结构化思考 MCP 服务器

一个基于 TypeScript 的模型上下文协议 (MCP) 服务器，它基于 Arben Ademi 的 Sequential Thinking Python 服务器。 该项目的动机是允许 LLM 以编程方式构建思维导图来探索一个想法空间，并强制执行“元认知”自我反思。

设置

在 Claude Desktop、Cursor 或其他 MCP 客户端中设置工具配置，如下所示：

{
  "structured-thinking": {
    "command": "npx",
    "args": ["-y", "structured-thinking"]
  }
}

概述

思考质量评分

当 LLM 捕捉到一个想法时，它会为该想法分配一个介于 0 和 1 之间的质量评分。该评分与想法的阶段结合使用，为 LLM 提供“元认知”反馈，以了解如何“引导”其思考过程。

思考阶段

每个想法都标有一个阶段（例如，问题定义、分析、构思），以帮助管理 LLM 思考过程的生命周期。 在当前的实现中，这些阶段起着非常重要的作用。 实际上，如果 LLM 在给定阶段花费的时间过长，或者在当前阶段的想法质量较低，服务器将向 LLM 提供反馈，以“引导”其思考转向其他阶段，或者至少转向非当前阶段典型的思考策略。 （例如，在演绎模式下，将鼓励 LLM 考虑更具创造性的想法。）

思考分支

LLM 可以从特定想法中产生“分支”，以并行探索不同的推理路线。 每个分支都单独跟踪，让您可以管理多个解决方案或想法应该共存的场景。

内存管理

服务器维护 LLM 最近十个想法的“短期”内存缓冲区，以及可以根据其标签检索的想法的“长期”内存，以便总结 LLM 在给定主题上的整个思考过程的历史记录。

局限性

朴素的元认知监控

目前，质量指标和元认知反馈是从应用于单个自我报告的质量评分的基于阶段的朴素乘数机械地导出的。

作为未来工作的一部分，我计划添加更复杂的元认知反馈，包括对思考内容的语义分析、思考验证过程以及对推理错误的更智能的监控。

缺少用户界面

目前，服务器将所有想法存储在内存中，并且不会将它们持久保存到文件或数据库中。 也没有用户界面来查看想法空间或可视化思维导图。

作为未来工作的一部分，我计划集成一个简单的可视化客户端，以便用户可以观看想法图的演变。

MCP 工具

服务器公开以下 MCP 工具：

capture_thought

在思考历史中创建一个想法，其中包含有关想法类型、质量、内容以及与其他想法的关系的元数据。

参数：

• thought: 当前想法的内容
• thought_number: 序列中的当前位置
• total_thoughts: 预期的想法总数
• next_thought_needed: 是否应该继续下一个想法
• stage: 当前思考阶段（例如，“问题定义”、“分析”）
• is_revision (可选): 这是否修改了先前的想法
• revises_thought (可选): 要修改的想法的编号
• branch_from_thought (可选): 新想法分支的起点
• branch_id (可选): 当前分支的标识符
• needs_more_thoughts (可选): 是否需要更多想法
• score (可选): 质量评分（0.0 到 1.0）
• tags (可选): 想法的类别或标签

revise_thought

修改思考历史中的一个想法，其中包含有关想法类型、质量、内容以及与其他想法的关系的元数据。

参数：

• thought_id: 要修改的想法的 ID
• 来自 capture_thought 的参数

retrieve_relevant_thoughts

从长期存储中检索与指定想法共享标签的想法。

参数：

• thought_id: 要检索相关想法的想法的 ID

get_thinking_summary

生成整个思考过程的综合摘要。

clear_thinking_history

清除所有记录的想法并重置服务器状态。

许可证

MIT