🧠 NexusMind

Razonamiento científico inteligente a través del grafo de pensamientos

🔍 Descripción general

NexusMind aprovecha las estructuras gráficas para realizar razonamiento científico sofisticado. Implementa el Protocolo de Contexto de Modelo (MCP) para integrarse con aplicaciones de IA como Claude Desktop.

Aspectos destacados:

• Procesar consultas científicas complejas utilizando razonamiento basado en gráficos

• Puntuación de confianza dinámica con evaluaciones multidimensionales

• Creado con Python moderno y FastAPI para un alto rendimiento

• Dockerizado para una fácil implementación

• Diseño modular para extensibilidad y personalización.

Related MCP server: Adaptive Graph of Thoughts MCP Server

🌟 Características principales

Proceso de razonamiento de ocho etapas

El proceso de razonamiento central sigue un sofisticado proceso de ocho etapas:

1. 🌱 Inicialización

   • Crea un nodo raíz a partir de la consulta

   • Establece la estructura gráfica inicial

   • Establece una línea base de confianza

2. 🧩 Descomposición

   • Divide la consulta en dimensiones

   • Identifica componentes clave

   • Crea nodos dimensionales

3. 🔬 Hipótesis/Planificación

   • Genera múltiples hipótesis

   • Crea una estrategia de razonamiento

   • Establece criterios de falsificación

4. 📊 Integración de evidencia

   • Recopila evidencia de apoyo

   • Vincula la evidencia con las hipótesis

   • Actualiza las puntuaciones de confianza

5. ✂️ Poda/Fusión

   • Elimina elementos de bajo valor

   • Consolida nodos similares

   • Optimiza la estructura del gráfico

6. 🔍 Extracción de subgrafos

   • Identifica las partes relevantes

   • Se centra en rutas de alto valor

   • Crea subgráficos específicos

7. 📝 Composición

   • Sintetiza los hallazgos clave

   • Crea perspectivas coherentes

   • Genera una respuesta completa

8. 🤔 Reflexión

   • Evalúa la calidad del razonamiento

   • Identifica áreas de mejora

   • Evaluación final de confianza

Capacidades técnicas

• Representación gráfica del conocimiento : utiliza networkx para modelar relaciones complejas

• Vectores de confianza dinámica :

  • Apoyo empírico

  • Base teórica

  • Rigor metodológico

  • Alineación de consenso

• 🔌 Servidor MCP : Integración perfecta con Claude Desktop

• ⚡ API de alto rendimiento : Implementación moderna de FastAPI

• 🐳 Implementación sencilla : compatibilidad con Docker y Docker Compose

• 🧩 Arquitectura extensible : Componentes modulares para personalización

• ⚙️ Configuración flexible : configuración de Pydantic y YAML

Pila de tecnología

📂 Estructura del proyecto

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                 

🚀 Primeros pasos

Prerrequisitos

• Python 3.13+ (la imagen de Docker usa Python 3.13.3-slim-bookworm)

• Poesía : Para la gestión de la dependencia

• Docker y Docker Compose : para implementación en contenedores

Instalación y configuración (desarrollo local)

1. Clonar el repositorio :

   git clone https://github.com/SaptaDey/NexusMind.git
   cd NexusMind

2. Instalar dependencias usando Poetry :

   poetry install

   Esto crea un entorno virtual e instala todos los paquetes necesarios especificados en pyproject.toml .

3. Activar el entorno virtual :

   poetry shell

4. Configurar la aplicación :

   • Ajuste la configuración en config/settings.yaml según sea necesario

   • Configurar variables de entorno o un archivo .env para información confidencial

5. Ejecute el servidor de desarrollo :

   python src/asr_got_reimagined/main.py

   Alternativamente, para mayor control:

   uvicorn asr_got_reimagined.main:app --reload --host 0.0.0.0 --port 8000

   La API estará disponible en http://localhost:8000 .

Implementación de Docker

1. Construya y ejecute los contenedores Docker :

   docker-compose up --build

   Para el modo separado:

   docker-compose up --build -d

   La imagen de Docker utiliza Python 3.13.3-slim-bookworm como imagen base para mejorar el rendimiento y la seguridad.

2. Acceder a la API : la API será accesible en http://localhost:8000 (o como se configure en docker-compose.yml ).

🔌 Puntos finales de API

Puntos finales principales

• Punto final de MCP : POST /mcp

  • Para la comunicación con clientes MCP como Claude Desktop

  • Implementa el Protocolo de Contexto de Modelo para la interacción con IA

• Control de salud : GET /health

  • Comprobación básica del estado para la supervisión y el descubrimiento de servicios

Puntos finales adicionales (planificados)

• Consulta gráfica : POST /api/graph/query

  • Interfaz directa para consultas ASR-GoT

• Estado del gráfico : GET /api/graph/{session_id}

  • Recuperar el estado actual de un gráfico de razonamiento

• Análisis : GET /api/analytics/{session_id}

  • Obtenga métricas sobre el proceso de razonamiento

🧪 Pruebas y calidad

Herramientas de desarrollo

• Tipo de seguridad :

  • Configurado con mypy.ini y pyrightconfig.json

  • Solucionar problemas de tipo de registrador con python scripts/add_type_hints.py

• Calidad del código :

  • Base de código completamente tipificada con anotaciones de tipo

  • Ganchos de pre-confirmación disponibles: poetry run pre-commit install

  • Formato automatizado con Ruff