Grupo de expertos del MCP

Descripción general

MCP Think Tank es un potente servidor de Protocolo de Contexto de Modelo (MCP) diseñado para optimizar las capacidades de asistentes de IA como Cursor y Claude @Web . Proporciona un entorno estructurado para un razonamiento mejorado, memoria persistente y un uso responsable de las herramientas.

Las capacidades clave incluyen Pensamiento Secuencial y Razonamiento Encadenado avanzados, un robusto sistema de Memoria de Gráficos de Conocimiento con control de versiones y una Orquestación Inteligente de Herramientas con Protección de Límites de Llamadas . Esta plataforma permite a la IA abordar problemas complejos mediante análisis estructurado, mantener el conocimiento entre sesiones y utilizar recursos externos como la búsqueda web, todo ello respetando límites de uso configurables.

🎯 Filosofía

El Think Tank del MCP se basa en tres principios fundamentales:

Simplicidad elegante : herramientas mínimas y bien diseñadas que complementan las capacidades de IA en lugar de intentar replicarlas.
Reflexión mejorada : una guía amable fomenta un mejor razonamiento y una mejor autorreflexión sin restricciones rígidas.
Contexto persistente : un gráfico de conocimiento simple, pero efectivo, proporciona memoria a través de conversaciones.

Características principales

💭 Think Tool : Espacio dedicado al razonamiento estructurado y la autorreflexión.
🧩 Knowledge Graph : Sistema de memoria persistente simple y efectivo.
📝 Herramientas de gestión de tareas : planifique, realice un seguimiento y actualice las tareas, integradas con el gráfico de conocimiento.
🌐 Herramientas de investigación web (Exa) : busque en la web y obtenga respuestas basadas en fuentes utilizando la API de Exa.
🔍Herramientas de memoria : herramientas fáciles de usar para almacenar y recuperar información del gráfico de conocimiento.
🤝 Soporte al cliente : Integración perfecta con Cursor, Claude @Web y otros clientes MCP.
🛡️ Orquestación de herramientas y límites de llamadas : protecciones integradas para un uso eficiente y responsable de las herramientas con límites configurables.
⚡ Almacenamiento en caché de contenido : optimización del rendimiento para operaciones de archivos y URL con detección automática de duplicados.
🔄 Pensamiento secuencial : permite procesos de razonamiento de múltiples pasos con seguimiento del progreso.
🔎 Autorreflexión : Pases de reflexión automatizados para mejorar la calidad del razonamiento.
📊 Salidas estructuradas : formato automático de los procesos de pensamiento para una mejor legibilidad.
🔗 Integración de investigación : incorporación perfecta de los resultados de la investigación web en los flujos de razonamiento.

Beneficios del pensamiento estructurado

El uso de la herramienta think proporciona un espacio dedicado al razonamiento sistemático, fomentando:

Definición clara del problema
Recopilación del contexto relevante
Análisis paso a paso
Autorreflexión sobre el razonamiento
Conclusiones bien formadas

Estudios recientes destacan mejoras significativas al utilizar el pensamiento estructurado:

54% de mejora relativa en tareas de toma de decisiones complejas.
Mayor consistencia en múltiples ensayos.
Rendimiento mejorado en puntos de referencia de ingeniería de software.

Características detalladas

Más allá de la lista principal, MCP Think Tank ofrece capacidades sofisticadas para la interacción avanzada con IA.

Pensamiento estructurado (Herramienta Think)

La herramienta think es el mecanismo central para el razonamiento avanzado de la IA. Proporciona un entorno dedicado y estructurado donde la IA puede desglosar sistemáticamente los problemas, recopilar contexto, analizar opciones y realizar autorreflexión. Esto promueve un análisis más profundo y resultados de mayor calidad en comparación con las respuestas no estructuradas. Admite pasos secuenciales y se integra a la perfección con herramientas de investigación y memoria.

Función de autorreflexión

La herramienta de pensamiento incluye una potente capacidad de autorreflexión que se puede habilitar con el parámetro selfReflect: true :

mcp_think-tool_think({
  structuredReasoning: "...",
  selfReflect: true,
  reflectPrompt: "Optional custom reflection prompt"
})

Cuando se activa la autorreflexión, la IA recibe una indicación para reflexionar sobre su propio razonamiento. Esto sigue la filosofía de diseño de MCP de mejorar, en lugar de reemplazar, las capacidades de la IA.

El parámetro reflectPrompt permite personalizar la solicitud de reflexión, adaptándola a tareas o dominios de razonamiento específicos. Si no se especifica, se utiliza una solicitud predeterminada que solicita la identificación de inconsistencias, errores lógicos y sugerencias de mejora.

Memoria del gráfico de conocimiento

El gráfico de conocimiento proporciona memoria persistente a lo largo de diferentes interacciones y sesiones. Permite a la IA desarrollar una comprensión cada vez mayor del proyecto, sus componentes y los conceptos relacionados.

Observaciones con marca de tiempo : todas las entradas de memoria incluyen metadatos para su seguimiento.
Prevención de duplicados : la coincidencia inteligente de entidades evita entradas redundantes.
Vinculación automática : la creación de relaciones basada en heurística conecta conceptos relacionados (configurable).
Consultas avanzadas : Filtra la memoria por tiempo, etiquetas, palabras clave y más con la potente herramienta memory_query para análisis históricos y seguimiento de la evolución de conceptos. Encuentra fácilmente entradas recientes de las últimas 48 horas o de cualquier período específico.
Mantenimiento de la memoria : se incluyen herramientas para podar y gestionar el crecimiento de la memoria.
Herramientas de memoria clave : se utilizan herramientas como upsert_entities , add_observations , create_relations , search_nodes , memory_query y open_nodes para interactuar con el gráfico.

Herramientas de gestión de tareas

Un conjunto de herramientas permite a la IA gestionar las tareas del proyecto directamente dentro del flujo de conversación. Esto integra la planificación y la ejecución con el gráfico de conocimiento, lo que permite a la IA comprender el estado y las prioridades del proyecto.

Herramientas de tareas clave

plan_tasks : Crea múltiples tareas a la vez con prioridades y dependencias
list_tasks : Filtrar tareas por estado y prioridad
next_task : Obtener la tarea de mayor prioridad y marcarla como en progreso
complete_task : Marcar tareas como completadas
update_tasks : Actualizar las tareas existentes con nueva información

Herramientas de investigación web (Exa)

Aprovechando la API de Exa, MCP Think Tank proporciona herramientas para obtener información externa. Esto permite a la IA acceder a información actualizada de la web para fundamentar su razonamiento y proporcionar respuestas fundamentadas.

exa_search : Realiza búsquedas web basadas en una consulta.
exa_answer : Obtenga una respuesta concisa y fundamentada a una pregunta fáctica.

Nota: Para usar estas herramientas, es necesario configurar la clave API de Exa. Consulte la sección " Configuración" .

Orquestación de herramientas y salvaguardias

MCP Think Tank incluye funciones integrales para garantizar que las herramientas se utilicen de manera responsable y eficiente.

Límites de uso : Un número máximo configurable de llamadas a herramientas por interacción del usuario ( TOOL_LIMIT , valor predeterminado: 25). El límite solo cuenta las llamadas consecutivas a herramientas dentro de un mismo mensaje de usuario y se restablece automáticamente al enviar un nuevo mensaje.
Seguimiento automático : todas las llamadas de herramientas se registran y monitorean.
Degradación elegante : cuando se alcanzan los límites, el sistema intenta devolver resultados parciales.
Almacenamiento en caché inteligente : Las llamadas a herramientas idénticas y las búsquedas repetidas de contenido de archivos/URL se almacenan automáticamente en caché, lo que reduce el tiempo de ejecución y el uso de recursos. El comportamiento y el tamaño del almacenamiento en caché son configurables ( CACHE_TOOL_CALLS , CONTENT_CACHE ).
Acceso configurable : la lista blanca de herramientas puede restringir las herramientas disponibles en contextos específicos.
Manejo de errores : el manejo de errores sólido proporciona información clara para problemas como alcanzar límites o llamadas de herramientas no válidas.

📦 Instalación

⚠️ Nota importante LEA ESTO: Al actualizar a una nueva versión de MCP Think Tank en Cursor o Claude, puede crear múltiples instancias del servidor MCP Think Tank, lo que provocará que se creen instancias Node.js adicionales, lo que reducirá el rendimiento de su sistema: este es un problema conocido con los servidores MCP: elimine todos los procesos mcp-think-tank en su sistema y verifique que solo tenga una instancia node.js ejecutándose.

⚠️ El archivo task.jsonl se encuentra en ~/.mcp-think-tank/. Este archivo está separado del archivo kg, ya que el think tank podría confundirse con tareas creadas previamente en el archivo kg. Elimine el contenido del archivo task.jsonl si el archivo se vuelve demasiado grande o si desea iniciar un nuevo proyecto y asegurarse de que no contenga tareas. En una versión futura, las tareas podrían fusionarse con el archivo kg para garantizar que las tareas y relaciones completadas se almacenen en memoria y no haya tareas duplicadas.

NPX (Recomendado)

La forma más sencilla de utilizar MCP Think Tank es a través de NPX en Cursor usando el archivo mcp.json, que ejecuta la última versión sin instalación global.

npx mcp-think-tank@2.0.7

Para la última versión (que puede tener problemas de compatibilidad):

npx mcp-think-tank@latest

Algunos usuarios tienen problemas con npx @latest en Cursor, si es así, intente especificar la versión mcp-think-tank@2.0.7 en el archivo .json o instálelo globalmente:

Instalación global

Para una herramienta de línea de comandos persistente:

npm install -g mcp-think-tank
mcp-think-tank

⚙️ Configuración

MCP Think Tank se configura principalmente a través de variables de entorno o mediante la configuración de su cliente MCP (como .cursor/mcp.json de Cursor).

Inicio rápido: configuración esencial

Instalar MCP Think Tank (ver Instalación más arriba).
Obtenga su clave API de Exa (necesaria para las herramientas de búsqueda web):
- Regístrese en exa.ai y copie su clave API.
IMPORTANTE: LOS SERVIDORES STDIO ESTÁN OBSOLETOS : la industria MCP se está moviendo hacia transportes basados en HTTP. LAS FUTURAS ACTUALIZACIONES NO SOPORTARÁN LOS SERVIDORES STDIO.
Configure su servidor MCP (para Cursor, agréguelo a .cursor/mcp.json ):

{
  "mcpServers": {
    "think-tank": {
      "command": "npx",
      "args": ["-y", "mcp-think-tank@2.0.7"],
      "type": "streamable-http",
      "env": {
        "MEMORY_PATH": "/absolute/path/to/your/project/memory.jsonl",
        "EXA_API_KEY": "your-exa-api-key-here",
      }
    }
  }
}

Variables esenciales

MEMORY_PATH : Obligatorio . Ruta absoluta al archivo de almacenamiento de memoria. Importante: Establezca siempre una MEMORY_PATH única para cada proyecto para evitar conflictos en el grafo de conocimiento entre proyectos. Si se omite, el valor predeterminado es ~/.mcp-think-tank/memory.jsonl .
EXA_API_KEY : Requerido para las herramientas de búsqueda web de Exa . Su clave API de exa.ai.

Configuración avanzada

TOOL_LIMIT : Número máximo de llamadas a herramientas permitidas por interacción del usuario (predeterminado: 25 ). El contador se reinicia automáticamente con cada nuevo mensaje del usuario, lo que garantiza que se puedan realizar hasta 25 llamadas a herramientas consecutivas en una sola interacción.
CACHE_TOOL_CALLS : Habilita o deshabilita el almacenamiento en caché de llamadas de herramientas idénticas (valor predeterminado: true ).
TOOL_CACHE_SIZE : Número máximo de llamadas de herramientas almacenadas en caché (valor predeterminado: 100 ).
CACHE_CONTENT : Habilita o deshabilita el almacenamiento en caché basado en contenido para operaciones de archivos/URL (valor predeterminado: true ).
CONTENT_CACHE_SIZE : Número máximo de elementos en la caché de contenido (predeterminado: 50 ).
CONTENT_CACHE_TTL : Tiempo de vida del contenido almacenado en caché en milisegundos (valor predeterminado: 300000 - 5 minutos).
MCP_DEBUG : Habilitar el registro de depuración (valor predeterminado: false ).
MCP_LISTEN_PORT : establece un puerto personalizado para el servidor MCP (predeterminado: 3399 para servidores TCP, no relevante para stdio ).
LOG_LEVEL : establece el nivel de registro ( debug , info , warn , error ) (predeterminado: info ).
AUTO_LINK : Habilita la vinculación automática de entidades en el gráfico de conocimiento (valor predeterminado: true ).

Mantenimiento de la memoria

MIN_SIMILARITY_SCORE : Umbral para la coincidencia de entidades al evitar duplicados (valor predeterminado: 0.85 ).
MAX_OPERATION_TIME : Tiempo máximo para operaciones de memoria por lotes en milisegundos (predeterminado: 5000 ).

Ejemplo de configuración con opciones avanzadas en .cursor/mcp.json :

{
  "mcpServers": {
    "think-tank": {
      "command": "npx",
      "args": ["-y", "mcp-think-tank@2.0.7"],
      "env": {
        "MEMORY_PATH": "./project-memory.jsonl",
        "EXA_API_KEY": "your-exa-api-key-here",
        "TOOL_LIMIT": "50",
        "CACHE_CONTENT": "true",
        "CONTENT_CACHE_SIZE": "100",
        "MCP_DEBUG": "false",
        "AUTO_LINK": "true"
      }
    }
  }
}

Consejo de rendimiento: En proyectos grandes, aumentar el límite de herramientas TOOL_LIMIT y el tamaño de la caché puede mejorar el rendimiento, pero a costa de un mayor uso de memoria. Monitorea tus patrones de uso y ajústalos según corresponda. Sin embargo, en Cursor, el límite de herramientas debería ser de 25 para evitar alcanzar el límite y obtener la reanudación de la última llamada a la herramienta. Actualmente, muchos usuarios de cursor reportan problemas con la reanudación en la versión 0.49.6. Esto no está relacionado con MCP Think Tank.

💡 Nota: Si usas Cursor en modo YOLO o programación Vibe, te sugiero que prepares el contexto para los nuevos chats y le indiques a Cursor que debe usar el MCP Think Tank para crear entidades, observaciones y relaciones. Esto te ayudará a sacar el máximo provecho del MCP Think Tank.

Un ejemplo de preparación de contexto es mantener un archivo Prime.md en la carpeta .cursor de su proyecto con el siguiente contenido:

# Context Prime
> Follow the instructions to understand the context of the project.

## Run the following command

eza . --tree --git-ignore

## Read the following files
> Read the files below to get the context of the project. 

> list of files:
README.md
...

## MCP Think Tank Tools
> Test the MCP tools, first use 'show_memory_path' to remind the user of the current memory path file used, then use the 'memory_query' tool to find and read recent entities and observations for the last 48 hours so you are up to date.

> Automatically utilize the MCP Think Tank to autonomously track project context, dynamically adding entities, observations, and relations to the knowledge graph while proactively querying for relevant information and historical insights. Use integrated planning and task management tools to enhance project efficiency. Keep track of the project and its context without the user having to ask for it.

> Dont do anything else.

Para obtener más detalles sobre los servidores MCP, consulte la documentación de Cursor MCP .

Configuración de reglas del proyecto (para cursor/IA)

Para garantizar que Cursor y otros agentes compatibles utilicen eficazmente las herramientas de MCP Think Tank, es necesario guiar a la IA. Esto suele hacerse mediante una regla de proyecto. Cree una única regla de proyecto de conexión automática como se indica a continuación:

1. Agregar una nueva regla en el cursor

Cursor abierto.
Vaya a la paleta de comandos ( Cmd+Shift+P o Ctrl+Shift+P ).
Seleccione "Nueva regla de cursor" .
Nombra la regla (por ejemplo, mcp-think-tank.mdc ).
En el editor de reglas, configure los metadatos y pegue el contenido de la regla del ejemplo siguiente.

2. Archivo de reglas de ejemplo ( `.cursor/rules/mcp-think-tank.mdc` )

Este archivo Markdown sirve como contexto para la IA , guiándola sobre cuándo y cómo utilizar las herramientas disponibles.

rule type: auto attach
use globs: **/*.js,**/*.ts,**/*.jsx,**/*.tsx,**/*.md, **/*.py, **/*.json

----- Inicio de la regla -----

Regularly utilize MCP Think Tank tools to maintain an updated knowledge graph and maximize its potential. Simply call the tools in your prompt. 

## Quick Decision Tree

1. 🤔 **Complex problem to analyze?**
   → Use `think` to structure reasoning and reflect

2. 🔍 **Need past context or information?**
   → Use `memory_query` (time-based) or `search_nodes` (keyword-based)

3. 📊 **Planning implementation steps?**
   → Use `plan_tasks` to create and track work

4. 🌐 **Need current external information?**
   → Use `exa_search` (general search) or `exa_answer` (factual questions)

## Critical Memory Management (Automatic Use Required)

| When to automatically use memory | Tool to use |
|------------------|------------|
| At session start | `memory_query` with recent time filter (last 24h) |
| After completing significant analysis | `upsert_entities` to store conclusions |
| When context seems missing | `memory_query` with relevant keyword |
| Every ~30 minutes in long sessions | `upsert_entities` to create checkpoint |
| When switching between major topics | `think` + `upsert_entities` to summarize progress |
| Before session end | `upsert_entities` to store session summary |

## Core Workflows

### Workflow 1: Problem Analysis → Solution
1. `memory_query` → Check for relevant past work
2. `think` → Structure reasoning about the problem  
3. `plan_tasks` → Break down implementation steps
4. `upsert_entities` → Store conclusions in memory

### Workflow 2: Research → Knowledge Capture
1. `memory_query` → Check if already researched
2. `exa_search` → Find current information
3. `think` → Analyze findings
4. `upsert_entities` → Document key concepts

### Workflow 3: Context Recovery (Session Resume)
1. `memory_query` → Retrieve recent work (past 24-48h)
2. `open_nodes` → Get details on relevant entities
3. `think` → Synthesize context and plan next steps
4. Continue where left off

### Workflow 4: Task Management
1. `list_tasks` → Review current work status
2. `next_task` → Identify priority task
3. `complete_task` → Mark finished work
4. `upsert_entities` → Document completion

## Trigger Patterns (Automatic Tool Use)

| When user... | Automatically use... |
|--------------|----------------------|
| Asks complex question requiring analysis | `think` |
| Mentions "remember" or refers to past work | `memory_query` with time filter → `open_nodes` |
| Uses "research" or "find latest" | `memory_query` (check if already known) → `exa_search` |
| Asks factual questions needing citations | `exa_answer` |
| Mentions planning or implementation | `plan_tasks` |
| Refers to continuing previous work | `memory_query` → `list_tasks` → `next_task` |
| Seems to have lost context from earlier | `memory_query` with recent time filter |
| Makes significant conceptual progress | `upsert_entities` without being asked |
| Connects related concepts | `create_relations` |
| Completes major section of work | `think` + `upsert_entities` to summarize |

### When To Use Each Memory Tool

- `memory_query`: For time-based searches and recent context recovery
- `search_nodes`: For finding specific concepts by keyword
- `open_nodes`: For retrieving full details of known entities
- `upsert_entities`: For creating new knowledge or updating existing entities
- `add_observations`: For adding facts to existing entities
- `create_relations`: For connecting related concepts

## Other Tools Reference

### Thinking
- `think`: Structured reasoning with optional reflection

### Tasks
- `plan_tasks`: Create task list
- `list_tasks`: View current tasks
- `next_task`: Get priority task
- `complete_task`: Mark task done

### Research
- `exa_search`: Web search
- `exa_answer`: Get cited answers

## AI Behavior Requirements

1. ALWAYS check memory at session start with `memory_query`
2. AUTOMATICALLY store important conclusions with `upsert_entities`
3. CREATE periodic memory checkpoints during long sessions
4. PROACTIVELY check memory when context seems missing
5. CHAIN tools together following the workflows
6. PRIORITIZE memory tools before web research
7. SUMMARIZE progress before ending major work segments

----- Fin de la regla -----

⚡ Optimización del rendimiento

MCP Think Tank incorpora optimizaciones integradas para garantizar un funcionamiento eficiente:

Almacenamiento en caché de contenido

Almacenamiento en caché automático de contenido de archivos y URL basado en hash criptográfico.
Evita lecturas de archivos y solicitudes de red redundantes.
Acelera significativamente las operaciones repetidas sobre el mismo contenido.
El tamaño de caché y TTL se pueden configurar a través de variables de entorno ( CONTENT_CACHE_SIZE , CONTENT_CACHE_TTL ).

Optimización de llamadas a herramientas

Las llamadas de herramientas idénticas dentro de una sesión se detectan y se sirven automáticamente desde un caché.
Evita que se cuenten llamadas duplicadas en el límite de interacción.
Mejora la capacidad de respuesta a las solicitudes de herramientas repetitivas.
El tamaño de la caché es configurable ( TOOL_CACHE_SIZE ).

Mejores prácticas

Para un uso óptimo de MCP Think Tank con Cursor/Claude en proyectos grandes:

Utilice la herramienta think para todos los procesos de razonamiento y toma de decisiones no triviales.
Conserve siempre los pensamientos, conclusiones y decisiones arquitectónicas importantes en el gráfico de conocimiento utilizando herramientas de memoria.
Integre la investigación web y la gestión de tareas en su flujo de trabajo para mantener la IA informada y enfocada.
Revise y actualice periódicamente el gráfico de conocimiento de su proyecto para garantizar su precisión y relevancia.
Hacer referencia al conocimiento existente y a decisiones pasadas para mantener la coherencia en el código y el diseño.
Tenga en cuenta los límites de llamadas a herramientas, especialmente en flujos de trabajo automatizados complejos. Supervise el uso si es necesario.
Ajuste las variables de configuración ( TOOL_LIMIT , configuración de caché) según las necesidades y la complejidad de su proyecto para obtener un mejor rendimiento.

🤝 Contribuyendo

¡Agradecemos sus contribuciones! No dude en enviar una solicitud de incorporación de cambios.

Bifurcar el repositorio.
Crea tu rama de características ( git checkout -b feature/amazing-feature ).
Confirme sus cambios ( git commit -m 'Add some amazing feature' ).
Empujar a la rama ( git push origin feature/amazing-feature ).
Abrir una solicitud de extracción.

📄 Licencia

Este proyecto está licenciado bajo la licencia MIT: consulte el archivo de LICENCIA para obtener más detalles.

📚 Enlaces de referencia

Install Server

HTTP connection URL

security – no known vulnerabilities

license - permissive license

quality - confirmed to work

How are these scores calculated?

Tools

View all tools

Proporciona a los asistentes de IA capacidades de razonamiento mejoradas a través del pensamiento estructurado, memoria de gráficos de conocimiento persistente y orquestación de herramientas inteligentes para la resolución de problemas complejos.

Related Resources

Reddit Discussion about this server

Related MCP Servers

Deepseek Thinker MCP Server
ruixingshi
A
security
F
license
A
quality
Provides reasoning content to MCP-enabled AI clients by interfacing with Deepseek's API or a local Ollama server, enabling focused reasoning and thought process visualization.
Last updated -
1
54
24
JavaScript
DeepSeek MCP Server
moyu6027
A
security
A
license
A
quality
A server that enhances Claude's reasoning capabilities by integrating DeepSeek R1's advanced reasoning engine to tackle complex reasoning tasks.
Last updated -
1
Python
MIT License
Retrieval-Augmented Thinking MCP Server
stat-guy
A
security
A
license
A
quality
Enhances AI model capabilities with structured, retrieval-augmented thinking processes that enable dynamic thought chains, parallel exploration paths, and recursive refinement cycles for improved reasoning.
Last updated -
1
15
JavaScript
MIT License
Atom-of-thoughts
kbsooo
A
security
A
license
A
quality
AoT MCP server enables AI models to solve complex reasoning problems by decomposing them into independent, reusable atomic units of thought, featuring a powerful decomposition-contraction mechanism that allows for deep exploration of problem spaces while maintaining high confidence in conclusions.
Last updated -
3
25
JavaScript
MIT License

View all related MCP servers