CoRT MCP 서버
이것은 재귀적 사고의 사슬(CORT) MCP 서버입니다. 원본 프로젝트는 아래와 같습니다. 원본 작업에 진심으로 감사드립니다.
원문: PhialsBasement/Chain-of-Recursive-Thoughts: 제 AI가 스스로와 반복적으로 논쟁하게 해서 더 깊이 생각하게 만들었습니다. 정말 멍청할 정도로 잘 작동합니다.
https://github.com/PhialsBasement/재귀적 생각의 사슬
릴리스 노트
0.2.0 LLM 목록 업데이트 0.1.0 최초 릴리스
특징
- MCP 서버를 통해 제공되는 CoRT 방식은 AI가 스스로와 반복적으로 논쟁하도록 만들어 더 깊이 생각하게 만듭니다. 정말 놀라울 정도로 잘 작동합니다.
작동 확인
루 코드 / 클라인
MCP 호스트 구성
300초 시간 제한을 권장합니다. (예상보다 시간이 더 오래 걸릴 수 있음) OPENROUTER_API_KEY가 필요합니다. https://openrouter.ai/
예: 로깅 비활성화
지엑스피1
예: 로깅 활성화(절대 로그 파일 경로 필요)
"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 : 모든 로깅을 비활성화합니다(로그가 기록되지 않습니다).--log=on --logfile=/absolute/path/to/logfile.log : 로깅을 활성화하고 지정된 절대 파일 경로에 로그를 기록합니다.- 로깅이 활성화된 경우 두 인수 모두 필수 입니다. 두 인수 중 하나라도 누락되었거나, 절대 경로가 아니거나, 잘못된 값이 지정되면 서버가 오류와 함께 종료됩니다.
메모:
- 로깅이 활성화되면 로그는 지정된 절대 파일 경로 에만 기록됩니다. 상대 경로를 사용하거나
--logfile 옵션을 생략하면 오류가 발생합니다. - 로깅이 비활성화되면 로그가 출력되지 않습니다.
- 필수 인수가 누락되었거나 유효하지 않으면 서버가 시작되지 않고 오류 메시지가 인쇄됩니다.
- 로그 파일은 MCP 서버 프로세스에서 접근하고 쓸 수 있어야 합니다.
- 이 서버를 실행하는 데 문제가 있는 경우, 이전 버전의 cort-mcp가 캐싱되어 있을 수 있습니다. 아래 설정을 사용하여 cort-mcp 최신 버전(
xyz 최신 버전으로 설정)으로 실행해 보세요.
"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}"
}
}
사용 가능한 도구
- {toolname}.simple 세부 정보 없음, 최종적으로 선택된 대안만 출력합니다.
- {toolname}.details LLM 응답 기록에 대한 세부 정보를 포함합니다.
- {toolname}.mixed.llm 다중 LLM 추론.
- {toolname}.neweval 새로운 평가 프롬프트입니다.
아래 세부 정보를 확인하세요.
CoRT란 무엇인가요?
원본에서 크게 향상된 기능
원래 CoRT 방법론에는 여러 가지 개선 사항이 있습니다.
- 다중 LLM 추론 : 각 대안은 다른 LLM(모델 + 공급자)을 사용하여 무작위로 생성됩니다.
- 평가 강화 : AI에게 추론 과정을 설명하도록 요청하는 프롬프트를 추가하여 프롬프트 평가를 업데이트합니다. (원래 프롬프트는 도구에서 이용 가능합니다.)
다중 LLM 추론
개요: 이 도구는 기존 CoRT 사고 흐름에 "각 대안에 대해 서로 다른 LLM(모델 + 제공자)을 무작위로 선택하는" 탐색 전략을 추가하는 새로운 도구입니다. 이를 통해 이기종 모델의 지식과 아이디어를 최대한 활용하고 더 다양한 옵션 중에서 최적의 솔루션을 선택할 수 있습니다.
- 이 기능은 여러 LLM 도구에서 사용 가능합니다.
LLM 목록
- 더 나은 사용자 경험을 위해 비교적 가볍고 빠른 모델이 선택되었습니다.
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"},
]
혼합 LLM 도구 프로세스.
- 각 대안에 대해 위 목록에서 하나의 LLM(모델 + 공급자)을 무작위로 선택합니다.
- 생성된 각 대안에 대해 "어떤 모델과 공급자가 사용되었는지"를 항상 로그에 기록하십시오.
- 세부 정보 모드에서는 응답 기록 정보에 "각 대안에 사용된 모델 및 공급자"를 명시적으로 포함합니다.
평가 강화
개요: 평가 프롬프트가 더 풍부해졌습니다. (원래 프롬프트는 tools에서 사용 가능합니다.) AI에게 추론 과정을 설명하도록 요청하는 {toolname}.neweval 프롬프트를 사용하세요.
원래 프롬프트
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."""
향상된 프롬프트
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. """
매개변수 사양 및 폴백 처리
이 API는 지정된 provider 와 model 매개변수를 기반으로 실제로 사용할 모델을 결정하며, 오류가 발생할 경우 대체 처리를 수행합니다.
- 제공자(
provider ) 해결- 지정하지 않으면
openrouter 가 기본 공급자로 사용됩니다. - 잘못된 값이 지정된 경우 (
openai 또는 openrouter 제외): 기본 공급자 openrouter 로 돌아갑니다.
- 모델(
model ) 해상도- 지정되지 않은 경우 :
- 해결된 공급자가
openrouter 인 경우: 기본 모델 mistralai/mistral-small-3.1-24b-instruct:free 가 사용됩니다. - 해결된 공급자가
openai 인 경우: 기본 OpenAI 모델이 사용됩니다.
- (유효한 공급자를 통해) 지정된 경우 :
- 지정된 모델 이름은 확인된 공급자와 함께 그대로 사용됩니다.
- 중요 : 이 단계에서는 지정된 모델명이 실제로 공급업체에 존재하는지 확인되지 않습니다.
- API 호출 및 오류 대체
- API 호출은 먼저 위의 규칙에 따라 해결되는 공급자와 모델 조합으로 시도됩니다.
- API 호출 중에 오류가 발생하는 경우 (예: 지정된 모델이 공급자에게 존재하지 않음, API 키 인증 오류 등):
- 조건 1 : 첫 번째 시도된 통화 제공자가
openai않습니다 . - 조건 2 : 환경 변수
OPENAI_API_KEY 가 시스템에 설정되어 있습니다. - 위의 두 조건이 모두 충족되면 시스템은
openai 제공자의 기본 모델을 사용하여 자동으로 프로세스를 다시 시도합니다 (이것이 대체 처리입니다). - 위의 두 조건 중 하나 또는 둘 다 충족되지 않으면(예: 첫 번째 시도가
openai 사용한 경우 또는 OPENAI_API_KEY 설정되지 않은 경우), 초기 오류가 최종 결과로 반환되고 이러한 유형의 대체는 발생하지 않습니다.
환경 변수에 대한 참고 사항:
openrouter 사용하려면 OPENROUTER_API_KEY 필요합니다.OPENAI_API_KEY``openai 사용하거나 위의 대체 기능을 활용하는 데 필요합니다.- 해당 API 키가 설정되지 않으면 API 호출이 실패합니다(폴백 조건에 따라 OpenAI로의 폴백도 실패합니다).
특허
MIT
그것을 가지고 야생으로 가다