核心-MCP

Name: 核心-MCP
Author: KunihiroS

作者：KunihiroS7 星标更新：2025-05-16

安装使用来源：spider==github.com

项目介绍

CoRT MCP Server

这是一个递归思维链（CORT）MCP服务器。原始项目如下，我非常感谢原作者的工作。

原始：PhialsBasement/Chain-of-Recursive-Thoughts: 我通过让AI反复与自己辩论来让它更深入地思考。效果非常好。 https://github.com/PhialsBasement/Chain-of-Recursive-Thoughts

发布说明

0.2.0 更新了LLM列表 0.1.0 初始发布

特性

通过MCP服务器提供CoRT方法，使AI反复与自己辩论以进行更深入的思考。效果非常好。

工作检查

Roo代码 / Cline

MCP主机配置

建议超时时间为300秒。（有时可能需要比预期更长的时间）需要OPENROUTER_API_KEY。https://openrouter.ai/

示例：禁用日志

"CoRT-chain-of-recursive-thinking": {
  "command": "pipx",
  "args": ["run", "cort-mcp", "--log=off"],
  "env": {
    "OPENAI_API_KEY": "{apikey}",
    "OPENROUTER_API_KEY": "{apikey}"
  }
}

示例：启用日志（需要绝对的日志文件路径）

"CoRT-chain-of-recursive-thinking": {
  "command": "pipx",
  "args": ["run", "cort-mcp", "--log=on", "--logfile=/workspace/logs/cort-mcp.log"],
  "env": {
    "OPENAI_API_KEY": "{apikey}",
    "OPENROUTER_API_KEY": "{apikey}"
  }
}

--log=off : 禁用所有日志（不写入任何日志）
--log=on --logfile=/absolute/path/to/logfile.log : 启用日志并写入指定的绝对文件路径
当启用日志时，这两个参数是必需的。如果缺少任何一个参数，路径不是绝对路径，或给定值无效，服务器将以错误退出。

注意：

当启用日志时，日志仅写入到指定的绝对文件路径。相对路径或省略--logfile会导致错误。

当禁用日志时，不会输出任何日志。

如果缺少或提供了无效的必要参数，服务器将无法启动，并会打印错误消息。

日志文件必须可由MCP服务器进程访问和写入。

如果您遇到运行此服务器的问题，可能是由于缓存了旧版本的cort-mcp。请尝试使用最新版本（将x.y.z设置为最新版本）的cort-mcp运行它，如下设置：

"CoRT-chain-of-recursive-thinking": {
  "command": "pipx",
  "args": ["run", "cort-mcp==x.y.z", "--log=off"],
  "env": {
    "OPENAI_API_KEY": "{apikey}",
    "OPENROUTER_API_KEY": "{apikey}"
  }
}

可用工具

{toolname}.simple 无详细信息，仅输出最终选定的替代方案。
{toolname}.details 包含LLM响应历史的详细信息。
{toolname}.mixed.llm 多LLM推理。
{toolname}.neweval 新的评估提示。

请参阅以下详细信息。

CoRT是什么？

flowchart TB
    Start[用户查询] --> DetermineRounds[AI确定思考轮数]
    DetermineRounds -->|确定思考轮数 1-5 轮| InitialResponse[初始响应\ntemperature=0.7]

    InitialResponse --> Round1[开始第1轮]

    subgraph "第1轮"
        Round1 --> R1A1[创建替代方案1 temperature=0.7]
        Round1 --> R1A2[创建替代方案2 temperature=0.8]
        Round1 --> R1A3[创建替代方案3 temperature=0.9]

        InitialResponse & R1A1 & R1A2 & R1A3 --> R1Eval[评估 temperature=0.2]
        R1Eval --> R1Best[第1轮最佳响应]
    end

    R1Best --> Round2[开始第2轮]

    subgraph "第2轮"
        Round2 --> R2A1[创建替代方案1 temperature=0.7]
        Round2 --> R2A2[创建替代方案2 temperature=0.8]
        Round2 --> R2A3[创建替代方案3 temperature=0.9]

        R1Best & R2A1 & R2A2 & R2A3 --> R2Eval[评估 temperature=0.2]
        R2Eval --> R2Best[第2轮最佳响应]
    end

    R2Best --> Remaining[剩余轮次 重复相同过程]
    Remaining --> FinalBest[最终轮次最佳响应]

    FinalBest --> FinalResponse[最终响应]

主要增强功能

从原始CoRT方法论中进行了几项增强。

多LLM推理：每个替代方案都随机生成不同的LLM（模型+提供商）。
评估增强：通过添加一个要求AI解释其推理的提示来更新评估提示。（原始提示可通过工具获取）

多LLM推理

概述： 这是一个新工具，它在传统的CoRT思考流程中增加了“随机选择不同LLM（模型+提供商）用于每个替代方案”的探索策略。这允许最大限度地利用异构模型的知识和想法，并从更广泛的选项中选择最优解决方案。

该功能可通过混合LLM工具获得。

LLM列表

选择了较轻且较快的模型以提高用户体验。

MIXED_LLM_LIST = [
    {"provider": "openai", "model": "gpt-4.1-nano"},
    {"provider": "openrouter", "model": "meta-llama/llama-4-scout:free"},
    {"provider": "openrouter", "model": "google/gemini-2.0-flash-exp:free"},
    {"provider": "openrouter", "model": "mistralai/mistral-small-3.1-24b-instruct:free"},
    {"provider": "openrouter", "model": "meta-llama/llama-3.2-3b-instruct:free"},
    {"provider": "openrouter", "model": "thudm/glm-4-9b:free"},
]

混合LLMs工具流程。

对于每个替代方案，从上述列表中随机选择一个LLM（模型+提供商）
总是在日志中记录“每个生成的替代方案所使用的模型和提供商”
在详细模式下，明确包含“每个替代方案所使用的模型和提供商”在响应历史信息中

评估增强

概述： 更改了评估提示，使其更加丰富。（原始提示可通过工具获取）使用{toolname}.neweval提示，要求AI解释其推理。

原始提示

f"""原始消息：{prompt}
评估这些响应并选择最佳的一个：
当前最佳：{current_best}
备选方案：
{chr(10).join([f"{i+1}. {alt}" for i, alt in enumerate(alternatives)])}
哪个响应最能解决原始消息？考虑准确性、清晰度和完整性。
首先，仅用'current'或数字（1-{len(alternatives)}）回应。
然后在新的一行中，用一句话解释你的选择。"""

增强提示

f""" 原始消息：{prompt}
您是一位专家评估员，负责选择最能满足用户真正需求的响应，考虑多个视角。
当前最佳：{current_best}
备选方案： {chr(10).join([f"{i+1}. {alt}" for i, alt in enumerate(alternatives)])}
请遵循以下评估过程：
意图分析：用户真正寻求的是什么？除了表面问题外，可能存在哪些潜在需求？
情境考量：这个问题可能源于哪些可能的情况或背景？
多样性评估：响应是否考虑了不同的观点或可能的解释？
实用性评估：响应在用户的实际环境中有多有用？
一致性检查：响应内部是否一致且逻辑连贯？
对于每个响应（包括当前最佳）：
它是否解决了用户的真实问题？
它是否平衡了准确性和实用性？
它是否避免了不必要的假设或偏见？
它是否足够灵活以适用于各种上下文或情况？
它是否考虑了例外或特殊情况？
完成您的评估后：
仅用'current'或数字（1-{len(alternatives)}）表示您的选择。
在下一行中，具体解释为什么这个响应最能满足用户的真实需求。"""

参数规格和回退处理

此API根据指定的provider和model参数确定实际使用的模型，并在发生错误时进行回退处理。

提供商（provider）解析
- 未指定时：默认使用openrouter作为提供商。
- 指定了无效值（除openai或openrouter以外）：回退到默认提供商openrouter。
模型（model）解析
- 未指定时：
  - 如果解析的提供商是openrouter：使用默认模型mistralai/mistral-small-3.1-24b-instruct:free。
  - 如果解析的提供商是openai：使用默认的OpenAI模型。
- 指定（具有有效的提供商）时：
  - 使用解析提供商下的指定模型名称。
  - 重要：在此阶段，不会验证指定的模型名称是否确实存在于提供商中。
API调用和错误回退
- 首先尝试使用上述规则解析的提供商和模型组合进行API调用。
- 如果API调用过程中发生错误（例如，指定的模型不存在于提供商中，API密钥认证错误等）：
  - 条件1：首次尝试调用的提供商不是openai。
  - 条件2：系统中设置了环境变量OPENAI_API_KEY。
  - 如果满足以上两个条件，则系统自动重试使用openai提供商的默认模型的过程（这是回退处理）。
  - 如果上述任一或两个条件不满足（例如，首次尝试是openai，或未设置OPENAI_API_KEY），则返回初始错误作为最终结果，这种类型的回退不会发生。

关于环境变量的注意事项：

使用openrouter需要OPENROUTER_API_KEY。
使用openai或利用上述回退功能需要OPENAI_API_KEY。
如果没有设置相应的API密钥，API调用将会失败（根据回退条件，回退到OpenAI也会失败）。

许可证

MIT

随心所欲地使用