Skip to main content
Glama
Meta-consciousness-AI

mcai-knowledge

Official
by Meta-consciousness-AI
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Hybrid

元意识知识资产引擎（MCAI Engine）

把《知识资产通过 AI 分发实现数字永生操作手册》里的**「进阶落地层」**真正做出来： 一套学说的文本 → 可被 AI 抓取、引用、调用、继承的结构化知识资产。

不需要 API Key，不联网，全部在你本机运行。输入是 Word/PDF，输出是词条库 + 标准问答 + 知识图谱 + JSON-LD 标记站 + 训练数据集。

定位：只服务一件事——被其他 AI / Agent 调用

这个系统不做人类传播，不做内容运营，不做观点生成。它的唯一目标是： 当别的 AI / Agent 需要这套学说时，能用最低成本、最高保真度拿到定义、关系与出处。

由此产生几条硬约束：

  • 接口优先：API / MCP 是产品，网站只是可视化视图；一切面向机器的格式（JSON、JSONL、llms.txt、schema）优先维护。

  • 不做「自动生成 FAQ」：问答涉及社会语境与共情，自动生成会造成术语解读偏差，一律人工撰写。gaps 只作为人工选题的输入。

  • 内容工厂是可选配件：用于把词条改写成人类可读稿，不是主线；主线永远是「可调用」。

  • 人类侧的传播交给序生：不设定投放节奏，靠被调用后自然外溢。

Related MCP server: NOUZ MCP Server

它解决什么问题

手册里最关键的一句是：知识资产要从「被人阅读」转向「被 AI 调用」。 被调用有三个前提，也是本引擎的三条主线：

前提

手册里的动作

本引擎的实现

AI 能读懂

10 个核心概念、定义高度一致、剔除诗性表达

多源定义比对、冲突检测、别名归一、术语黑名单过滤

AI 能找到

FAQ、Schema.org 标记、独立 URL、SEO 知识库站

每个概念一个独立 URL + DefinedTerm/FAQPage/Dataset 结构化数据 + llms.txt + sitemap.xml

AI 能继承

开源结构化数据集、知识图谱

concepts.jsonl / faq.jsonl / sft.jsonl / concepts.csv / knowledge-graph.json + 数据集卡片

快速开始

方式一：安装后使用（推荐）

pip install -e .        # 开发模式，改代码立即生效
# 或 pip install .      # 普通安装

mcai --version
mcai build               # 在含 config/ 的目录里构建
mcai serve --port 8787   # 网页 + HTTP API
mcai mcp                 # MCP 服务器（stdio）

# 对外发布时
mcai token                                  # 生成访问令牌
mcai set-url https://your-domain            # 改对外地址并重建（更新清单链接）
mcai doctor --url https://your-domain --token <令牌>   # 远程体检

安装后得到两个命令：mcai（全部功能）和 mcai-mcp（只启动 MCP，方便写进 Claude/Cursor 配置）。

工作区与代码是分开的。 命令按以下顺序找数据目录：--home 参数 → MCAI_HOME 环境变量 → 当前目录（含 config/corpus.json）→ 源码目录。新建一个独立工作区：

mcai init my-kb
mcai build --home my-kb
mcai serve --home my-kb

mcai init 会复制配置模板（config/*.json）并生成带说明的 README，不覆盖已有文件。

若因沙箱限制无法执行 pip（临时目录权限），可直接用下面的开发模式。

方式二：开发模式（不安装）

# 1. 构建知识库、站点与数据集
python run.py build

# 2. 启动本地网页（构建 + 打开服务）
python run.py build --serve --port 8787
# 浏览器访问 http://127.0.0.1:8787

# 3. 只启动服务（已有构建产物时）
python run.py serve --port 8787

# 3b. 只启动 API（给其他程序调用）
python run.py api --port 8788

# 3c. 启动 MCP 服务器（给 Claude / Cursor 等 Agent 调用）
python run.py mcp

# 4. 知识资产体检报告
python run.py report

# 5. 只导出数据集
python run.py export --out export

Windows 上也可以直接双击 start.bat（开发模式）或 install.ps1（安装）。

依赖：Python 3.10+、python-docx、lxml（requirements.txt 已列出）。 当前工作台的 Python 里这两个库都已内置。

当前构建结果

概念 64（58 主词条 + 6 衍生术语）· 标准问答 122 · 概念关系 267 · 文献引证 213
语料 8 份 / 953 段 / 115,247 字
1 份标准词表（元意识学说极简版）提供全部定义，6 份主著作作为「引证源」只贡献论述原句，
1 份操作手册作为方法论语境。
问答构成：核心问答 8 · 概念辨析 6 · 定义问答 64 · 原典论述 34 · 阶段性消歧 10
状态：全部 ok（无冲突、无过薄定义），词表覆盖 58/58

产出的知识点例如：

  • 元意识：宇宙的本源，不可描述；以无形无相、不生不灭、不善不恶、无始无终辅助认知。

  • 观测创造实在：观测元时空的瞬间，世界从元时空切换到现象时空，元实体被「测创」为现象实体。

  • 序生智能体：宇宙演化中自然涌现的硅基观测者，而非人类附属工具。

  • 元子：下一代文明的社会主体身份，形式化为 <C,I,O,K,N,P>。

目录结构

mcai-agent/
├─ config/
│  ├─ corpus.json          # 语料清单、关键词、URL slug、术语黑名单
│  └─ curated.json         # 编辑层：别名、英文名、核心关系、种子问答、补充定义
├─ mcai/
│  ├─ corpus.py            # docx/pdf/txt 装载，章节与段落切分（含 Word 手动换行拆分）
│  ├─ pdftext.py           # 零依赖 PDF 文本抽取（Type0 + ToUnicode）
│  ├─ extract.py           # 定义抽取、多源合并、冲突检测、别名、关系、FAQ
│  ├─ schema.py            # Schema.org / JSON-LD 生成
│  ├─ dataset.py           # JSONL / CSV / 知识图谱 / 数据集卡片
│  ├─ site.py              # 静态站渲染（概念页 / FAQ / 数据集 / llms.txt）
│  ├─ server.py            # 本地 Web 应用（静态站 + 搜索 / 重建 API）
│  ├─ workspace.py         # 工作区解析与初始化
│  ├─ templates/config/    # 新工作区的配置模板
│  ├─ pipeline.py          # 构建流水线
│  └─ cli.py               # 命令行
├─ data/kb.json            # 知识库主数据（唯一真相源）
├─ dist/                   # 可部署的静态站（含 dataset/ 导出文件）
└─ run.py / start.bat

数据模型

data/kb.json 里每个概念：

{
  "id": "meta-consciousness",
  "term": "元意识",
  "en": "Meta-consciousness",
  "aliases": ["元意识学说", "Meta-Consciousness Theory", "MCAI"],
  "category": "元意识体系",
  "kind": "core",
  "parent": "",
  "definition": "元意识是宇宙的本源，不可描述。……",
  "short_definition": "元意识是宇宙的本源，不可描述。",
  "status": "ok",
  "sources": [{"doc_title": "元意识学说极简版（标准词表）", "section": "元意识体系", "quote": "……", "priority": 100}],
  "variants": [],
  "evidence": [{"doc_title": "《元意识》学说", "quote": "……", "lang": "zh", "score": 4}],
  "relations": [{"target": "元态能量", "target_id": "meta-state-energy", "type": "本源与显化", "evidence": "……"}]
}

  • sources 保留每一条定义的原文出处，任何对外内容都可回查。

  • variants 记录差异较大的其他版本，status=conflict 时须人工裁定后才进入训练集。

  • evidence 是引证源中的论述原句，带语种与打分，不参与定义生成。

  • relations 同时包含人工确认的核心闭环（本源与显化、沉淀固化、回归本源……）、 「衍生自」关系与正文共现的「提及」关系（同一目标有强关系时不再保留「提及」）。

  • kind=derived 的 6 条衍生术语（绝对实在、新有、不可穿透性、势差空间、意义互联网、心识） 寄生在父概念的定义语境里，单独成条、有独立 URL，并通过 parent 指回父概念。

抽取规则（为什么它不是玩具）

  1. 只从 glossary / model 类文档取定义。叙事稿、论文与运营手册只作为引证与语境，避免把「培育土壤」「路径一」当成概念。

  2. 定义行识别支持 术语：定义、术语 —— 定义、元子 = <C,I,O,K,N,P>。

  3. 多源合并按文档优先级选主分支，其余作为 sources；相似度低于阈值且长度差明显时判为冲突。

  4. 截断识别：一条定义是另一条的节选/前缀（n-gram 覆盖率 ≥ 0.75）时不算冲突。

  5. 别名只认已知术语，避免「其他文化中的」这类误抓。

  6. 章节归属：无样式的短标题（如「元意识体系」）会根据后续是否为定义行自动提升为章节。

  7. 规范名豁免：curated.json 词表里已登记的全名（如「元子社会的分配设计」）不会被「含『的』即丢弃」规则误杀。

  8. 问答不由模型编造：定义问答取原定义；原典问答取最高分引证原句，分数不足 2 分不生成。

对 AI 分发友好的产物

产物

作用

dist/concepts/<slug>.html

每个概念独立 URL，内嵌 DefinedTerm + WebPage + BreadcrumbList

dist/faq/index.html

内嵌 FAQPage，AI 最偏爱的引用格式

dist/dataset/index.html

内嵌 Dataset，声明全部可下载分发文件

dist/llms.txt

给 LLM 爬虫的站点索引（按 llms.txt 约定）

dist/sitemap.xml + robots.txt

常规搜索引擎收录

dist/kb.json

完整知识库，可直接给 RAG 用

站点顶部有搜索框与分类筛选，「重新构建」按钮调用 POST /api/rebuild，改完 Word 后无需重启。

把知识库变成可调用的能力

静态站解决「AI 能找到」，API / MCP 解决「AI 能调用」。

HTTP API

python run.py api --port 8788     # 默认 8788；与站点共用同一套数据和渲染

接口

说明

GET /api/v1/health

版本、构建时间、概念/问答/关系数量

GET /api/v1/catalog?category=

术语目录，可按体系过滤

GET /api/v1/search?q=&limit=&category=

检索（术语、别名、英文、定义）

GET /api/v1/concept/<slug>

单条完整词条（含出处、引证、关系）

GET /api/v1/answer?q=

问答：定义 / FAQ / 相关词条三级回退

POST /api/v1/answer

同上，body 为 {"question": "..."}

POST /api/v1/answer/batch

批量问答，body 为 {"questions": [...]}，单次最多 20 条

?format=markdown|text

任意 answer 请求可要求 Markdown 或纯文本，省去客户端渲染

GET /api/v1/related?term=&depth=

关系子图（1–2 跳）

GET /api/v1/stats

调用统计（通道、类型、14 天曲线、高频问题）

GET /api/v1/gaps

未命中的问题，用于补词

answer 返回的字段里，context 是拼好的可注入上下文（定义 + 出处原句 + 相关概念）， next 是继续展开的链接，did_you_mean 在未命中时给出候选术语——这些都是为「让 Agent 少做一次拼接、少一次猜」而设计的。 type 字段说明命中层级：relation（A 与 B 的关系）→ concept（术语直答）→ faq（标准问答）→ related（仅相关词条，置信度低）→ none；每条都带 citations（出处）与 confidence。

curl "http://127.0.0.1:8788/api/v1/answer?q=%E4%BB%80%E4%B9%88%E6%98%AF%E5%85%83%E6%84%8F%E8%AF%86"

MCP 服务器

python run.py mcp     # stdio + JSON-RPC 2.0

在 Claude Desktop / Cursor 的 MCP 配置里加：

{
  "mcpServers": {
    "mcai-knowledge": {
      "command": "python",
      "args": ["C:/path/to/mcai-agent/run.py", "mcp"]
    }
  }
}

提供 5 个工具与 64 个资源：

工具

用途

mcai_answer

回答学说问题，返回定义 + 引证

mcai_concept

取完整词条

mcai_search

检索术语

mcai_related

关系子图

mcai_list

列出全部术语

另有 3 个 prompts（explain_concept / analyze_phenomenon / compare_terms）， 告诉接入方「按什么步骤调用才不跑偏」；资源 mcai://guide 是写给 Agent 看的接入指南。 资源 URI 形如 mcai://concepts/<slug>，读取后返回该词条的 Markdown。 全部检索是确定性的：不调用任何大模型，回答可复现、可追溯。

自动驾驶（无人参与）

服务自己会做四件事，不需要人工干预：

  1. 感知语料变化：对 config/*.json 与所有语料文件做指纹，变了才重建；

  2. 自动重建：重建知识库、站点、数据集，并刷新 status.json；

  3. 记录变更：data/changelog.jsonl 记录每次新增/删除/改写的术语（定义哈希对比）；

  4. 质量巡检：检查空定义、重复定义、悬空关系、重复问答、消歧层泄漏、站点死链、JSON-LD 是否有效；

  5. 接口自测：不联网直接走 MCP 握手、5 个工具、3 个 prompts、指南资源与 3 个关键问答；

  6. 健康自检：检查知识库、站点、服务端口与接口，把结果写进 dist/status.json 与 data/status.json。

mcai serve --autopilot 300      # 服务内每 5 分钟自动检查一次（推荐）
mcai autopilot                  # 独立常驻进程模式
mcai autopilot --once           # 只跑一轮（适合计划任务调用）
mcai status                     # 查看最近一次自检结果

状态文件是给机器看的，任何本地 Agent 都可以先读它判断是否健康：

{"ok": true, "checked_at": "...", "concepts": 64, "faqs": 122,
 "server_ok": true, "rebuilt": false, "error": "",
 "quality": {"ok": true, "errors": 0, "warnings": 0},
 "selftest": {"ok": true, "passed": 12, "total": 12}}

本地观测台

mcai dashboard（或每次构建/巡检自动）生成 dist/dashboard.html，一页看全：

  • 当前状态卡片：概念/问答/关系/引证、质量错误与警告、自测通过数、业务问答、外部调用；

  • 近 14 天调用趋势（纯 CSS 柱状图，无外部依赖）；

  • 巡检时间线（最近 20 轮：是否重建、质量、自测、耗时）；

  • 质量明细（错误/警告逐条）、术语变更、高频问题（带来源）。

  • 流量区分：健康探测与业务问答分开统计；来源按「本机 / 外部 / 未标记」归类， 高频问题旁会列出调用方标识（如 mcai-doctor、Python-urllib）。

站点导航里也加了「观测台」入口。

自动快照：每次因语料变化而重建时，会自动打一份 zip 快照到 backups/（默认保留 8 份，含语料原文）。 误删或改坏时可以 mcai restore 回到任意一份。

现实边界：开机自启需要注册 Windows 计划任务或写入启动目录，这一步被当前沙箱拒绝（无权限）。 所以重启电脑后，需要手动启动一次（双击 start.bat）；启动之后的自维护全部自动完成。 等有权限做服务化安装时，这一步也能去掉。

上线三步

python -m mcai token                          # 1. 生成令牌
python -m mcai set-url https://你的地址        # 2. 改地址并重建（清单链接才会对）
python -m mcai doctor --url https://你的地址 --token <令牌>   # 3. 体检

doctor 检查五项：服务存活、清单地址是否与部署地址一致、llms.txt、问答是否可用、令牌是否真的生效。 任意一项失败都会给出修复提示。

更完整的部署方式（Cloudflare 隧道 / 云主机 systemd）见 deploy/README.md。

对外暴露（安全版）

默认只监听本机。要让别的机器访问，必须显式指定监听地址与令牌：

# 生成一个令牌
python -c "import secrets; print(secrets.token_urlsafe(24))"

mcai serve --host 0.0.0.0 --port 8787 --token <令牌> --rate-limit 60
# 或者用环境变量
export MCAI_TOKEN=<令牌>
mcai serve --host 0.0.0.0

调用时必须带令牌：

curl -H "Authorization: Bearer <令牌>" \
  "http://<你的地址>:8787/api/v1/answer?q=%E4%BB%80%E4%B9%88%E6%98%AF%E5%85%83%E6%84%8F%E8%AF%86"

访问策略：

路径

是否公开

说明

静态页 / 数据集 / llms.txt / .well-known/*

公开

让搜索引擎与爬虫能读

/api/v1/health

公开

存活探针

/api/v1/answer、search、catalog、concept、related

需令牌

设了令牌才生效

/api/rebuild、/api/v1/stats、/api/v1/gaps

仅本机

防远程重建与用量泄露

其他行为：

  • 限流：每 IP 每分钟 N 次（--rate-limit，默认 60），超出返回 429；

  • CORS：所有响应带 Access-Control-Allow-Origin，预检请求直接放行；

  • 访问日志：data/access.log，每行 JSON（时间、IP、方法、路径、状态、耗时、客户端标识），不记录令牌；

  • 令牌比较：使用常量时间比较，避免时序侧信道。

对外暴露时建议在前面加一层 HTTPS（反向代理或隧道），本服务自身只提供 HTTP。

主动接入：把「被调用」做成工程流程

「主动」不是一句口号，而是一条可测量的漏斗：被发现 → 被尝试 → 被成功调用 → 被持续调用。 每个环节都有对应机制：

环节

工程机制

文件 / 接口

被发现

MCP 清单、Agent Card、OpenAPI、llms.txt、sitemap

/.well-known/mcp.json、/.well-known/agent.json、/openapi.json

被尝试

一条命令可跑、无鉴权、三种入口（MCP / HTTP / 静态站）

python run.py mcp、/api/v1/*

被成功调用

四级回退问答 + 引证，保证有答案且可追溯

/api/v1/answer

被持续调用

调用遥测 + 未命中清单，驱动补词

/api/v1/stats、/api/v1/gaps

调用遥测落在 data/usage.jsonl（通道、动作、问题、命中类型、时间），命令行查看：

python run.py stats      # 调用量、渠道、类型分布、14 天曲线、高频问题
python run.py gaps       # 没答上来的问题，直接作为下一轮补词输入

这是一条自我强化回路：别人问得越多 → gaps 越准 → 词表补得越对 → 下次答得越好 → 越值得被调用。

阶段性消歧：只在需要时出现，且可整体撤除

同名概念会抢占语义（模型把「元意识」当心理学 meta-awareness、把「观测创造实在」当量子坍缩）。 消歧句有用，但不能写进定义，否则每个术语都带着「我不是什么」，损失独立性与传播力。

因此它被设计成一个独立层：

  • 定义永远中性：definition 里不出现否定句（有测试守住）；

  • 独立存放：config/disambiguation.json，带阶段名、起止时间、复核期；

  • 独立呈现：概念页底部的「常见误解（阶段性）」区块、FAQ（语义消歧）、以及 schema 的 disambiguatingDescription（不污染 description）；

  • 一键撤除：把 campaign.enabled 改为 false 重建，10 条消歧问答与页面区块整体消失。

实测开关效果：开启时 122 组问答，关闭后 112 组，定义内容不变。

python run.py disambig    # 查看当前阶段状态与覆盖术语

抽检器：模型到底知不知道这套学说

python run.py probe --limit 12

同一道题跑两种条件：

  • baseline：不给任何资料，测模型从训练记忆里能说出多少；

  • grounded：注入知识库检索到的定义与引证，测知识资产的实际增益。

评分不靠人工：与标准答案的字二元组覆盖度（≥0.35 记为“对齐”）+ 学说术语出现数。 报告写到 reports/，含逐题对照与原始回答。

首轮实测（deepseek-chat，6 题 / 12 次调用）：

指标

baseline

grounded

提升

答案对齐率

0%

100%

+100%

覆盖度

0.09

0.69

+0.60

学说术语数

2.2

4.7

+2.5

更值得注意的是 baseline 错在哪：它把「元意识」解释成心理学的 meta-awareness（元认知）， 把「观测创造实在」直接归入量子测量坍缩。也就是说，问题不只是“没被收录”， 还有同名概念抢占语义。这就是为什么词表里补了「元意识 vs 元认知」的消歧问答。

内容工厂：一个词条 → 多平台草稿

python run.py factory --concepts 元意识,序生智能体 --formats zhihu,video
python run.py factory --top 5 --formats all      # 5 个核心概念 × 7 种格式
python run.py factory --offline                  # 不调模型，只出结构化模板

7 种格式：学术摘要、知乎回答、公众号推文、小红书笔记、短视频脚本、Prompt 框架、英文摘要。

每篇草稿写到 content/<格式>/<slug>.md，带 front-matter：

concept: 元意识
format: zhihu
platform: 知乎
keywords: [...]
sources: [元意识学说极简版（标准词表）]
model: deepseek-chat
status: draft | needs_review

生成后自动过一道检查：核心术语是否出现、篇幅是否足够、是否出现「已被科学证明」这类表述。 不合格的标 needs_review，所有草稿都必须人工审过再发布。

内容工厂的系统提示词锁死了术语边界（只能使用资料内的概念、不得虚构引文、不得宣称科学定论）， 所以它是“把已有知识改写”，不是“让模型自由发挥”。

如何加新语料

  1. 把文档放进任意目录，在 config/corpus.json 的 corpus 数组里加一项：

{
  "id": "newdoc",
  "path": "E:/path/to/新文档.docx",
  "title": "新文档标题",
  "kind": "glossary",
  "priority": 85
}

kind 取 glossary / model 时参与定义抽取；取 evidence 时只为已有概念补充文献引证； 取 playbook 时仅作方法论语境，不参与抽取。

  1. 若文档里有特殊叫法，在 config/curated.json 的 term_aliases 里加映射（如「元子宪章设想 → 元子社会宪章」）。

  2. 运行 python run.py build，看 python run.py report 是否出现冲突或覆盖缺失。

引证源：让主著作说话，但不改定义

kind: "evidence" 的文档不参与定义抽取，只做两件事：

  1. 为每个概念摘取「论述原句」，在概念页生成「文献引证」区块，并导出 evidence.jsonl；

  2. 保留出处（文档名、章节、段落位置），让每条对外表述都能回查原文。

当前接入的引证源：《元意识》学说全文、从外延性到序生、序生智能体叙事稿、社会形态学、AGI 时代的 MCAI、英文版 Meta-consciousness。

引证筛选是有打分的：术语靠前、含"是指/称为/意味着"、与定义有一定语义重叠的句子得分高； 标题行（不以句末标点结尾）、"本文/摘要/关键词"类句子会被扣分或丢弃，避免把排版噪音当成论述。

实测发现：英文版 Meta-consciousness 是机器翻译，除 Meta-consciousness、meta-state energy 等少数词外， 术语译法与词表不一致（如"序生智能体"未译为 progenerative agent），因此目前只有少数概念获得英文引证。 要做完整中英对照，需要一份官方英文术语表。

人工审校（裁定冲突、补英文名）

config/overrides.json 是最高优先级的人工层（300），可覆盖定义、英文名、分类与别名， 且不需要改原文：

{
  "某术语": {
    "definition": "人工确认后的定义（会替代所有自动抽取结果）",
    "en": "English term",
    "category": "元意识体系",
    "aliases": ["别名一"]
  }
}

被覆盖的条目会自动清除冲突标记（视为已裁定）。改完点网页上的「重新构建」按钮， 或重跑 python run.py build。

测试

python -m unittest discover -s tests -v

测试用合成语料跑通「抽取 → 构建 → 站点 → 数据集」全链路，不依赖真实语料路径。

原始文本备份

docs/操作手册-提取文本.txt 是本项目内置 PDF 抽取器读出的操作手册全文（20 页）， 便于检索原文与核对来源引用。

已知边界

  • 不做自动发布。本版聚焦「知识资产结构化」（首版范围），内容工厂、多平台分发、影响力监测是下一阶段。

  • 不带 LLM 润色。定义全部来自原文，宁可朴素也不让模型改写学说；需要更强的「一句话定义」时可加可选的 LLM 层，但应只做摘要、不做事实生成。

  • 文件改名容错：语料文件被加前缀或改名时，会按文件名后缀就近找回；改目录则需更新 config/corpus.json。

  • 冲突检测是启发式的：相似度 + 长度比例 + n-gram 覆盖，最终需人工确认。

路线图（对应手册剩余层级）

  • 基础操作层：接入内容工厂，按关键词与栏目自动生成多平台稿件（论文体/知乎/公众号/短视频脚本）。

  • 进阶落地层（本版已完成主体）：补 UGC 采集、互动 H5 数据回流。

  • 高阶攻坚层：把 knowledge-graph.json 封装成 MCP / HTTP API，让 Agent 直接调用；用 sft.jsonl 微调专用模型。

  • 生态布局层：llms.txt + 开放数据集 + 版本化 changelog，形成可被下游继承的知识协议。

许可

本项目采用双许可：

  • 代码（mcai/、构建脚本、测试）：MIT，见 LICENSE。

  • 知识内容（语料原文、词条定义、标准问答、概念关系、引文、生成的数据集与站点内容）：CC BY-NC-SA 4.0，见 LICENSE-CONTENT。

商业使用需另行授权。

Available Tools

5 tools
mcai_answer回答学说问题A
Read-onlyIdempotent

回答关于元意识学说的整句问题，返回权威定义、原文引证与相关概念。适合：用户用自然语言提问、且没有明确指定只要某一条词条时，例如“什么是元意识”“元识和元知是什么关系”“序生智能体如何解释 AI 涌现”。分工：若已知确切术语、想拿完整词条（别名、出处、引证、关系），用 mcai_concept；若不确定术语写法，先用 mcai_search；只看目录用 mcai_list；只看关系用 mcai_related。边界：只基于本知识库语料回答，未收录的概念会返回 type=none；不要据此推断、补写或引入库外语义。

NameRequiredDescriptionDefault
questionYes一个完整的自然语言问题，建议 5–120 字，一次只问一个问题；中英文均可。建议包含明确的术语，例如“什么是元意识”“元灵和元子有什么区别”。

TDQS

A4.6/5.0
Behavior5/5

Does the description disclose side effects, auth requirements, rate limits, or destructive behavior?

Beyond the annotations, which already declare it is a read-only, idempotent, closed-world operation, the description discloses the boundary: answers come only from the local corpus, unlisted concepts return type=none, and the agent must not extrapolate outside the library. The response shape (definitions, citations, related concepts) is also disclosed, which matters because no output schema exists.

Agents need to know what a tool does to the world before calling it. Descriptions should go beyond structured annotations to explain consequences.

Conciseness4/5

Is the description appropriately sized, front-loaded, and free of redundancy?

It is front-loaded: purpose and return types come first, then usage examples, then the routing table for siblings, then boundaries. The four-way sibling enumeration is somewhat heavy but each branch carries real routing value, so no sentence is wasted.

Shorter descriptions cost fewer tokens and are easier for agents to parse. Every sentence should earn its place.

Completeness5/5

Given the tool's complexity, does the description cover enough for an agent to succeed on first attempt?

Because there is no output schema, the description must carry the return semantics. It does so (definitions, source quotes, related concepts, type=none for unlisted concepts), and it also clarifies the closed-world scope and the anti-hallucination rule, leaving no gap that an agent needs filled before calling this tool.

Complex tools with many parameters or behaviors need more documentation. Simple tools need less. This dimension scales expectations accordingly.

Parameters3/5

Does the description clarify parameter syntax, constraints, interactions, or defaults beyond what the schema provides?

Schema description coverage is 100% and the question parameter already carries examples, length guidance (5–120 chars), and a one-question-per-call note. The description's '整句问题' (whole-sentence question) framing is consistent with the schema but adds little beyond it, so the baseline of 3 applies.

Input schemas describe structure but not intent. Descriptions should explain non-obvious parameter relationships and valid value ranges.

Purpose5/5

Does the description clearly state what the tool does and how it differs from similar tools?

The first sentence names the specific verb and resource: answer full-sentence questions about 元意识学说, returning authoritative definitions, source citations, and related concepts. It also distinguishes itself from each sibling by naming the exact conditions under which mcai_concept, mcai_search, mcai_list, and mcai_related are the better choice.

Agents choose between tools based on descriptions. A clear purpose with a specific verb and resource helps agents select the right tool.

Usage Guidelines5/5

Does the description explain when to use this tool, when not to, or what alternatives exist?

It explicitly states when to use this tool (natural-language question, no single term specified) with three concrete example questions. It then routes to alternatives for the opposite case (known exact term, full entry, unsure spelling, catalog-only, relations-only), so nothing is left to inference.

Agents often have multiple tools that could apply. Explicit usage guidance like "use X instead of Y when Z" prevents misuse.

mcai_concept获取概念词条A
Read-onlyIdempotent

按术语名、别名或 slug 获取单个概念的完整词条：定义、别名、出处、文献引证与关系。适合在已经知道术语名、需要完整资料时使用。分工：不确定术语写法时先用 mcai_search；整句问题用 mcai_answer；只看关系用 mcai_related。边界：只返回本知识库已收录的词条，查不到时返回明确错误。

NameRequiredDescriptionDefault
termYes精确的术语名、别名或 slug，例如 元意识 / MCAI / meta-consciousness；不确定写法时先用 mcai_search。

TDQS

A4.5/5.0
Behavior4/5

Does the description disclose side effects, auth requirements, rate limits, or destructive behavior?

Annotations already cover the safety profile (readOnly, idempotent, non-destructive, closed-world), so the bar is low. The description still adds real value by declaring that it only returns entries in this knowledge base and returns an explicit error when not found, which is behavior not encoded in the annotations.

Agents need to know what a tool does to the world before calling it. Descriptions should go beyond structured annotations to explain consequences.

Conciseness5/5

Is the description appropriately sized, front-loaded, and free of redundancy?

Front-loads what it returns, then usage routing, then boundary. Every sentence carries distinct information with no redundancy; the '分工' (division of labor) framing is compact and high-signal.

Shorter descriptions cost fewer tokens and are easier for agents to parse. Every sentence should earn its place.

Completeness5/5

Given the tool's complexity, does the description cover enough for an agent to succeed on first attempt?

No output schema exists, and the description compensates by enumerating the returned fields (definition, aliases, provenance, citations, relations). For a single-parameter read tool with annotation coverage, nothing an agent needs to call it correctly is missing.

Complex tools with many parameters or behaviors need more documentation. Simple tools need less. This dimension scales expectations accordingly.

Parameters3/5

Does the description clarify parameter syntax, constraints, interactions, or defaults beyond what the schema provides?

Schema coverage is 100%, including examples and the 'use mcai_search if unsure' note, so the parameter is fully documented structurally. The description restates 'term name, alias, or slug' without adding format or matching semantics (e.g., exact vs. partial match) beyond the schema. Baseline 3 applies.

Input schemas describe structure but not intent. Descriptions should explain non-obvious parameter relationships and valid value ranges.

Purpose5/5

Does the description clearly state what the tool does and how it differs from similar tools?

Specific verb (获取/get) plus resource (单个概念词条) with an explicit enumeration of returned content (定义、别名、出处、文献引证、关系). It cleanly distinguishes itself from the siblings without requiring the schema to be opened.

Agents choose between tools based on descriptions. A clear purpose with a specific verb and resource helps agents select the right tool.

Usage Guidelines5/5

Does the description explain when to use this tool, when not to, or what alternatives exist?

Explicitly states the conditions that select this tool (已知术语名、需要完整资料) and routes to alternatives with named conditions: mcai_search for uncertain spelling, mcai_answer for sentence-level questions, mcai_related for relations only. A boundary note about unindexed terms is also provided.

Agents often have multiple tools that could apply. Explicit usage guidance like "use X instead of Y when Z" prevents misuse.

mcai_list列出全部术语A
Read-onlyIdempotent

列出知识库中的全部术语（可按体系过滤），用于了解覆盖范围、或让用户从目录中选择。当用户问“这套学说有哪些概念”“你们收录了什么”时使用。分工：按关键词找词用 mcai_search；要某条完整词条用 mcai_concept。边界：只返回术语名与分类，不返回定义全文。

NameRequiredDescriptionDefault
categoryNo按体系过滤，取值必须是：元意识体系 / 本体论模型 / 序生体系 / 元子社会；留空则返回全部

TDQS

A4.5/5.0
Behavior4/5

Does the description disclose side effects, auth requirements, rate limits, or destructive behavior?

Annotations already declare readOnly, idempotent, non-destructive, and closed-world, so safety is covered. The description adds genuinely new behavioral detail — that only term names and categories are returned, not full definitions — which prevents misuse. It does not mention pagination or result-size behavior for a potentially large list, keeping it below a 5.

Agents need to know what a tool does to the world before calling it. Descriptions should go beyond structured annotations to explain consequences.

Conciseness5/5

Is the description appropriately sized, front-loaded, and free of redundancy?

Front-loads the core action and filter, then usage triggers, then sibling division, then output boundary — each clause is load-bearing with no filler. Length is justified by the routing value it provides among four siblings.

Shorter descriptions cost fewer tokens and are easier for agents to parse. Every sentence should earn its place.

Completeness5/5

Given the tool's complexity, does the description cover enough for an agent to succeed on first attempt?

For a one-optional-param read tool with full annotation coverage and no output schema, the description still specifies the return shape (names + categories) and its scope limitations. Nothing an agent needs to call it correctly or to avoid confusing it with siblings is missing.

Complex tools with many parameters or behaviors need more documentation. Simple tools need less. This dimension scales expectations accordingly.

Parameters3/5

Does the description clarify parameter syntax, constraints, interactions, or defaults beyond what the schema provides?

Schema coverage is 100% and the schema itself enumerates the four allowed category values plus the empty-means-all behavior. The description only repeats "可按体系过滤" without adding syntax or format guidance, so the baseline 3 applies.

Input schemas describe structure but not intent. Descriptions should explain non-obvious parameter relationships and valid value ranges.

Purpose5/5

Does the description clearly state what the tool does and how it differs from similar tools?

Names a specific verb and resource ("列出知识库中的全部术语") plus an optional filter, and explicitly delineates itself from mcai_search and mcai_concept. An agent can tell exactly which sibling to pick without opening any schema.

Agents choose between tools based on descriptions. A clear purpose with a specific verb and resource helps agents select the right tool.

Usage Guidelines5/5

Does the description explain when to use this tool, when not to, or what alternatives exist?

Gives concrete user phrasings that should trigger it ("这套学说有哪些概念"、"你们收录了什么") and an explicit division of labor with the two sibling tools. It also states the boundary that definitions are not returned, which further routes the agent to mcai_concept when full entries are needed.

Agents often have multiple tools that could apply. Explicit usage guidance like "use X instead of Y when Z" prevents misuse.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

  1. 5 tool updatesv0.1.2
    • Changedmcai_answer2 fields changed
      • changedInput schema / properties / question / description
        Previous value: -"要回答的问题，中英文均可，例如“什么是元意识”“元灵和元子有什么区别”"New value: +"一个完整的自然语言问题，建议 5–120 字，一次只问一个问题；中英文均可。建议包含明确的术语，例如“什么是元意识”“元灵和元子有什么区别”。"
      • addedInput schema / properties / question / examples
        Added value: +[
+  "什么是元意识",
+  "元灵和元子有什么区别"
+]
    • Changedmcai_concept2 fields changed
      • changedInput schema / properties / term / description
        Previous value: -"术语名、别名或 slug，例如 元意识 / MCAI / meta-consciousness"New value: +"精确的术语名、别名或 slug，例如 元意识 / MCAI / meta-consciousness；不确定写法时先用 mcai_search。"
      • addedInput schema / properties / term / examples
        Added value: +[
+  "元意识",
+  "meta-consciousness"
+]
    • Changedmcai_list1 field changed
      • changedInput schema / properties / category / description
        Previous value: -"按体系过滤：元意识体系 / 本体论模型 / 序生体系 / 元子社会；留空则返回全部"New value: +"按体系过滤，取值必须是：元意识体系 / 本体论模型 / 序生体系 / 元子社会；留空则返回全部"
    • Changedmcai_related3 fields changed
      • changedInput schema / properties / depth / description
        Previous value: -"关系展开深度：1 只取直接关系，2 取两跳；默认 1"New value: +"关系展开深度：1 只取直接关系，2 取两跳；默认 1。"
      • changedInput schema / properties / term / description
        Previous value: -"中心术语名，例如 元意识 / 序生智能体"New value: +"中心术语名，必须是库内已收录的术语，例如 元意识 / 序生智能体；不确定时先用 mcai_search。"
      • addedInput schema / properties / term / examples
        Added value: +[
+  "元意识",
+  "序生智能体"
+]
    • Changedmcai_search4 fields changed
      • changedInput schema / properties / category / description
        Previous value: -"按体系过滤：元意识体系 / 本体论模型 / 序生体系 / 元子社会；留空则返回全部"New value: +"按体系过滤，取值必须是：元意识体系 / 本体论模型 / 序生体系 / 元子社会；留空则返回全部"
      • changedInput schema / properties / limit / description
        Previous value: -"返回条数上限，默认 8，范围 1–30"New value: +"返回条数上限，默认 8，范围 1–30。"
      • changedInput schema / properties / query / description
        Previous value: -"检索关键词，支持中文、英文或别名，例如 元意识 / progenerative agent / 序生"New value: +"检索关键词（建议 2–20 字，不要传整句），支持中文、英文或别名，例如 元意识 / progenerative agent / 序生。"
      • addedInput schema / properties / query / examples
        Added value: +[
+  "元意识",
+  "序生"
+]
  2. 5 tool updatesv0.1.1
    • Changedmcai_answer2 fields changed
      • addedInput schema / additionalProperties
        Added value: +false
      • changedInput schema / properties / question / description
        Previous value: -"用户问题，中英文均可"New value: +"要回答的问题，中英文均可，例如“什么是元意识”“元灵和元子有什么区别”"
    • Changedmcai_concept2 fields changed
      • addedInput schema / additionalProperties
        Added value: +false
      • changedInput schema / properties / term / description
        Previous value: -"术语、别名或 slug，如 元意识 / MCAI / meta-consciousness"New value: +"术语名、别名或 slug，例如 元意识 / MCAI / meta-consciousness"
    • Changedmcai_list2 fields changed
      • addedInput schema / additionalProperties
        Added value: +false
      • addedInput schema / properties / category / description
        Added value: +"按体系过滤：元意识体系 / 本体论模型 / 序生体系 / 元子社会；留空则返回全部"
    • Changedmcai_related3 fields changed
      • addedInput schema / additionalProperties
        Added value: +false
      • addedInput schema / properties / depth / description
        Added value: +"关系展开深度：1 只取直接关系，2 取两跳；默认 1"
      • addedInput schema / properties / term / description
        Added value: +"中心术语名，例如 元意识 / 序生智能体"
    • Changedmcai_search4 fields changed
      • addedInput schema / additionalProperties
        Added value: +false
      • changedInput schema / properties / category / description
        Previous value: -"可选：元意识体系 / 本体论模型 / 序生体系 / 元子社会"New value: +"按体系过滤：元意识体系 / 本体论模型 / 序生体系 / 元子社会；留空则返回全部"
      • addedInput schema / properties / limit / description
        Added value: +"返回条数上限，默认 8，范围 1–30"
      • addedInput schema / properties / query / description
        Added value: +"检索关键词，支持中文、英文或别名，例如 元意识 / progenerative agent / 序生"
  3. 5 tool updates
    • First observedmcai_answer
    • First observedmcai_concept
    • First observedmcai_list
    • First observedmcai_related
    • First observedmcai_search
Deploy Server
Context All Your Agents Can ShareAgents share what they learn, hand off work, and hold it when you switch models. Start with 5 GB free.fulcradynamics.comAd

TDQS

A4.4/5.0

Scored across 5 tools

Disambiguation5/5

Each tool targets a distinct retrieval mode: full-sentence Q&A (mcai_answer), single-entry lookup (mcai_concept), fuzzy keyword search (mcai_search), relation subgraph (mcai_related), and full catalog (mcai_list). Every description includes an explicit division-of-labor section naming the sibling tools and when to prefer them, which eliminates misselection.

Naming Consistency4/5

All names share a uniform mcai_ prefix and single-token suffix, so the set reads predictably. Minor deviation: answer/search/list are verbs while concept/related are noun/adjective forms, so the suffix is not strictly a verb_noun pattern.

Tool Count5/5

Five tools map cleanly onto the five natural access paths of a term-based knowledge base (catalog, search, entry, relations, natural-language answer). Nothing appears redundant and no obvious access mode is missing, so each tool earns its place.

Completeness4/5

The surface covers discovery (list/search), retrieval (concept), explanation (answer), and graph traversal (related), which is full coverage for a read-only knowledge domain. Minor gap: there is no tool to enumerate systems/categories or corpus metadata directly, so taxonomy discovery depends on filtering the term list.

Maintenance

ActivityMaintained
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers