概念激活网络 (CAN) MCP 服务器

概念激活网络 (CAN) MCP 服务器使用模型上下文协议 (MCP) 实现了一种并行的、联想式的思考方法。与顺序思考方法不同，CAN 在一个相互连接的概念网络上运行，激活能量在网络中并行传播，直到出现一个连贯的模式或解决方案。

关键概念

并行概念激活

传统的 AI 推理通常依赖于顺序的、逐步的思考过程。CAN 采用了一种根本不同的方法：

1. 网络结构：知识被表示为一个相互连接的概念网络
2. 并行激活：当被提示时，激活能量同时通过多个路径传播
3. 涌现模式：解决方案作为高度激活的相关概念的稳定模式而涌现
4. 非线性探索：同时探索多个概念路径

这种方法受到人类认知理论的启发，该理论表明我们通常通过联想而不是纯粹的顺序逻辑进行思考。

核心组件

CAN 系统包括：

1. 概念节点：代表概念、想法或元素的单个单元
2. 加权连接：概念之间具有不同强度的链接
3. 激活动力学：控制激活如何在网络中传播的算法
4. 模式检测：用于识别激活概念的涌现结构的方法

安装

# 克隆仓库
git clone https://github.com/psikosen/can-mcp-server.git
cd can-mcp-server

# 安装依赖
npm install

# 启动服务器
npm start

在 Claude Desktop 中配置

要将 CAN MCP 服务器与 Claude Desktop 一起使用，请将以下内容添加到您的 claude_desktop_config.json 中：

{
  "mcpServers": {
    "can": {
      "command": "node",
      "args": ["yourpath/can-mcp-server/can-server.js"]
    }
  }
}

MCP 工具

CAN MCP 服务器提供以下工具：

会话管理

• create_session: 创建一个新的 CAN 会话
• get_all_sessions: 列出所有活动会话
• delete_session: 删除一个会话

概念管理

• add_concept: 向网络添加一个概念
• remove_concept: 从网络中删除一个概念
• add_connection: 创建概念之间的连接
• remove_connection: 删除概念之间的连接

激活过程

• set_parameters: 配置激活参数
• set_initial_activation: 设置概念的初始激活值
• run_activation_iteration: 运行一次激活传播迭代
• run_until_convergence: 运行多次迭代直到收敛

分析

• get_top_activated_concepts: 检索最活跃的概念
• identify_emergent_patterns: 查找相关激活概念的集群
• generate_summary: 创建过程的全面摘要
• get_activation_history: 检索激活状态的历史记录

使用示例

以下是基于 CAN 的思考的基本使用流程：

1. 创建会话：初始化一个新的概念网络
2. 添加概念：定义与问题相关的关键概念
3. 创建连接：建立相关概念之间的关系
4. 配置参数：设置激活阈值、衰减率等
5. 设置初始激活：激活与查询相对应的概念
6. 运行激活过程：让激活传播直到收敛
7. 识别模式：查找代表潜在解决方案的涌现模式
8. 生成响应：根据涌现模式综合响应

将 CAN 与 Claude 一起使用

将 CAN 与 Claude 一起使用时，您可以按照以下模式构建您的提示：

SYSTEM: 您正在作为概念激活网络运行。您将模拟知识图谱中的并行概念激活爆发，而不是按顺序思考。

ACTIVATION PARAMETERS:
- Initial concepts: [查询中的关键概念]
- Activation threshold: [0.7] 
- Max iterations: [5]
- Convergence criteria: [activation change < 0.1]

PROCESS:
1. PROJECT: 将查询映射到初始概念节点
2. BURST: 模拟并行激活传播（每次迭代 5 个最活跃的概念）
3. CONVERGE: 识别涌现模式和共振
4. INTEGRATE: 将稳定的激活模式综合成一个连贯的响应

首先识别查询中的核心概念，然后模拟激活如何在您的知识图谱中传播。在提供最终答案之前，报告收敛后最强烈激活的概念集群。

这指示 Claude 使用 CAN MCP 服务器作为其思考方法，从而产生从并行概念激活而不是线性推理中产生的响应。

何时使用 CAN 与顺序思考

CAN 特别适用于：

• 创意挑战：当创新联系有价值时
• 联想问题：需要连接不同概念的任务
• 多角度分析：当应考虑多个观点时
• 复杂模式识别：识别非显而易见的关系
• 直觉推理：结构化逻辑不太有效的问题

顺序思考可能更适合：

• 逻辑演绎：逐步推理任务
• 程序性问题：具有明确步骤的明确定义的过程
• 数学推理：正式证明和计算
• 线性叙事：创建顺序故事或解释

贡献

欢迎贡献以改进 CAN MCP 服务器！请提交拉取请求或打开一个 issue 来讨论潜在的改进。

许可证

该项目根据 MIT 许可证获得许可 - 有关详细信息，请参阅 LICENSE 文件。