代理策略]
    D -->|评分：51-75<br/>复杂| E3[三代理策略]
    D -->|评分：76-100<br/>高度复杂| E4[全序列策略]

    %% 单代理流程
    E1 --> F1[事实代理<br/>120秒 + ExaTools]
    F1 --> G1[直接回应]

    %% 双代理流程（完全并行）
    E2 --> DA1[两个代理并行运行]
    DA1 --> DA2["代理1 例如乐观<br/>120秒 + ExaTools"]
    DA1 --> DA3["代理2 例如批判<br/>120秒 + ExaTools"]
    DA2 --> G2[程序化综合<br/>结合两个并行结果]
    DA3 --> G2

    %% 三代理流程（完全并行）
    E3 --> TA1[三个代理并行运行]
    TA1 --> TA2[事实代理<br/>120秒 + ExaTools]
    TA1 --> TA3[创意代理<br/>240秒 + ExaTools]
    TA1 --> TA4[批判代理<br/>120秒 + ExaTools]
    TA2 --> G3[程序化综合<br/>整合三个结果]
    TA3 --> G3
    TA4 --> G3

    %% 全序列流程（三步过程）
    E4 --> FS1[步骤1：初始综合<br/>60秒增强模型<br/>初步编排]
    FS1 --> FS2[步骤2：并行执行<br/>五个代理同时运行]

    FS2 --> FS2A[事实代理<br/>120秒 + ExaTools]
    FS2 --> FS2B[情感代理<br/>30秒快速回应]
    FS2 --> FS2C[乐观代理<br/>120秒 + ExaTools]
    FS2 --> FS2D[批判代理<br/>120秒 + ExaTools]
    FS2 --> FS2E[创意代理<br/>240秒 + ExaTools]

    FS2A --> FS3[步骤3：最终综合<br/>60秒增强模型<br/>整合所有并行结果]
    FS2B --> FS3
    FS2C --> FS3
    FS2D --> FS3
    FS2E --> FS3

    FS3 --> G4[最终综合输出<br/>全面整合的结果]

    G1 --> H[下一次迭代或<br/>最终答案]
    G2 --> H
    G3 --> H
    G4 --> H

    style A fill:#e1f5fe
    style B fill:#f3e5f5
    style C fill:#fff3e0
    style D fill:#e8f5e8
    style TA1 fill:#ffecb3
    style FS2 fill:#ffecb3
    style G1 fill:#fce4ec
    style G2 fill:#fce4ec
    style G3 fill:#fce4ec
    style G4 fill:#fce4ec
    style H fill:#f1f8e9

关键见解：

并行执行：非综合代理同时运行以达到最大效率
综合整合：综合代理按顺序处理并行结果
两种处理类型：
- 综合代理：使用增强模型的真实AI代理进行整合
- 程序化综合：没有综合代理时的代码组合
性能：并行处理优化了速度和质量

研究能力（ExaTools集成）

6个代理中的4个配备了通过ExaTools进行网络研究的能力：

事实代理：搜索当前事实、统计数据、验证过的数据
批判代理：查找反例、失败案例、监管问题
乐观代理：研究成功案例、正面案例研究
创意代理：发现不同行业的创新
情感及综合代理：无ExaTools（专注于内部处理）

研究是可选的——需要EXA_API_KEY环境变量。系统在没有它的情况下也能完美运行，仅使用纯粹的推理能力。

模型智能

双模型策略：

增强模型：用于综合代理（复杂的整合任务）
标准模型：用于个体思维代理
AI选择：系统根据任务复杂度自动选择合适的模型

支持的提供商：

DeepSeek（默认）- 高性能、成本效益高
Groq - 超快推理
OpenRouter - 访问多种模型
GitHub Models - 通过GitHub API访问OpenAI模型
Anthropic - Claude模型带提示缓存
Ollama - 本地模型执行

与原版的主要区别（TypeScript）

这个Python/Agno实现标志着与原始TypeScript版本的根本转变：

特性/方面	Python/Agno版本（当前）	TypeScript版本（原始）
架构	多智能体系统（MAS）；由一组代理主动处理。	单一类状态追踪器；简单的日志/存储。
智能	分布式代理逻辑；嵌入在专门的代理和协调器中。	外部LLM仅；无内部智能。
处理	主动分析与综合；代理对思想采取行动。	被动日志；仅记录思想。
框架	Agno（MAS）+ FastMCP（服务器）；使用专用的MAS库。	仅MCP SDK。
协调	显式的团队协调逻辑（`Team`在`coordinate`模式）。	无；无协调概念。
验证	Pydantic模式验证；强大的数据验证。	基本类型检查；不太可靠。
外部工具	集成（Exa通过研究员）；可以执行研究任务。	无。
日志	结构化Python日志（文件+控制台）；可配置。	带有Chalk的基本控制台日志。
语言及生态系统	Python；利用Python AI/ML生态系统。	TypeScript/Node.js。

本质上，系统从被动的思想记录器转变为由协作的AI代理团队驱动的主动思想处理器。

工作原理（多维处理）

启动：外部LLM使用sequentialthinking工具定义问题并启动过程。
工具调用：LLM调用sequentialthinking工具，传递当前思想，按照ThoughtData模型进行结构化。
AI复杂度分析：系统使用AI驱动的分析来确定基于问题复杂度和类型的最优思维序列。
代理路由：根据分析，系统将思想路由到适当的思维代理（单个、双个、三个或全序列）。
并行处理：多个思维代理从其专业视角同步处理思想：

事实代理收集客观数据（可选网络研究）
批判代理识别风险和问题
乐观代理探索机会和利益
创意代理生成创新解决方案
情感代理提供直觉见解

研究整合：配备ExaTools的代理进行有针对性的网络研究以增强其分析。
综合与整合：综合代理使用增强模型将所有视角整合成连贯、可操作的响应。
响应生成：系统返回包含下一步指导的全面分析。
迭代：调用LLM使用综合响应制定下一个思维步骤或结束过程。

令牌消耗警告

高令牌使用量：由于多智能体系统架构，此工具比单代理替代方案或之前的TypeScript版本消耗显著更多令牌。每次sequentialthinking调用都会同时调用多个专门的代理，导致令牌使用量大幅增加（可能是简单方法的5-10倍）。

这种并行处理导致令牌使用量大幅增加（可能是简单顺序方法的5-10倍），但提供了相应更深和更全面的分析。

MCP工具：`sequentialthinking`

服务器暴露一个MCP工具来处理顺序思想：

参数：

{
  thought: string,              // 当前思维步骤内容
  thoughtNumber: number,         // 序列号（≥1）
  totalThoughts: number,         // 预计总步骤数
  nextThoughtNeeded: boolean,    // 是否需要另一个步骤？
  isRevision: boolean,           // 是否修订先前的思维？
  branchFromThought?: number,    // 探索分支点
  branchId?: string,             // 分支标识符
  needsMoreThoughts: boolean     // 是否需要延长序列？
}

响应：

返回多智能体系统综合分析：

处理后的思想分析
下一步指导
分支和修订跟踪
状态和元数据

安装

先决条件

Python 3.10+
LLM API访问（选择一个）：
- DeepSeek：DEEPSEEK_API_KEY（默认，推荐）
- Groq：GROQ_API_KEY
- OpenRouter：OPENROUTER_API_KEY
- GitHub Models：GITHUB_TOKEN
- Anthropic：ANTHROPIC_API_KEY
- Ollama：本地安装（无需API密钥）
可选：EXA_API_KEY用于网络研究能力
uv包管理器（推荐）或pip

快速开始

1. 通过Smithery安装（推荐）

npx -y @smithery/cli install @FradSer/mcp-server-mas-sequential-thinking --client claude

2. 手动安装

# 克隆仓库
git clone https://github.com/FradSer/mcp-server-mas-sequential-thinking.git
cd mcp-server-mas-sequential-thinking

# 使用uv安装（推荐）
uv pip install .

# 或者使用pip
pip install .

配置

对于MCP客户端（Claude Desktop等）

添加到您的MCP客户端配置：

{
  "mcpServers": {
    "sequential-thinking": {
      "command": "mcp-server-mas-sequential-thinking",
      "env": {
        "LLM_PROVIDER": "deepseek",
        "DEEPSEEK_API_KEY": "your_api_key",
        "EXA_API_KEY": "your_exa_key_optional"
      }
    }
  }
}

环境变量

创建一个.env文件或设置这些变量：

# LLM提供商（必需）
LLM_PROVIDER="deepseek"  # deepseek, groq, openrouter, github, anthropic, ollama
DEEPSEEK_API_KEY="sk-..."

# 可选：增强/标准模型选择
# DEEPSEEK_ENHANCED_MODEL_ID="deepseek-chat"  # 用于综合
# DEEPSEEK_STANDARD_MODEL_ID="deepseek-chat"  # 用于其他代理

# 可选：网络研究（启用ExaTools）
# EXA_API_KEY="your_exa_api_key"

# 可选：自定义端点
# LLM_BASE_URL="https://custom-endpoint.com"

模型配置示例

# Groq使用不同模型
GROQ_ENHANCED_MODEL_ID="openai/gpt-oss-120b"
GROQ_STANDARD_MODEL_ID="openai/gpt-oss-20b"

# Anthropic使用Claude模型
ANTHROPIC_ENHANCED_MODEL_ID="claude-3-5-sonnet-20241022"
ANTHROPIC_STANDARD_MODEL_ID="claude-3-5-haiku-20241022"

# GitHub Models
GITHUB_ENHANCED_MODEL_ID="gpt-4o"
GITHUB_STANDARD_MODEL_ID="gpt-4o-mini"

使用

作为MCP服务器

一旦安装并配置在您的MCP客户端中：

sequentialthinking工具变得可用
您的LLM可以使用它来处理复杂的思想