Servidor CoRT MCP
Este es un servidor MCP de Cadena de Pensamientos Recursivos (CORT). El proyecto original es el siguiente; aprecio enormemente su trabajo original.
Original: PhialsBasement/Chain-of-Recursive-Thoughts: Logré que mi IA pensara más al obligarla a discutir consigo misma repetidamente. Funciona de maravilla.
https://github.com/PhialsBasement/Cadena de pensamientos recursivos
Nota de lanzamiento
0.2.0 Lista LLM actualizada 0.1.0 Versión inicial
Características
- El método CoRT, disponible a través del servidor MCP, obliga a la IA a pensar con más intensidad, haciéndola discutir consigo misma repetidamente. Funciona de maravilla.
Cheque trabajado
Código Roo / Cline
Configuración del host MCP
Se recomienda un tiempo de espera de 300 segundos. (A veces puede tomar más tiempo del esperado) Se requiere OPENROUTER_API_KEY. https://openrouter.ai/
Ejemplo: Registro deshabilitado
"CoRT-chain-of-recursive-thinking": {
"command": "pipx",
"args": ["run", "cort-mcp", "--log=off"],
"env": {
"OPENAI_API_KEY": "{apikey}",
"OPENROUTER_API_KEY": "{apikey}"
}
}
Ejemplo: Registro habilitado (se requiere ruta absoluta del archivo de registro)
"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 : Deshabilita todos los registros (no se escriben registros)--log=on --logfile=/absolute/path/to/logfile.log : Habilita el registro y escribe registros en la ruta de archivo absoluta especificada- Ambos argumentos son necesarios cuando el registro está habilitado. El servidor cerrará con un error si falta alguno, si la ruta no es absoluta o si se proporcionan valores no válidos.
Nota:
- Cuando el registro está habilitado, los registros se escriben solo en la ruta de archivo absoluta especificada. Las rutas relativas o la omisión de
--logfile provocarán un error. - Cuando el registro está deshabilitado, no se generan registros.
- Si faltan los argumentos requeridos o no son válidos, el servidor no se iniciará e imprimirá un mensaje de error.
- El archivo de registro debe ser accesible y escribible por el proceso del servidor MCP.
- Si tiene problemas para ejecutar este servidor, es posible que se deba a que se almacena en caché una versión anterior de cort-mcp. Intente ejecutarlo con la última versión (configure
xyz a la última versión) de cort-mcp con la siguiente configuración.
"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}"
}
}
Herramientas disponibles
- {toolname}.simple Sin detalles, solo muestra la alternativa final seleccionada.
- {toolname}.details Incluye detalles del historial de respuestas de LLM.
- {toolname}.mixed.llm Inferencia multi LLM.
- {toolname}.neweval Nueva solicitud de evaluación.
Consulte los detalles a continuación.
¿Qué es CoRT?
Mejora importante respecto al original
Hay varias mejoras con respecto a la metodología CoRT original.
- Inferencia Multi LLM : cada alternativa se genera con un LLM diferente (modelo + proveedor) aleatoriamente.
- Mejora de la evaluación : La evaluación de indicaciones se actualiza añadiendo una indicación que solicita a la IA que explique su razonamiento. (La indicación original está disponible en las herramientas).
Inferencia de múltiples LLM
Descripción general: Esta nueva herramienta añade una estrategia de exploración que consiste en seleccionar aleatoriamente diferentes LLM (modelo + proveedor) para cada alternativa al flujo de pensamiento convencional de CoRT. Esto permite maximizar el uso del conocimiento y las ideas de los modelos heterogéneos y seleccionar la solución óptima entre una gama más amplia de opciones.
- La función está disponible mediante herramientas llm mixtas.
La lista de LLM
- Se seleccionan modelos razonablemente más ligeros y rápidos para una mejor experiencia del usuario.
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"},
]
Proceso de herramientas LLM mixtas.
- Para cada alternativa, seleccione aleatoriamente un LLM (modelo + proveedor) de la lista anterior
- Registre siempre en el log “qué modelo y proveedor se utilizó” para cada alternativa generada
- En el modo de detalles, incluya explícitamente "modelo y proveedor utilizado para cada alternativa" en la información del historial de respuestas
Mejora de la evaluación
Descripción general: Se modificó la solicitud de evaluación para que sea más completa. (La solicitud original está disponible en herramientas). Use la solicitud de {toolname}.neweval que solicita a la IA que explique su razonamiento.
Indicación original
f"""Original message: {prompt}
Evaluate these responses and choose the best one:
Current best: {current_best}
Alternatives:
{chr(10).join([f"{i+1}. {alt}" for i, alt in enumerate(alternatives)])}
Which response best addresses the original message? Consider accuracy, clarity, and completeness.
First, respond with ONLY 'current' or a number (1-{len(alternatives)}).
Then on a new line, explain your choice in one sentence."""
Aviso mejorado
f""" Original message: {prompt}
You are an expert evaluator tasked with selecting the response that best fulfills the user's true needs, considering multiple perspectives.
Current best: {current_best}
Alternatives: {chr(10).join([f"{i+1}. {alt}" for i, alt in enumerate(alternatives)])}
Please follow this evaluation process:
Intent Analysis: What is the user REALLY seeking? What underlying needs might be present beyond the surface question?
Context Consideration: What possible situations or backgrounds could this question arise from?
Diversity Assessment: Does the response consider different viewpoints or possible interpretations?
Practicality Evaluation: How useful would the response be in the user's real-world context?
Consistency Check: Is the response internally consistent and logically coherent?
For each response (including the current best):
Does it solve the user's TRUE problem?
Does it balance accuracy and usefulness?
Does it avoid unnecessary assumptions or biases?
Is it flexible enough to apply in various contexts or situations?
Does it account for exceptions or special cases?
After completing your evaluation:
Indicate your choice with ONLY 'current' or a number (1-{len(alternatives)}).
On the next line, explain specifically why this response best meets the user's true needs. """
Especificación de parámetros y procesamiento de respaldo
Esta API determina el modelo real que se utilizará en función del provider y los parámetros model especificados, con procesamiento de respaldo en caso de errores.
- Resolución del proveedor (
provider )- Cuando no se especifica :
openrouter se utiliza como proveedor predeterminado. - Cuando se especifica un valor no válido (distinto de
openai o openrouter ): se recurre al proveedor predeterminado openrouter .
- Resolución del modelo (
model )- Cuando no se especifica :
- Si el proveedor resuelto es
openrouter : se utiliza el modelo predeterminado mistralai/mistral-small-3.1-24b-instruct:free . - Si el proveedor resuelto es
openai : se utiliza el modelo OpenAI predeterminado.
- Cuando se especifica (con un proveedor válido) :
- El nombre del modelo especificado se utiliza tal cual con el proveedor resuelto.
- Importante : en esta etapa, no se verifica si el nombre del modelo especificado realmente existe con el proveedor.
- Llamada API y reserva de errores
- Primero se intenta una llamada API con la combinación de proveedor y modelo resuelta por las reglas anteriores.
- Si ocurre un error durante la llamada API (por ejemplo, el modelo especificado no existe con el proveedor, error de autenticación de la clave API, etc.):
- Condición 1 : El proveedor del primer intento de llamada no es
openai . - Condición 2 : La variable de entorno
OPENAI_API_KEY está configurada en el sistema. - Si se cumplen ambas condiciones anteriores, el sistema vuelve a intentar automáticamente el proceso utilizando el modelo predeterminado del proveedor
openai (este es el procesamiento de respaldo). - Si no se cumple una o ambas de las condiciones anteriores (por ejemplo, el primer intento fue con
openai o OPENAI_API_KEY no está configurado), se devuelve el error inicial como resultado final y este tipo de recuperación no ocurre.
Notas sobre las variables de entorno:
- Se requiere
OPENROUTER_API_KEY para utilizar openrouter . - Se requiere
OPENAI_API_KEY para usar openai o para utilizar la función de respaldo mencionada anteriormente. - Si no se configura la clave API correspondiente, la llamada API fallará (la alternativa OpenAI también fallará dependiendo de las condiciones de la alternativa).
Licencia
Instituto Tecnológico de Massachusetts (MIT)
Déjate llevar por lo salvaje