关键词

递归思维AI推理增强大语言模型评估多模型调用CoRT

本项目提供了一个基于Model Context Protocol (MCP) 的服务器实现，核心功能是利用Chain-of-Recursive-Thoughts (CoRT) 方法增强大语言模型的推理和问题解决能力。它通过多次迭代生成并评估备选答案，最终选出最优解。

主要功能点

  • 链式递归思维 (CoRT): 让AI通过自我提问和评估，对问题进行多轮深度思考，提高回答质量。
  • 多模型调用: 在生成备选答案的环节，可以随机调用配置的不同大语言模型，结合多种视角和知识。
  • 增强评估: 使用更详细和结构化的评估提示词，指导AI更全面地评估备选答案的优劣。
  • 详细过程输出: 除了最终答案，还可以选择输出详细的思考过程和历史记录，帮助用户理解AI的推理路径。
  • 灵活配置: 支持通过MCP客户端配置服务器的启动参数，如日志开关及日志文件路径。

安装步骤

本项目是一个Python应用。推荐使用 'pipx' 进行安装和管理。

  1. 确保已安装 'pipx': 如果没有，请参考 pipx安装指南 进行安装。
  2. 克隆仓库: 
    git clone https://github.com/KunihiroS/cort-mcp.git
cd cort-mcp
  3. 使用 'pipx' 安装: 
    pipx install .
    这会将 'cort-mcp' 命令安装到一个独立的环境中。
  4. 配置API密钥: 启动服务器需要配置大语言模型的API密钥。通过环境变量设置 'OPENAI_API_KEY' 和/或 'OPENROUTER_API_KEY'。MCP客户端通常支持在服务器配置中指定这些环境变量。

服务器配置

本MCP服务器设计为由兼容的MCP客户端（如Roo Code, Cline等）启动和管理。客户端需要知道如何启动服务器进程，并通过标准输入/输出(Stdio)与其通信。

典型的MCP客户端配置（JSON格式，非代码）：

  • '"command"': 指定启动服务器的命令，通常是 '"pipx"'。
  • '"args"': 指定传递给命令的参数列表。通常是 '["run", "cort-mcp"]' 加上服务器的启动参数，如 '["--log", "on", "--logfile", "/absolute/path/to/your/log/file"]' 或 '["--log", "off"]'。日志文件路径必须是绝对路径。
  • '"env"': 指定服务器进程所需的环境变量，尤其是API密钥，如 '"OPENAI_API_KEY": "{apikey}"', '"OPENROUTER_API_KEY": "{apikey}"'。客户端通常会提供机制来安全地插入用户的密钥。

请参考你的MCP客户端文档，了解如何添加新的MCP服务器配置，并填入上述信息。

基本使用方法

一旦服务器在MCP客户端中配置并成功启动，你就可以通过客户端界面调用其提供的工具。服务器提供的工具包括：

  • 'cort.think.simple': 调用CoRT进行递归思考，返回最终的简洁回答。
  • 'cort.think.details': 调用CoRT进行递归思考，返回最终回答及包含所有思考过程的详细历史记录。
  • 'cort.think.simple.neweval': 使用增强的评估提示词进行CoRT思考，返回简洁回答。
  • 'cort.think.details.neweval': 使用增强的评估提示词进行CoRT思考，返回最终回答及详细历史记录。
  • 'cort.think.simple_mixed_llm': 使用随机选择不同模型进行备选答案生成的CoRT思考，返回简洁回答。
  • 'cort.think.details_mixed_llm': 使用随机选择不同模型进行备选答案生成的CoRT思考，返回最终回答及详细历史记录。
  • 'cort.think.simple_mixed_llm.neweval': 使用随机选择不同模型及增强评估提示词进行CoRT思考，返回简洁回答。
  • 'cort.think.details_mixed_llm.neweval': 使用随机选择不同模型及增强评估提示词进行CoRT思考，返回最终回答及详细历史记录。

你需要通过MCP客户端向这些工具传递一个必要的参数：

  • 'prompt' (字符串，必需): 你希望AI进行递归思考的原始问题或指令。

部分工具（如非'mixed_llm'版本）还支持传递 'model' 和 'provider' 参数来指定使用哪个模型和提供商进行思考，但通常推荐使用默认配置或 'mixed_llm' 工具利用多模型优势。

具体如何通过客户端调用工具并查看结果，请参考你使用的MCP客户端的文档。

许可协议

MIT License

信息

分类

AI与计算

访问项目