NexusMind
🧠 NexusMind
Intelligentes wissenschaftliches Denken durch Gedankengraphen
🔍 Übersicht
NexusMind nutzt Graphstrukturen für anspruchsvolle wissenschaftliche Schlussfolgerungen. Es implementiert das Model Context Protocol (MCP) für die Integration mit KI-Anwendungen wie Claude Desktop.
Wichtige Highlights:
Verarbeiten Sie komplexe wissenschaftliche Abfragen mithilfe graphenbasierter Argumentation
Dynamisches Vertrauens-Scoring mit mehrdimensionalen Auswertungen
Erstellt mit modernem Python und FastAPI für hohe Leistung
Dockerisiert für einfache Bereitstellung
Modulares Design für Erweiterbarkeit und Anpassung
Related MCP server: Adaptive Graph of Thoughts MCP Server
🌟 Hauptfunktionen
8-stufige Reasoning-Pipeline
Der Kernschlussfolgerungsprozess folgt einer ausgeklügelten 8-stufigen Pipeline:
🌱 Initialisierung
Erstellt den Stammknoten aus der Abfrage
Legt die anfängliche Graphstruktur fest
Legt die Konfidenzbasislinie fest
🧩 Zersetzung
Zerlegt die Abfrage in Dimensionen
Identifiziert Schlüsselkomponenten
Erstellt Dimensionsknoten
🔬 Hypothese/Planung
Generiert mehrere Hypothesen
Erstellt eine Argumentationsstrategie
Legt Fälschungskriterien fest
📊 Beweisintegration
Sammelt unterstützende Beweise
Verknüpft Beweise mit Hypothesen
Aktualisiert die Konfidenzwerte
✂️ Beschneiden/Zusammenführen
Entfernt Elemente mit geringem Wert
Konsolidiert ähnliche Knoten
Optimiert die Graphstruktur
🔍 Subgraph-Extraktion
Identifiziert relevante Teile
Konzentriert sich auf hochwertige Pfade
Erstellt zielgerichtete Untergraphen
📝 Zusammensetzung
Fasst die wichtigsten Erkenntnisse zusammen
Schafft kohärente Erkenntnisse
Generiert umfassende Antworten
🤔 Reflexion
Bewertet die Qualität des Denkvermögens
Identifiziert Verbesserungsbereiche
Abschließende Vertrauensbewertung
Technische Möglichkeiten
🧠 Graphische Wissensdarstellung : Verwendet
networkxzur Modellierung komplexer Beziehungen🔄 Dynamische Vertrauensvektoren :
Empirische Unterstützung
Theoretische Grundlagen
Methodische Strenge
Konsensausrichtung
🔌 MCP-Server : Nahtlose Claude Desktop-Integration
⚡ Hochleistungs-API : Moderne FastAPI-Implementierung
🐳 Einfache Bereitstellung : Docker- und Docker Compose-Unterstützung
🧩 Erweiterbare Architektur : Modulare Komponenten zur individuellen Anpassung
⚙️ Flexible Konfiguration : Pydantic- und YAML-Konfiguration
🛠️ Technologie-Stack
📂 Projektstruktur
asr-got-reimagined/
├── config/
│ ├── settings.yaml
│ └── claude_mcp_config.json
├── src/asr_got_reimagined/
│ ├── api/
│ │ ├── routes/
│ │ │ └── mcp.py
│ │ └── schemas.py
│ ├── domain/
│ │ ├── models/
│ │ │ ├── common.py
│ │ │ ├── graph_elements.py
│ │ │ └── graph_state.py
│ │ ├── services/
│ │ │ └── got_processor.py
│ │ ├── stages/
│ │ │ ├── base_stage.py
│ │ │ ├── stage_1_*.py
│ │ │ └── stage_2_*.py...
│ │ └── utils/
│ ├── main.py
│ └── app_setup.py
├── scripts/
├── Dockerfile
├── docker-compose.yml
└── pyproject.toml 🚀 Erste Schritte
Voraussetzungen
Python 3.13+ (Docker-Image verwendet Python 3.13.3-slim-bookworm)
Poesie : Für das Abhängigkeitsmanagement
Docker und Docker Compose : Für die containerisierte Bereitstellung
Installation und Einrichtung (lokale Entwicklung)
Klonen Sie das Repository :
git clone https://github.com/SaptaDey/NexusMind.git cd NexusMindInstallieren Sie Abhängigkeiten mit Poetry :
poetry installDadurch wird eine virtuelle Umgebung erstellt und alle in
pyproject.tomlangegebenen erforderlichen Pakete installiert.Aktivieren Sie die virtuelle Umgebung :
poetry shellKonfigurieren Sie die Anwendung :
Passen Sie die Einstellungen in
config/settings.yamlnach Bedarf anKonfigurieren Sie Umgebungsvariablen oder eine
.envDatei für vertrauliche Informationen
Führen Sie den Entwicklungsserver aus :
python src/asr_got_reimagined/main.pyAlternativ für mehr Kontrolle:
uvicorn asr_got_reimagined.main:app --reload --host 0.0.0.0 --port 8000Die API wird unter
http://localhost:8000verfügbar sein.
Docker-Bereitstellung
Erstellen und Ausführen der Docker-Container :
docker-compose up --buildFür den getrennten Modus:
docker-compose up --build -dDas Docker-Image verwendet Python 3.13.3-slim-bookworm als Basis-Image für verbesserte Leistung und Sicherheit.
Zugriff auf die API : Die API ist unter
http://localhost:8000(oder wie indocker-compose.ymlkonfiguriert) zugänglich.
🔌 API-Endpunkte
Kernendpunkte
MCP-Endpunkt :
POST /mcpFür die Kommunikation mit MCP-Clients wie Claude Desktop
Implementiert das Model Context Protocol für die KI-Interaktion
Gesundheitscheck :
GET /healthGrundlegende Integritätsprüfung zur Überwachung und Diensterkennung
Zusätzliche Endpunkte (geplant)
Graphabfrage :
POST /api/graph/queryDirekte Schnittstelle für ASR-GoT-Abfragen
Graphstatus :
GET /api/graph/{session_id}Aktuellen Status eines Reasoning-Graphen abrufen
Analytics :
GET /api/analytics/{session_id}Erhalten Sie Kennzahlen zum Denkprozess
🧪 Prüfung & Qualität
Entwicklungstools
Typsicherheit :
Konfiguriert mit
mypy.iniundpyrightconfig.jsonBeheben Sie Probleme mit dem Logger-Typ mit
python scripts/add_type_hints.py
Codequalität :
Vollständig typisierte Codebasis mit Typanmerkungen
Pre-Commit-Hooks verfügbar:
poetry run pre-commit installAutomatisierte Formatierung mit Ruff
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Hybrid human + AI expertise for faster, trusted answers and decisions via MCP Server.
The Dappier MCP server connects LLMs and AI agents to real-time, rights-cleared, proprietary data from trusted sources across various domains. It provides specialized knowledge through real-time web search, financial stock market and crypto data access, AI-powered content recommendations from premium publishers, and structured outputs with sub-300ms response times, enabling AI systems to respond to current events and trends.
The CustomGPT.ai MCP server is a fully managed, RAG-powered endpoint that connects large language models with private knowledge bases and external data sources. It provides tools for retrieval-augmented generation queries (send_message), data ingestion (upload_file), and source listing, enabling AI agents to query private documents like PDFs with high accuracy and real-time citations.
MCP server for building and testing AI agents with multi-model experimentation and insights.
Related MCP Servers
- AlicenseDqualityCmaintenanceA sophisticated MCP server that provides a multi-dimensional, adaptive reasoning framework for AI assistants, replacing linear reasoning with a graph-based architecture for more nuanced cognitive processes.160 npm33MIT
- AlicenseNot gradedqualityDmaintenanceA scientific reasoning framework that leverages graph structures and the Model Context Protocol (MCP) to process complex scientific queries through an Advanced Scientific Reasoning Graph-of-Thoughts (ASR-GoT) approach.31MIT
- AlicenseBqualityBmaintenanceAn MCP server that provides standardized access to biomedical knowledge bases and resources, enabling AI systems to retrieve verified information from sources like bioRxiv, EuropePMC, and various protein/gene databases.5233Apache 2.0
- AlicenseAqualityDmaintenanceAn MCP server that enhances sequential thinking with meta-cognitive capabilities including confidence tracking, hypothesis testing, and organized memory storage through graph-based libraries and structured JSON documents.1013MIT