Reasoning-Coder MCP Server

这是一个提供灵活且可配置的两阶段推理和响应生成系统的 Model Context Protocol (MCP) 服务器。它是原始项目 Deepseek-Thinking-Claude-3.5-Sonnet-CLINE-MCP 的一个分支，通过支持多种 AI 提供商和模型来显著扩展其能力，这些提供商和模型用于推理和编码/响应生成。

与原始项目相比的关键变化和改进

原始项目专门设计为使用 DeepSeek R1 进行推理，并使用 Claude 3.5 Sonnet 进行响应生成，两者都仅通过 OpenRouter 访问。这个分支将架构泛化以支持更广泛的提供商和模型。以下是主要差异的概述：

• 多提供商支持： 不再局限于 OpenRouter，此分支现在可以使用：

  • OpenRouter
  • OpenAI
  • Anthropic (Claude)
  • DeepSeek
  • Google Gemini
  • Google Vertex AI

• 可配置的推理和编码模型： 原始项目中推理使用的是 DeepSeek，最终响应使用的是 Claude，都是硬编码的。此分支允许独立配置推理和编码/响应生成模型。你可以混合匹配提供商。例如，你可以使用 Gemini 进行推理，使用 OpenAI 生成最终响应。

• providers.json 配置： 引入了一个新的 providers.json 文件来管理可用模型及其特定参数（如温度、top_p 等）针对每个提供商。这使得添加新模型或调整现有模型变得容易，而无需修改核心代码。

• 环境变量配置： 推理和编码提供商/模型的选择现在主要通过环境变量控制：

  • REASONING_PROVIDER：指定推理阶段的提供商（例如，openai，gemini，deepseek，openrouter，anthropic，vertex）。
  • REASONING_MODEL：指定用于推理的模型（例如，gpt-4，gemini-pro，deepseek/deepseek-r1）。
  • CODING_PROVIDER：指定编码/响应生成阶段的提供商。
  • CODING_MODEL：指定用于最终响应的模型。

• 动态客户端初始化： 代码现在根据 REASONING_PROVIDER 和 CODING_PROVIDER 设置动态初始化必要的 API 客户端。这避免了不必要的初始化和依赖关系。

• 统一的 getReasoning 和 getFinalResponse： 提供商特定逻辑被抽象到 getReasoning 和 getFinalResponse 函数中，使核心任务处理逻辑与提供商无关。

• 保留核心 MCP 结构： 分支保留了使用 MCP 的核心结构，因此它可以与任何 MCP 客户端集成，就像原始实现一样。它定义了 generate_response 和 check_response_status 工具，方式与原始实现相同。

• 保留 Cline 集成： 类似于原始项目，分支旨在与 Cline（Claude 桌面扩展）集成。

• 保留对话历史记录功能： 分支实现了使用 Cline 对话历史记录作为上下文的功能。

• 无硬编码模型： 新实现中没有硬编码模型，模型在 .env 文件和 providers.json 中定义。

功能

• 两阶段处理：

  • 使用可配置模型进行初始推理（例如，DeepSeek，GPT-4，Gemini Pro）。
  • 使用可配置模型进行最终响应/代码生成（例如，Claude，GPT-4，DeepSeek Chat）。
  • 将第一阶段的推理注入第二阶段的上下文中。

• 灵活的提供商和模型选择：

  • 从 OpenRouter，OpenAI，Anthropic，DeepSeek，Gemini 和 Vertex AI 中选择，用于推理和编码阶段。
  • 通过 providers.json 和环境变量轻松配置模型及其参数。

• 智能对话管理（继承自原始项目）：

  • 使用文件修改时间检测活跃的 Cline 对话。
  • 处理多个并发对话。
  • 自动过滤已结束的对话。
  • 支持上下文清除。

• 优化参数（可配置）：

  • 尊重模型特定的上下文限制（例如，DeepSeek 推理为 50,000 字符，响应模型有更大的限制）。
  • 参数如 temperature，top_p 和 repetition_penalty 在 providers.json 中按模型配置。

• 响应轮询（继承自原始项目）：

  • 使用 generate_response（获取任务 ID）和 check_response_status（检查状态）的轮询机制。这处理了 LLM 调用的异步性质。

安装

通过 Smithery 安装

要通过 Smithery 自动安装 Reasoning-Coder for Claude Desktop：

npx -y @smithery/cli install @mario-andreschak/mcp-reasoning-coding --client claude

手动安装

1. 克隆此仓库：

   git clone https://github.com/mario-andreschak/mcp-reasoning-coding.git
   cd /mcp-reasoning-coding
   

2. 安装依赖项：

   npm install
   

3. 创建 .env 文件： 此文件将保存你的 API 密钥和提供商/模型选择。示例：

   # --- 至少需要一个 API 密钥 ---
   OPENROUTER_API_KEY=your_openrouter_key
   OPENAI_API_KEY=your_openai_key
   ANTHROPIC_API_KEY=your_anthropic_key
   DEEPSEEK_API_KEY=your_deepseek_key
   GEMINI_API_KEY=your_gemini_key
   VERTEX_PROJECT_ID=your_vertex_project_id # 用于 Vertex AI
   VERTEX_REGION=your_vertex_region         # 用于 Vertex AI
   
   # --- 提供商和模型选择 ---
   REASONING_PROVIDER=openrouter
   REASONING_MODEL=deepseek/deepseek-r1
   CODING_PROVIDER=openrouter
   CODING_MODEL=anthropic/claude-3.5-sonnet:beta
   

   重要： 你只需提供打算使用的提供商的 API 密钥。例如，如果你只使用 OpenAI，则不需要 OPENROUTER_API_KEY。

4. providers.json 文件： 此文件定义了每个提供商的可用模型及其参数。将此文件放置在 src 文件夹中。示例（src/providers.json）：

   {
     "openrouter": {
       "deepseek/deepseek-r1": {
         "temperature": 0.7,
         "top_p": 1
       },
       "anthropic/claude-3.5-sonnet:beta": {
         "temperature": 0.7,
         "top_p": 1,
         "repetition_penalty": 1
       },
       "deepseek/deepseek-chat":{
         "temperature": 0.7,
         "top_p": 1
       }
     },
     "openai": {
       "gpt-4": {
         "temperature": 0.7,
         "top_p": 1
       },
       "gpt-3.5-turbo": {
         "temperature": 0.7,
         "top_p": 1
       }
     },
       "anthropic": {
         "claude-3-opus-20240229": {
           "temperature": 0.7,
           "top_p": 1
         }
       },
       "deepseek": {
         "deepseek-coder": {
           "temperature": 0.7,
           "top_p": 1
         }
       },
       "gemini":{
         "gemini-pro":{
   
         }
       },
       "vertex": {
         "gemini-1.5-pro-002":{
   
         }
       }
   }
   

   • extra_params： 你可以在模型定义中使用 extra_params 键添加提供商特定的参数。查阅每个提供商的 API 文档以了解可用选项。

5. 构建服务器：

   npm run build
   

使用 Cline

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

{
  "mcpServers": {
    "reasoning-coding": {
      "command": "/path/to/node",
      "args": ["/path/to/your-fork/build/index.js"],  // 调整路径
      "env": {
        // 你的 .env 变量将被继承，所以这里不需要重复它们
      },
      "disabled": false,
      "autoApprove": []
    }
  }
}

替换 /path/to/node 和 /path/to/your-fork/build/index.js 为正确的路径。

工具使用（与原始项目相同）

服务器提供了与原始项目相同的两个工具：

generate_response

使用配置的推理和编码模型生成响应。

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

check_response_status

检查响应生成任务的状态。

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

响应轮询（与原始项目相同）

1. 初始请求： 调用 generate_response 获取 taskId。

   const result = await use_mcp_tool({
     server_name: "reasoning-coding",
     tool_name: "generate_response",
     arguments: {
       prompt: "解释相对论理论。",
       showReasoning: true
     }
   });
   
   const taskId = JSON.parse(result.content[0].text).taskId;
   

2. 状态检查： 使用 taskId 轮询 check_response_status 直到状态为 complete（或 error）。

   const status = await use_mcp_tool({
     server_name: "reasoning-coding",
     tool_name: "check_response_status",
     arguments: { taskId }
   });
   
   // 当完成时的状态响应示例：
   {
     "status": "complete",
     "reasoning": "...",  // 如果 showReasoning 为 true
     "response": "..."    // 最终响应
     "error": undefined   // 如果发生错误，将具有值
   }
   

开发

为了开发并自动重建：

npm run watch

工作原理（扩展）

1. 推理阶段：

   • 调用 getReasoning 函数，传入用户的提示（以及可能的 Cline 对话历史）。
   • 根据 REASONING_PROVIDER 环境变量，调用适当的提供商特定函数（例如，getReasoningOpenAI，getReasoningGemini）。
   • 使用选定的模型（来自 REASONING_MODEL）生成推理。
   • 返回推理结果。

2. 响应阶段：

   • 调用 getFinalResponse 函数，传入原始提示和第一阶段的推理。
   • 根据 CODING_PROVIDER 环境变量，调用适当的提供商特定函数。
   • 使用选定的模型（来自 CODING_MODEL）生成最终响应，结合推理。
   • 返回响应结果。

3. MCP 处理： ReasoningCodingServer 类处理 MCP 通信、任务管理和上下文管理。它使用 getReasoning 和 getFinalResponse 函数来协调两阶段过程。

许可证

MIT 许可证 - 查看 LICENSE 文件以获取详细信息。

致谢

• 基于原始 Deepseek-Thinking-Claude-3.5-Sonnet-CLINE-MCP 项目。
• 受 Skirano 的 RAT（检索增强思维）概念启发。