Servidor MCP de pensamiento secuencial

Un servidor de Protocolo de Contexto de Modelo (MCP) que facilita el pensamiento estructurado y progresivo mediante etapas definidas. Esta herramienta ayuda a descomponer problemas complejos en ideas secuenciales, a seguir la progresión del proceso de pensamiento y a generar resúmenes.

Características

• Marco de pensamiento estructurado : organiza los pensamientos a través de etapas cognitivas estándar (definición del problema, investigación, análisis, síntesis, conclusión).

• Seguimiento de pensamientos : registra y gestiona pensamientos secuenciales con metadatos

• Análisis de pensamientos relacionados : identifica conexiones entre pensamientos similares

• Seguimiento del progreso : rastrea su posición en la secuencia general de pensamiento

• Generación de resúmenes : crea descripciones generales concisas de todo el proceso de pensamiento.

• Almacenamiento persistente : guarda automáticamente sus sesiones de pensamiento con seguridad para subprocesos

• Importación/exportación de datos : sesiones de reflexión para compartir y reutilizar

• Arquitectura extensible : personalice y amplíe la funcionalidad fácilmente

• Manejo robusto de errores : manejo elegante de casos extremos y datos corruptos

• Seguridad de tipos : anotaciones y validación de tipos completas

Related MCP server: MCP Server Linear

Prerrequisitos

• Python 3.10 o superior

• Administrador de paquetes UV ( Guía de instalación )

Tecnologías clave

• Pydantic : para validación y serialización de datos

• Portalocker : para acceso seguro a archivos

• FastMCP : para la integración del protocolo de contexto de modelo

• Rico : para una salida de consola mejorada

• PyYAML : para la gestión de la configuración

Estructura del proyecto

mcp-sequential-thinking/
├── mcp_sequential_thinking/
│   ├── server.py       # Main server implementation and MCP tools
│   ├── models.py       # Data models with Pydantic validation
│   ├── storage.py      # Thread-safe persistence layer
│   ├── storage_utils.py # Shared utilities for storage operations
│   ├── analysis.py     # Thought analysis and pattern detection
│   ├── testing.py      # Test utilities and helper functions
│   ├── utils.py        # Common utilities and helper functions
│   ├── logging_conf.py # Centralized logging configuration
│   └── __init__.py     # Package initialization
├── tests/              
│   ├── test_analysis.py # Tests for analysis functionality
│   ├── test_models.py   # Tests for data models
│   ├── test_storage.py  # Tests for persistence layer
│   └── __init__.py
├── run_server.py       # Server entry point script
├── debug_mcp_connection.py # Utility for debugging connections
├── README.md           # Main documentation
├── CHANGELOG.md        # Version history and changes
├── example.md          # Customization examples
├── LICENSE             # MIT License
└── pyproject.toml      # Project configuration and dependencies

Inicio rápido

1. Configurar proyecto

   # Create and activate virtual environment
   uv venv
   .venv\Scripts\activate  # Windows
   source .venv/bin/activate  # Unix
   
   # Install package and dependencies
   uv pip install -e .
   
   # For development with testing tools
   uv pip install -e ".[dev]"
   
   # For all optional dependencies
   uv pip install -e ".[all]"

2. Ejecutar el servidor

   # Run directly
   uv run -m mcp_sequential_thinking.server
   
   # Or use the installed script
   mcp-sequential-thinking

3. Ejecutar pruebas

   # Run all tests
   pytest
   
   # Run with coverage report
   pytest --cov=mcp_sequential_thinking

Integración de escritorio de Claude

Agregue a su configuración de Claude Desktop ( %APPDATA%\Claude\claude_desktop_config.json en Windows):

{
  "mcpServers": {
    "sequential-thinking": {
      "command": "uv",
      "args": [
        "--directory",
        "C:\\path\\to\\your\\mcp-sequential-thinking\\run_server.py",
        "run",
        "server.py"
        ]
      }
    }
  }

Alternativamente, si ha instalado el paquete con pip install -e . , puede utilizar:

{
  "mcpServers": {
    "sequential-thinking": {
      "command": "mcp-sequential-thinking"
    }
  }
}

Cómo funciona

El servidor mantiene un historial de pensamientos y los procesa mediante un flujo de trabajo estructurado. Cada pensamiento se valida mediante modelos de Pydantic, se clasifica en etapas de pensamiento y se almacena con los metadatos relevantes en un sistema de almacenamiento seguro para subprocesos. El servidor gestiona automáticamente la persistencia de datos, la creación de copias de seguridad y proporciona herramientas para analizar las relaciones entre los pensamientos.

Guía de uso

El servidor de Pensamiento Secuencial expone tres herramientas principales:

1. process_thought

Registra y analiza un nuevo pensamiento en su proceso de pensamiento secuencial.

Parámetros:

• thought (cadena): El contenido de tu pensamiento

• thought_number (entero): Posición en su secuencia (por ejemplo, 1 para el primer pensamiento)

• total_thoughts (entero): Total de pensamientos esperados en la secuencia

• next_thought_needed (booleano): si se necesitan más pensamientos después de este

• stage (cadena): La etapa de pensamiento - debe ser una de las siguientes:

  • "Definición del problema"

  • "Investigación"

  • "Análisis"

  • "Síntesis"

  • "Conclusión"

• tags (lista de cadenas, opcional): Palabras clave o categorías para tu pensamiento

• axioms_used (lista de cadenas, opcional): Principios o axiomas aplicados en tu pensamiento

• assumptions_challenged (lista de cadenas, opcional): suposiciones que cuestionan o desafían sus pensamientos

Ejemplo:

# First thought in a 5-thought sequence
process_thought(
    thought="The problem of climate change requires analysis of multiple factors including emissions, policy, and technology adoption.",
    thought_number=1,
    total_thoughts=5,
    next_thought_needed=True,
    stage="Problem Definition",
    tags=["climate", "global policy", "systems thinking"],
    axioms_used=["Complex problems require multifaceted solutions"],
    assumptions_challenged=["Technology alone can solve climate change"]
)

2. generate_summary

Genera un resumen de todo tu proceso de pensamiento.

Ejemplo de salida:

{
  "summary": {
    "totalThoughts": 5,
    "stages": {
      "Problem Definition": 1,
      "Research": 1,
      "Analysis": 1,
      "Synthesis": 1,
      "Conclusion": 1
    },
    "timeline": [
      {"number": 1, "stage": "Problem Definition"},
      {"number": 2, "stage": "Research"},
      {"number": 3, "stage": "Analysis"},
      {"number": 4, "stage": "Synthesis"},
      {"number": 5, "stage": "Conclusion"}
    ]
  }
}

3. clear_history

Restablece el proceso de pensamiento borrando todos los pensamientos registrados.

Aplicaciones prácticas

• Toma de decisiones : Analice decisiones importantes metódicamente.

• Resolución de problemas : Dividir problemas complejos en componentes manejables

• Planificación de la investigación : Estructure su enfoque de investigación con etapas claras

• Organización de la escritura : Desarrollar ideas progresivamente antes de escribir.

• Análisis de proyectos : evaluar proyectos a través de etapas analíticas definidas

Empezando

Con la configuración correcta de MCP, simplemente usa la herramienta process_thought para comenzar a procesar tus ideas en secuencia. A medida que avances, puedes obtener una visión general con generate_summary y reiniciar cuando sea necesario con clear_history .

Personalización del servidor de pensamiento secuencial

Para ver ejemplos detallados sobre cómo personalizar y ampliar el servidor de Pensamiento Secuencial, consulte example.md . Incluye ejemplos de código para:

• Modificar las etapas del pensamiento

• Mejorando las estructuras de datos de pensamiento con Pydantic

• Añadiendo persistencia a las bases de datos

• Implementando análisis mejorado con PNL

• Creación de indicaciones personalizadas

• Configuración de configuraciones avanzadas

• Creación de integraciones de interfaz de usuario web

• Implementación de herramientas de visualización

• Conexión a servicios externos

• Creación de entornos colaborativos

• Separación del código de prueba

• Construyendo servicios públicos reutilizables

Licencia

Licencia MIT