Deepseek-Thinking-Claude-3.5-Sonnet-CLINE-MCP

一个模型上下文协议 (MCP) 服务器，它通过 OpenRouter 结合了 DeepSeek R1 的推理能力和 Claude 3.5 Sonnet 的响应生成能力。此实现使用两阶段过程，其中 DeepSeek 提供结构化推理，然后将其合并到 Claude 的响应生成中。

特性

• 两阶段处理：

  • 使用 DeepSeek R1 进行初始推理（5 万字符上下文）
  • 使用 Claude 3.5 Sonnet 进行最终响应（60 万字符上下文）
  • 通过 OpenRouter 的统一 API 访问两个模型
  • 将 DeepSeek 的推理令牌注入到 Claude 的上下文中

• 智能对话管理：

  • 使用文件修改时间检测活动对话
  • 处理多个并发对话
  • 自动过滤已结束的对话
  • 支持在需要时清除上下文

• 优化参数：

  • 模型特定的上下文限制：
    • DeepSeek：50,000 个字符用于集中推理
    • Claude：600,000 个字符用于全面响应
  • 推荐设置：
    • temperature：0.7 用于平衡创造力
    • top_p：1.0 用于完整概率分布
    • repetition_penalty：1.0 防止重复

安装

通过 Smithery 安装

要通过 Smithery 为 Claude Desktop 自动安装 DeepSeek Thinking with Claude 3.5 Sonnet，请执行以下操作：

npx -y @smithery/cli install @newideas99/Deepseek-Thinking-Claude-3.5-Sonnet-CLINE-MCP --client claude

手动安装

1. 克隆存储库：

git clone https://github.com/yourusername/Deepseek-Thinking-Claude-3.5-Sonnet-CLINE-MCP.git
cd Deepseek-Thinking-Claude-3.5-Sonnet-CLINE-MCP

2. 安装依赖项：

npm install

3. 创建一个包含您的 OpenRouter API 密钥的 .env 文件：

# 必需：DeepSeek 和 Claude 模型的 OpenRouter API 密钥
OPENROUTER_API_KEY=your_openrouter_api_key_here

# 可选：模型配置（显示以下默认值）
DEEPSEEK_MODEL=deepseek/deepseek-r1  # 用于推理的 DeepSeek 模型
CLAUDE_MODEL=anthropic/claude-3.5-sonnet:beta  # 用于响应的 Claude 模型

4. 构建服务器：

npm run build

与 Cline 一起使用

添加到您的 Cline MCP 设置（通常在 ~/.vscode/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.json 中）：

{
  "mcpServers": {
    "deepseek-claude": {
      "command": "/path/to/node",
      "args": ["/path/to/Deepseek-Thinking-Claude-3.5-Sonnet-CLINE-MCP/build/index.js"],
      "env": {
        "OPENROUTER_API_KEY": "your_key_here"
      },
      "disabled": false,
      "autoApprove": []
    }
  }
}

工具使用

该服务器提供了两个用于生成和监控响应的工具：

generate_response

用于生成响应的主要工具，具有以下参数：

{
  "prompt": string,           // 必需：问题或提示
  "showReasoning"?: boolean, // 可选：显示 DeepSeek 的推理过程
  "clearContext"?: boolean,  // 可选：清除对话历史记录
  "includeHistory"?: boolean // 可选：包含 Cline 对话历史记录
}

check_response_status

用于检查响应生成任务状态的工具：

{
  "taskId": string  // 必需：来自 generate_response 的任务 ID
}

响应轮询

服务器使用轮询机制来处理长时间运行的请求：

1. 初始请求：

   • generate_response 立即返回一个任务 ID
   • 响应格式：{"taskId": "uuid-here"}

2. 状态检查：

   • 使用 check_response_status 轮询任务状态
   • 注意： 响应可能需要长达 60 秒才能完成
   • 状态进展：pending → reasoning → responding → complete

在 Cline 中的示例用法：

// 初始请求
const result = await use_mcp_tool({
  server_name: "deepseek-claude",
  tool_name: "generate_response",
  arguments: {
    prompt: "What is quantum computing?",
    showReasoning: true
  }
});

// 从结果中获取 taskId
const taskId = JSON.parse(result.content[0].text).taskId;

// 轮询状态（可能需要在 ~60 秒内进行多次检查）
const status = await use_mcp_tool({
  server_name: "deepseek-claude",
  tool_name: "check_response_status",
  arguments: { taskId }
});

// 完成时的示例状态响应：
{
  "status": "complete",
  "reasoning": "...",  // 如果 showReasoning 为 true
  "response": "..."    // 最终响应
}

开发

对于具有自动重建功能的开发：

npm run watch

工作原理

1. 推理阶段 (DeepSeek R1)：

   • 使用 OpenRouter 的推理令牌功能
   • 修改提示以在捕获推理时输出“done”
   • 从响应元数据中提取推理

2. 响应阶段 (Claude 3.5 Sonnet)：

   • 接收原始提示和 DeepSeek 的推理
   • 生成包含推理的最终响应
   • 维护对话上下文和历史记录

许可证

MIT 许可证 - 有关详细信息，请参见 LICENSE 文件。

鸣谢

基于 Skirano 的 RAT（检索增强思维）概念，该概念通过结构化推理和知识检索来增强 AI 响应。

此实现专门结合了 DeepSeek R1 的推理能力和 Claude 3.5 Sonnet 的响应生成能力，通过 OpenRouter 的统一 API 实现。