MCP Reasoner 使用说明

项目简介

MCP Reasoner 是一个基于 Model Context Protocol (MCP) 构建的应用后端，旨在提升大型语言模型 (LLM) 的推理能力，例如 Claude Desktop。它通过集成 Beam Search 和 Monte Carlo Tree Search (MCTS) 等先进的推理算法，显著增强 LLM 在复杂问题解决方面的性能。

主要功能点

高级推理策略: 提供 Beam Search (集束搜索) 和 Monte Carlo Tree Search (蒙特卡洛树搜索) 两种核心推理策略，以及 MCTS 的实验性变体，以应对不同复杂程度的任务。
- Beam Search: 适用于较为直接和线性的推理场景。
- Monte Carlo Tree Search (MCTS): 适用于复杂、多分支的推理任务，通过模拟和评估路径来优化推理过程。
推理过程追踪与分析: 能够追踪和记录 LLM 的推理路径，并提供统计数据和指标，帮助用户理解和分析 LLM 的思考过程。
MCP 协议兼容: 完全遵循 Model Context Protocol 协议，确保与任何兼容 MCP 协议的 LLM 客户端（如 Claude Desktop）无缝集成。

安装步骤

克隆仓库 打开终端，执行以下命令克隆 GitHub 仓库到本地：

git clone https://github.com/Jacck/mcp-reasoner.git

进入项目目录
```
cd mcp-reasoner
```
安装依赖 确保已安装 Node.js 和 npm，然后运行以下命令安装项目所需的依赖包：
```
npm install
```
构建项目 运行以下命令编译 TypeScript 代码并生成可执行的 JavaScript 文件：
```
npm run build
```

服务器配置 (MCP 客户端配置)

要将 MCP Reasoner 作为 MCP 服务器配置到 MCP 客户端（例如 Claude Desktop），您需要在客户端的配置文件中添加以下 JSON 配置信息。以下配置示例适用于 Claude Desktop，其他 MCP 客户端的配置方式可能略有不同，请参考相应客户端的文档。

在 Claude Desktop 的配置文件 ('config.json' 或类似名称) 中，找到 'mcpServers' 部分并添加 'mcp-reasoner' 服务器的配置：

{
  "mcpServers": {
    "mcp-reasoner": { // 服务器名称，可以自定义，用于在客户端中标识该服务器
      "command": "node", // 启动服务器的命令，这里使用 Node.js 运行 JavaScript 文件
      "args": ["/path/to/mcp-reasoner/dist/index.js"] // 命令参数，指向构建后的服务器入口文件 'dist/index.js' 的绝对路径
      // 注意: 请将 "/path/to/mcp-reasoner/dist/index.js" 替换为 dist/index.js 文件在您本地文件系统中的实际绝对路径。
      //       您需要根据实际情况修改此路径，确保客户端能够找到并执行服务器程序。
    }
  }
}

重要: 请务必将 '"/path/to/mcp-reasoner/dist/index.js"' 替换为您本地 'mcp-reasoner' 仓库中 'dist/index.js' 文件的绝对路径。您可以通过终端导航到该文件并使用 'pwd' 命令（在文件所在目录下）来获取其绝对路径。

基本使用方法

确保 MCP Reasoner 服务器已按照上述配置正确添加到 MCP 客户端中。
启动 MCP 客户端（例如 Claude Desktop）。客户端应该能够自动连接到 MCP Reasoner 服务器。
在客户端中，当 LLM 需要进行推理时，它将能够调用 "mcp-reasoner" 工具。
您可以通过客户端界面或指令，向 "mcp-reasoner" 工具发送推理请求，请求中可以包含：
- 'thought': 当前的推理步骤或想法。
- 'thoughtNumber': 当前步骤的序号。
- 'totalThoughts': 预计的总步骤数。
- 'nextThoughtNeeded': 是否需要进行下一步推理。
- 'strategyType' (可选): 指定推理策略，例如 '"beam_search"' 或 '"mcts"'。
- 'beamWidth' (可选): Beam Search 的宽度参数。
- 'numSimulations' (可选): MCTS 的模拟次数。
服务器将根据请求的参数和策略执行推理，并将结果返回给客户端。返回结果会包含推理过程的节点ID、得分、所用策略以及统计信息等。

通过配置和使用 MCP Reasoner，您可以为 LLM 客户端增加强大的推理能力，并根据需要选择不同的推理策略和参数，以优化 LLM 在各种任务中的表现。

关键词