Sequential Thinking Multi-Agent System

# 序列思考多智能体系统 (MAS)  [](https://smithery.ai/server/@FradSer/mcp-server-mas-sequential-thinking) [](https://twitter.com/FradSer) [](https://www.python.org/downloads/) [](https://github.com/cognitivecomputations/agno) [English](README.md) | 简体中文 该项目使用基于 **Agno** 框架构建并通过 **MCP** 提供服务的**多智能体系统 (MAS)** 实现高级序列思考过程。它通过利用协调的专业智能体进行更深入的分析和问题分解，代表了从简单状态跟踪方法的重大演进。 [](https://mseep.ai/app/fradser-mcp-server-mas-sequential-thinking) ## 这是什么? 这是一个 **MCP 服务器** - 不是独立应用程序。它作为后台服务运行,为你的 LLM 客户端(如 Claude Desktop)扩展复杂的序列思考能力。该服务器提供 `sequentialthinking` 工具,通过多个专门的 AI 智能体处理思考,每个智能体从不同的认知角度审视问题。 ## 核心架构:多维度思维智能体 系统采用 **6 个专门的思维智能体**,每个都专注于不同的认知视角: ### 1. **事实智能体** - **焦点**: 客观事实和验证数据 - **方法**: 分析性、基于证据的推理 - **能力**: - 网络研究获取当前事实 (通过 ExaTools) - 数据验证和来源引用 - 信息缺口识别 - **时间分配**: 120 秒进行深入分析 ### 2. **情感智能体** - **焦点**: 直觉和情商 - **方法**: 直觉反应和感受 - **能力**: - 快速直觉响应 (30 秒快照) - 无需解释的本能反应 - 情感模式识别 - **时间分配**: 30 秒(快速反应模式) ### 3. **批判智能体** - **焦点**: 风险评估和问题识别 - **方法**: 逻辑审查和唱反调 - **能力**: - 研究反例和失败案例 (通过 ExaTools) - 识别逻辑缺陷和风险 - 建设性地质疑假设 - **时间分配**: 120 秒进行深度分析 ### 4. **乐观智能体** - **焦点**: 利益、机会和价值 - **方法**: 积极探索且基于现实 - **能力**: - 研究成功案例 (通过 ExaTools) - 识别可行机会 - 逻辑探索最佳场景 - **时间分配**: 120 秒进行平衡乐观分析 ### 5. **创意智能体** - **焦点**: 创新和替代解决方案 - **方法**: 横向思维和创意生成 - **能力**: - 跨行业创新研究 (通过 ExaTools) - 发散性思维技巧 - 多方案生成 - **时间分配**: 240 秒(创造力需要时间) ### 6. **综合智能体** - **焦点**: 整合和元认知编排 - **方法**: 整体综合和最终答案生成 - **能力**: - 将所有视角整合为连贯响应 - 直接回答原始问题 - 提供可操作的、用户友好的见解 - **时间分配**: 60 秒进行综合 - **注意**: 使用增强模型,不包含 ExaTools(专注于整合) ## AI 驱动的智能路由 系统使用 **AI 驱动的复杂度分析** 来确定最优思考序列: ### 处理策略: 1. **单智能体** (简单问题) - 直接的事实或情感响应 - 针对直接查询的最快处理 2. **双智能体** (中等复杂度) - 两步序列(例如,乐观 → 批判) - 用于评估任务的平衡视角 3. **三智能体** (核心思考) - 事实 → 创意 → 综合 - 哲学和分析问题 4. **完整序列** (复杂问题) - 全部 6 个智能体协调工作 - 全面的多视角分析 AI 分析器评估: - 问题复杂度和语义深度 - 主要问题类型(事实、情感、创意、哲学等) - 最优解决方案所需的思维模式 - 适当的模型选择(增强型 vs 标准型) ### AI 路由流程图 ```mermaid flowchart TD A[输入思考] --> B[AI 复杂度分析器] B --> C{问题分析} C --> C1[复杂度评分<br/>0-100] C --> C2[问题类型<br/>事实/情感/<br/>创意/哲学] C --> C3[所需思维模式] C1 --> D{路由决策} C2 --> D C3 --> D D -->|评分: 0-25<br/>简单| E1[单智能体策略] D -->|评分: 26-50<br/>中等| E2[双智能体策略] D -->|评分: 51-75<br/>复杂| E3[三智能体策略] D -->|评分: 76-100<br/>高度复杂| E4[完整序列策略] %% 单智能体流程 E1 --> F1[事实智能体<br/>120秒 + ExaTools] F1 --> G1[直接响应] %% 双智能体流程 (完全并行) E2 --> DA1[两个智能体并行运行] DA1 --> DA2["智能体1 如乐观智能体<br/>120秒 + ExaTools"] DA1 --> DA3["智能体2 如批判智能体<br/>120秒 + ExaTools"] DA2 --> G2[程序综合<br/>合并两个并行结果] DA3 --> G2 %% 三智能体流程 (完全并行) E3 --> TA1[全部3个智能体并行运行] TA1 --> TA2[事实智能体<br/>120秒 + ExaTools] TA1 --> TA3[创意智能体<br/>240秒 + ExaTools] TA1 --> TA4[批判智能体<br/>120秒 + ExaTools] TA2 --> G3[程序综合<br/>整合全部3个结果] TA3 --> G3 TA4 --> G3 %% 完整序列流程 (3步过程) E4 --> FS1[步骤1: 初始综合<br/>60秒 增强模型<br/>初始编排] FS1 --> FS2[步骤2: 并行执行<br/>5个智能体同时运行] FS2 --> FS2A[事实智能体<br/>120秒 + ExaTools] FS2 --> FS2B[情感智能体<br/>30秒 快速响应] FS2 --> FS2C[乐观智能体<br/>120秒 + ExaTools] FS2 --> FS2D[批判智能体<br/>120秒 + ExaTools] FS2 --> FS2E[创意智能体<br/>240秒 + ExaTools] FS2A --> FS3[步骤3: 最终综合<br/>60秒 增强模型<br/>整合所有并行结果] FS2B --> FS3 FS2C --> FS3 FS2D --> FS3 FS2E --> FS3 FS3 --> G4[最终综合输出<br/>全面整合结果] G1 --> H[下一次迭代或<br/>最终答案] G2 --> H G3 --> H G4 --> H style A fill:#e1f5fe style B fill:#f3e5f5 style C fill:#fff3e0 style D fill:#e8f5e8 style TA1 fill:#ffecb3 style FS2 fill:#ffecb3 style G1 fill:#fce4ec style G2 fill:#fce4ec style G3 fill:#fce4ec style G4 fill:#fce4ec style H fill:#f1f8e9 ``` **关键洞察:** - **并行执行**: 非综合智能体同时运行以实现最高效率 - **综合整合**: 综合智能体串行处理并行结果 - **两种处理类型**: - **综合智能体**: 使用增强模型进行整合的真实AI智能体 - **程序综合**: 当没有综合智能体时的代码合并 - **性能特点**: 并行处理同时优化速度和质量 ## 研究能力 (ExaTools 集成) **6 个智能体中的 4 个** 配备了通过 ExaTools 的网络研究能力: - **事实智能体**: 搜索当前事实、统计数据、验证数据 - **批判智能体**: 查找反例、失败案例、监管问题 - **乐观智能体**: 研究成功故事、积极案例研究 - **创意智能体**: 发现不同行业的创新 - **情感和综合智能体**: 无 ExaTools(专注于内部处理) 研究功能是 **可选的** - 需要 `EXA_API_KEY` 环境变量。没有它系统也能完美工作,使用纯推理能力。 ## 模型智能 ### 双模型策略: - **增强模型**: 用于综合智能体(复杂整合任务) - **标准模型**: 用于各个思维智能体 - **AI 选择**: 系统根据任务复杂度自动选择正确的模型 ### 支持的提供商: - **DeepSeek** (默认) - 高性能、成本效益高 - **Groq** - 超快速推理 - **OpenRouter** - 访问多个模型 - **GitHub Models** - 通过 GitHub API 访问 OpenAI 模型 - **Anthropic** - 带提示缓存的 Claude 模型 - **Ollama** - 本地模型执行 ## 与原版本 (TypeScript) 的主要区别 这个 Python/Agno 实现标志着从原始 TypeScript 版本的根本性转变： | 特性/方面 | Python/Agno 版本 (当前) | TypeScript 版本 (原始) | | :------------------ | :------------------------------------------------------------------- | :--------------------------------------------------- | | **架构** | **多智能体系统 (MAS)**；智能体团队主动处理。 | **单类状态跟踪器**；简单日志/存储。 | | **智能** | **分布式智能体逻辑**；嵌入在专业智能体和协调器中。 | **仅外部 LLM**；无内部智能。 | | **处理** | **主动分析与综合**；智能体对思考进行*操作*。 | **被动日志**；仅记录思考。 | | **框架** | **Agno (MAS) + FastMCP (服务器)**；使用专用 MAS 库。 | **仅 MCP SDK**。 | | **协调** | **显式团队协调逻辑** (`Team` 在 `coordinate` 模式下)。 | **无**；无协调概念。 | | **验证** | **Pydantic 模式验证**；健壮的数据验证。 | **基本类型检查**；可靠性较低。 | | **外部工具** | **集成 (通过研究员使用 Exa)**；可以执行研究任务。 | **无**。 | | **日志** | **结构化 Python 日志 (文件 + 控制台)**；可配置。 | **使用 Chalk 的控制台日志**；基本。 | | **语言与生态系统** | **Python**；利用 Python AI/ML 生态系统。 | **TypeScript/Node.js**。 | 本质上，系统从被动的思考*记录器*演进为由协作 AI 智能体团队驱动的主动思考*处理器*。 ## 工作原理 (多维度处理) 1. **初始化：** 外部 LLM 使用 `sequentialthinking` 工具定义问题并启动过程。 2. **工具调用：** LLM 使用当前思考调用 `sequentialthinking` 工具，根据 `ThoughtData` 模型结构化。 3. **AI 复杂度分析：** 系统使用 AI 驱动的分析，基于问题复杂度和类型确定最优思考序列。 4. **智能体路由：** 基于分析，系统将思考路由到适当的思维智能体（单一、双重、三重或完整序列）。 5. **并行处理：** 多个思维智能体从其专业视角同时处理思考： - 事实智能体收集客观数据（可选网络研究） - 批判智能体识别风险和问题 - 乐观智能体探索机会和利益 - 创意智能体生成创新解决方案 - 情感智能体提供直觉洞察 6. **研究集成：** 配备 ExaTools 的智能体进行有针对性的网络研究以增强分析。 7. **综合与整合：** 综合智能体使用增强模型将所有视角整合为连贯、可操作的响应。 8. **响应生成：** 系统返回包含下一步指导的综合分析。 9. **迭代：** 调用 LLM 使用综合响应制定下一个思考步骤或结束过程。 ## 令牌消耗警告 **高令牌使用量：** 由于多智能体系统架构，此工具比单智能体替代方案或之前的 TypeScript 版本消耗显著**更多令牌**。每个 `sequentialthinking` 调用同时调用多个专门智能体，导致大幅增加的令牌使用量（可能比简单方法多 5-10 倍）。 这种并行处理相比简单的序列方法会导致大幅增加的令牌使用量（可能多 5-10 倍），但提供相应更深入和更全面的分析。 ## MCP 工具: `sequentialthinking` 服务器公开一个处理序列思考的 MCP 工具: ### 参数: ```typescript { thought: string, // 当前思考步骤内容 thoughtNumber: number, // 序列号 (≥1) totalThoughts: number, // 预估总步骤 nextThoughtNeeded: boolean, // 是否需要另一步? isRevision: boolean, // 修订之前的思考? branchFromThought?: number, // 分支点(用于探索) branchId?: string, // 分支标识符 needsMoreThoughts: boolean // 需要扩展序列? } ``` ### 响应: 返回来自多智能体系统的综合分析,包括: - 已处理的思考分析 - 下一步指导 - 分支和修订跟踪 - 状态和元数据 ## 安装 ### 前置要求 - Python 3.10+ - LLM API 访问(选择一个): - **DeepSeek**: `DEEPSEEK_API_KEY` (默认,推荐) - **Groq**: `GROQ_API_KEY` - **OpenRouter**: `OPENROUTER_API_KEY` - **GitHub Models**: `GITHUB_TOKEN` - **Anthropic**: `ANTHROPIC_API_KEY` - **Ollama**: 本地安装(无需 API 密钥) - **可选**: `EXA_API_KEY` 用于网络研究能力 - `uv` 包管理器(推荐)或 `pip` ### 快速开始 #### 1. 通过 Smithery 安装(推荐) ```bash npx -y @smithery/cli install @FradSer/mcp-server-mas-sequential-thinking --client claude ``` #### 2. 手动安装 ```bash # 克隆仓库 git clone https://github.com/FradSer/mcp-server-mas-sequential-thinking.git cd mcp-server-mas-sequential-thinking # 使用 uv 安装(推荐) uv pip install . # 或使用 pip pip install . ``` ### 配置 #### 对于 MCP 客户端 (Claude Desktop 等) 添加到你的 MCP 客户端配置: ```json { "mcpServers": { "sequential-thinking": { "command": "mcp-server-mas-sequential-thinking", "env": { "LLM_PROVIDER": "deepseek", "DEEPSEEK_API_KEY": "你的_api_密钥", "EXA_API_KEY": "你的_exa_密钥_可选" } } } } ``` #### 环境变量 创建 `.env` 文件或设置这些变量: ```bash # LLM 提供商(必需) LLM_PROVIDER="deepseek" # deepseek, groq, openrouter, github, anthropic, ollama DEEPSEEK_API_KEY="sk-..." # 可选:增强/标准模型选择 # DEEPSEEK_ENHANCED_MODEL_ID="deepseek-chat" # 用于综合 # DEEPSEEK_STANDARD_MODEL_ID="deepseek-chat" # 用于其他智能体 # 可选:网络研究(启用 ExaTools) # EXA_API_KEY="你的_exa_api_密钥" # 可选:自定义端点 # LLM_BASE_URL="https://custom-endpoint.com" ``` ### 模型配置示例 ```bash # Groq 使用不同模型 GROQ_ENHANCED_MODEL_ID="openai/gpt-oss-120b" GROQ_STANDARD_MODEL_ID="openai/gpt-oss-20b" # Anthropic 使用 Claude 模型 ANTHROPIC_ENHANCED_MODEL_ID="claude-3-5-sonnet-20241022" ANTHROPIC_STANDARD_MODEL_ID="claude-3-5-haiku-20241022" # GitHub Models GITHUB_ENHANCED_MODEL_ID="gpt-4o" GITHUB_STANDARD_MODEL_ID="gpt-4o-mini" ``` ## 使用方法 ### 作为 MCP 服务器 安装并在 MCP 客户端中配置后: 1. `sequentialthinking` 工具变为可用 2. 你的 LLM 可以用它处理复杂思考 3. 系统自动路由到适当的思维智能体 4. 结果被综合并返回给你的 LLM ### 直接执行 手动运行服务器进行测试: ```bash # 使用已安装的脚本 mcp-server-mas-sequential-thinking # 使用 uv uv run mcp-server-mas-sequential-thinking # 使用 Python python src/mcp_server_mas_sequential_thinking/main.py ``` ## 开发 ### 设置 ```bash # 克隆仓库 git clone https://github.com/FradSer/mcp-server-mas-sequential-thinking.git cd mcp-server-mas-sequential-thinking # 创建虚拟环境 python -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\activate # 使用开发依赖安装 uv pip install -e ".[dev]" ``` ### 代码质量 ```bash # 格式化和检查 uv run ruff check . --fix uv run ruff format . uv run mypy . # 运行测试(如果可用) uv run pytest ``` ### 使用 MCP Inspector 测试 ```bash npx @modelcontextprotocol/inspector uv run mcp-server-mas-sequential-thinking ``` 打开 http://127.0.0.1:6274/ 并测试 `sequentialthinking` 工具。 ## 系统特性 ### 优势: - **多视角分析**: 6 种不同的认知方法 - **AI 驱动路由**: 智能复杂度分析 - **研究能力**: 4 个智能体带网络搜索(可选) - **灵活处理**: 从单一到完整序列策略 - **模型优化**: 增强/标准模型选择 - **提供商无关**: 支持多个 LLM 提供商 ### 考虑因素: - **令牌使用**: 多智能体处理比单智能体使用更多令牌 - **处理时间**: 复杂序列需要更长时间但提供更深入的见解 - **API 成本**: 研究能力需要单独的 Exa API 订阅 - **模型选择**: 增强模型成本更高但提供更好的综合 ## 项目结构 ``` mcp-server-mas-sequential-thinking/ ├── src/mcp_server_mas_sequential_thinking/ │ ├── main.py # MCP 服务器入口点 │ ├── processors/ │ │ ├── multi_thinking_core.py # 6 个思维智能体定义 │ │ └── multi_thinking_processor.py # 序列处理逻辑 │ ├── routing/ │ │ ├── ai_complexity_analyzer.py # AI 驱动分析 │ │ └── multi_thinking_router.py # 智能路由 │ ├── services/ │ │ ├── thought_processor_refactored.py │ │ ├── workflow_executor.py │ │ └── context_builder.py │ └── config/ │ ├── modernized_config.py # 提供商策略 │ └── constants.py # 系统常量 ├── pyproject.toml # 项目配置 └── README.md # 此文件 ``` ## 更新日志 查看 [CHANGELOG.md](CHANGELOG.md) 了解版本历史。 ## 贡献 欢迎贡献!请确保: 1. 代码遵循项目风格 (ruff, mypy) 2. 提交消息使用传统提交格式 3. 提交 PR 前所有测试通过 4. 文档根据需要更新 ## 许可证 本项目采用 MIT 许可证 - 详见 LICENSE 文件。 ## 致谢 - 使用 [Agno](https://github.com/agno-agi/agno) v2.0+ 框架构建 - 模型上下文协议由 [Anthropic](https://www.anthropic.com/) 提供 - 研究能力由 [Exa](https://exa.ai/) 支持(可选) - 多维度思维灵感来自 Edward de Bono 的工作 ## 支持 - GitHub Issues: [报告错误或请求功能](https://github.com/FradSer/mcp-server-mas-sequential-thinking/issues) - 文档: 查看 CLAUDE.md 了解详细实现说明 - MCP 协议: [官方 MCP 文档](https://modelcontextprotocol.io/) --- **注意**: 这是一个 MCP 服务器,设计用于与 MCP 兼容的客户端(如 Claude Desktop)配合使用。它不是独立的聊天应用程序。