SequentialThinking

Name: SequentialThinking
Author: LseKit

by LseKit

Overview Schema Source Related Servers Discussions Admin

Python

Sequential Thinking 🤔

让 Agent 真正「推理」——不只是「生成文字」

PyPI License: MIT Python Tests

双引擎推理 · 双重模型 MoA · 中文 FTS5 全文搜索 · 26 个 MCP 工具

📊 功能对比

功能	MCP官方 (TS)	bpradana (Go)	spences10 (TS)	arben-adm (Python)	ad (Go)	本项目
工具数	1	11	3	5	1	26
持久化	❌ 内存	❌ 内存	✅ 按 session	✅ JSON 文件	❌ 内存	✅ SQLite WAL
中文 FTS5	❌	❌	❌	❌	❌	✅
LLM 集成	❌	❌	❌	❌	❌	✅ OpenAI 兼容
双引擎降级	❌	❌	❌	❌	❌	✅ 自动
质量评估	❌	✅ 基础	❌	❌	❌	✅ 5 维 + 交叉验证
偏见检测	❌	❌	❌	❌	❌	✅ 5 种
矛盾检测	❌	❌	❌	❌	❌	✅ 双重
假设追踪	❌	❌	❌	✅ axioms	❌	✅ 完整 CRUD
修订标记	✅ isRevision	❌	✅ is_revision	❌	✅	✅ is_revision
分支推理	✅	✅	✅	❌	✅	✅
自动完成	❌	❌	❌	❌	❌	✅
模板	❌	7	❌	❌	❌	✅ 9 种
Self-MoA	❌	❌	❌	❌	❌	✅ 3 轮投票
Iterative-MoA	❌	❌	❌	❌	❌	✅ 双模型迭代
MCP Resources	❌	3	❌	❌	❌	✅ 2 个
MCP Prompts	❌	3	1	❌	❌	✅ 3 个
Mermaid 可视化	❌	❌	❌	❌	❌	✅
回放	❌	❌	❌	❌	❌	✅
Web 面板	❌	❌	❌	❌	✅	❌
Docker	✅	✅	❌	❌	✅	❌
单元测试	✅	❌	✅ vitest	✅ pytest	✅	192 个

每个实现各有侧重。官方版是参考实现，简洁可靠；Go 版编译为单二进制、启动快、有 Web 面板；本项目的重点是多引擎推理和中文场景支持。

我们的不足

无 Web 调试面板（ad 版有）
无安全扫描（spences10、recallnet 有）
不支持反向导入（arben-adm 支持）
Python 启动比 Go/TS 慢（加载 jieba 约 1-2 秒）
无 Docker 支持

Related MCP server: deep-thinker

⚡ 三种使用方式

方式一：PyPI 安装（最简单）

pip install LseKit-SequentialThinking
lseqthink

方式二：uvx 零安装

uvx --from LseKit-SequentialThinking lseqthink

方式三：克隆源码自行部署

git clone https://github.com/LseKit/SequentialThinking.git
cd SequentialThinking
uv venv SeqThinkVenV --python 3.12
uv pip install -r Requirements.txt
cp .env.example Config/.env && chmod 600 Config/.env
cp ecosystem.config.example.js Ecosystem/ecosystem.config.js
pm2 start Ecosystem/ecosystem.config.js && pm2 save

# 验证
pm2 status SequentialThinking
cd GitHubSrc && python3 -m pytest Tests/ -q

📖 完整部署见项目部署手册

🔌 各智能体接入方式

Claude Desktop

{
  "mcpServers": {
    "seqthink": {
      "command": "uvx",
      "args": ["--from", "LseKit-SequentialThinking", "lseqthink"]
    }
  }
}

Hermes

在 ~/.hermes/config.yaml 中配置：

mcp_servers:
  sequential-thinking:
    command: uvx
    args: ["--from", "LseKit-SequentialThinking", "lseqthink"]
    env:
      DEEPSEEK_API_KEY: sk-xxx

或者通过 Streamable HTTP 连接：

mcp_servers:
  sequential-thinking:
    url: http://your-host:21000/mcp

Cherry Studio

MCP 设置 → 添加 → 命令填 uvx，参数填 --from LseKit-SequentialThinking lseqthink

OpenClaw

在 ~/.openclaw/mcp.json 中配置：

{
  "mcpServers": {
    "sequential-thinking": {
      "command": "uvx",
      "args": ["--from", "LseKit-SequentialThinking", "lseqthink"]
    }
  }
}

Claude Code

claude mcp add seqthink -- uvx --from LseKit-SequentialThinking lseqthink

Cursor / VS Code (Cline / Continue)

在 .cursor/mcp.json 或 mcp.json 中加入：

{
  "mcpServers": {
    "seqthink": {
      "command": "uvx",
      "args": ["--from", "LseKit-SequentialThinking", "lseqthink"],
      "env": { "DEEPSEEK_API_KEY": "sk-xxx" }
    }
  }
}

🧠 启用双重思维 — 让 Agent 真正「推理」，不只是「生成文字」

为什么需要两种推理模式

单次 LLM 调用天然是「下一个词预测」——它无法自我纠偏，也无法从多个角度审视同一个答案。

本项目的双 MoA（Mixture-of-Agents）推理引擎提供了两种互补的增强方式：一种快速发散找思路，一种深入打磨求精确。参考文献：arXiv 2502.00674 和 arXiv 2406.04692。

两种模式怎么工作

Self‑MoA — 并行发散，投票挑选

同一个模型、换几种「心态」（不同温度参数），同时回答同一个问题，然后用语义相似度给每条回答打分，投票选出最优的那条。

维度	说明
原理	同一 LLM，3 个不同温度各自独立完成完整推理链，对输出做语义相似度投票，选最优
论文支撑	arXiv 2502.00674：Self-MoA 在 AlpacaEval 2.0 上比 MoA 高 6.6%，多数场景优于混合多模型
调用方式	并行（`asyncio.gather`），温服样本同时跑
收敛标准	语义相似度投票最高者胜出
Token 消耗	约 3 倍，但耗时 ≈ 单次调用（并行执行）
主要优势	保证输出质量下限稳定（同一模型水平一致），并行速度快，温度多样性带来广度覆盖
潜在短板	温度高时可能引入随机噪声，无法利用不同模型的互补能力

适合：发散找思路——写文案、头脑风暴、多角度评估。

Iterative‑MoA — 串行打磨，逐步逼近

两个模型轮流当「作者」和「审稿人」：A 写初版 → B 审查挑刺 → A 再优化 → B 再审查…直到收敛或达到最大轮数。

维度	说明
原理	A 生成初版 → B 以批判者角色审查给出修改版 → A 综合再优化 → 循环直到收敛
论文支撑	arXiv 2406.04692：分层 MoA 架构能用纯开源模型超越 GPT-4 Omni（AlpacaEval 65.1% vs 57.5%）
调用方式	串行，每轮依赖上一轮输出
收敛标准	连续两轮输出的语义相似度超过阈墀时提前终止
Token 消耗	轮数 × 每次约 2 倍，质量随轮数递增
主要优势	逐步精炼适合深度推理，混合不同模型可发挥各自特长（如一个擅长分析，一个擅长总结）
潜在短板	串行耗时随迭代次数线性增长，混合模型时弱模型可能拖累整体质量（论文证实混合模型在多数场景不如 Self-MoA）

适合：深入打磨细节——数学推理、代码审查、合规分析。

一张表分清

对比项	Self‑MoA	Iterative‑MoA
调用模型数	1 个模型，多个温度副本	2 个模型（或同一模型不同配置）
调用方式	并行	串行
收敛方式	投票选最高分	连续两轮不再显著变化即停止
Token 代价	~3 倍（一次性）	轮数 × 每次约 2 倍
思路风格	发散 → 收敛	迭代 → 逼近
什么时候选	想快速看到多个角度，让模型自选最优	想反复打磨一个结论，直到挑不出问题

不配 API 也能用 — 自动降级

没有配任何 LLM API Key、或者 LLM 调用连续失败时，系统自动降级为内置规则推理引擎：

基于模板 + 关键词匹配做问题分解、步骤生成、总结反思
命中已缓存的相似思考模式时直接复现
降级过程不出错，只写日志

不配 Key 也能得到一个有结构、有逻辑的思考框架，不会空白也不报错。

🔧 配置

支持任何 OpenAI 兼容的 API（DeepSeek、OpenAI、Qwen、本地模型等）。

Config/.env（敏感，chmod 600）
├── DEEPSEEK_API_KEY     ← 模型1 API Key
└── DASHSCOPE_API_KEY    ← 模型2 API Key（双模型模式需要）

Ecosystem/ecosystem.config.js（非敏感）
├── ST_LLM_SELECTOR      ← 0/1/2/3
├── ST_LLM_MODE          ← self-moa / iterative
├── ST_MOA_ROUNDS        ← 1~20
├── ST_LLM_MODEL         ← 模型1 名称
├── ST_LLM2_MODEL        ← 模型2 名称
├── ST_LLM_API_BASE      ← API 端点
├── ST_HOST / ST_PORT    ← 监听地址和端口
└── ST_DB_PATH           ← SQLite 数据库路径

环境变量参考

变量	用途	参考值
`DEEPSEEK_API_KEY`	模型1 的 API Key	必填
`DASHSCOPE_API_KEY`	模型2 的 API Key	可选
`ST_LLM_MODEL`	模型1 名称	`deepseek-v4-flash`
`ST_LLM2_MODEL`	模型2 名称	`qwen3.7-plus`
`ST_LLM_API_BASE`	OpenAI 兼容 API 端点	`https://api.deepseek.com/v1`
`ST_LLM_SELECTOR`	引擎选择（0=启发式 / 1-3=LLM）	`3`
`ST_LLM_MODE`	MoA 模式	`self-moa`
`ST_MOA_ROUNDS`	采样/迭代轮数	`3`
`ST_TRANSPORT`	传输模式	`streamable-http`
`ST_PORT`	监听端口	由配置决定
`ST_DB_PATH`	SQLite 数据库路径	`~/.seqthink/thoughts.db`

🏗️ 技术架构

┌──────────────────────────────────────────────────────┐
│            fastmcp (MCP 协议层)                       │
│       Streamable HTTP · stdio 双传输                  │
├──────────────────────────────────────────────────────┤
│  HeuristicEngine          │     LLMEngine            │
│  (规则推理 · 零外部依赖)    │  (OpenAI 兼容 · 异步)    │
│  关键词提取 · Jaccard对比  │  Self-MoA · Iterative-MoA│
├──────────────────────────────────────────────────────┤
│                    Core 层                            │
│       Context · Models · Templates                   │
│           Utils · Logger · Helpers                   │
├──────────────────────────────────────────────────────┤
│         SQLite + FTS5 中文全文检索                    │
│        5 表 + FK 约束 + WAL 并发模式                  │
└──────────────────────────────────────────────────────┘

双引擎降级路径

启动 → 检测 DEEPSEEK_API_KEY
              │
     有 Key ──┼── 无 Key
              │        │
       LLMEngine    HeuristicEngine
       (MoA 推理)   (内置规则 · 零成本)
              │
      SELECTOR=3?
         │
    有 Key2? ── 无 Key2?
        │           │
   双模型 MoA    单模型 MoA

🎯 这些功能解决了什么

推理像是「黑箱」

LLM 能生成流畅的推理，但内部逻辑不一定可靠。内置的矛盾检测（detect_contradictions）、假设提取（extract_assumptions）、逻辑验证（validate_logic）让推理过程更透明。

中文的推理质量

大多数 Sequential Thinking 工具基于英文构建。本项目在分词（jieba）和全文检索（FTS5）两端对中文做了针对性优化。

思考不留痕迹

推理完就丢了，下次同样问题又要从头来。SQLite WAL 持久化让每个会话可搜索、可回放、可对比。

单一模型的盲区

单一模型容易陷入固定模式。Self-MoA 用不同温度采样多条推理路径后投票，Iterative-MoA 让两个模型反复审视对方输出——两种策略覆盖了「多角度验证」和「逐步逼近最优」两种互补需求。

🧰 26 个 MCP 工具

会话管理（8 个）

工具	作用
`start_thinking`	创建推理会话，返回复杂度评估和推荐模板
`add_step`	添加推理步骤
`update_step`	修改已有步骤
`review_thinking`	获取完整思维链（linear / tree / summary）
`branch_thinking`	从指定步骤创建替代推理分支
`merge_insights`	合并多个分支的洞察
`complete_session`	标记会话完成
`delete_session`	级联删除会话

质量控制（3 个）

工具	作用
`validate_logic`	检测逻辑谬误
`evaluate_quality`	5 维质量评估 + 交叉验证
`detect_biases`	检测 5 种认知偏见

管理（4 个）

工具	作用
`export_session`	导出 Markdown / JSON / Text
`list_sessions`	按状态和标签筛选
`search_sessions`	FTS5 中文全文检索
`get_metrics`	日/周/月使用统计

增强（11 个）

工具	作用
`compare_sessions`	对比两个会话
`suggest_next`	推荐下一步方向
`rewrite_query`	LLM 优化问题表述
`visualize_thinking`	Mermaid 流程图
`replay_thinking`	逐步回放
`auto_tag`	自动生成标签
`moa_analyze`	MoA 多轮投票分析
`add_connection`	建立步骤间因果关系
`detect_contradictions`	检测推理矛盾
`extract_assumptions`	提取隐含假设
`update_tags`	替换会话标签

Resources & Prompts

config://server — 服务配置
thinking://templates/catalog — 9 种思维模板目录
problem_breakdown — 问题分解
critical_analysis — 批判性分析
synthesis_prompt — 综合结论

🧪 测试

cd GitHubSrc
python3 -m pytest Tests/ -v    # 192 全量

模块	数量
Core Models / Templates / Context	48
Utils Logger	6
Handlers Helpers	24
HeuristicEngine	26
LLMEngine + MoA	36
Storage + FTS5 中文	52
总计	192

MIT · 小逸 (LseKit)

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivitySlowing

ResponsivenessNo issues

Resources

GitHub Repository

Need Help?

Related Servers

Related MCP Connectors

Reasoning Commons
io.github.chenyuan35
AI Reasoning Cache & Consensus Layer with 11 MCP tools via Streamable HTTP.
AI & Machine Learning Knowledge & Memory Autonomous Agents
2
MINDOAuth
io.github.theastraway
MIND MCP Server — 31 tools. Persistent AI memory: knowledge graph, LIFE tasks, CRM, 50+ models.
Knowledge & Memory CRM AI & Machine Learning
15
hithereiamaliff-mcp-nextcloudOAuth
ai.smithery
A comprehensive Model Context Protocol (MCP) server that enables AI assistants to interact with yo…
Cloud Storage File Systems Workplace & Productivity
238
strata
ai.klavis
MCP server for progressive tool usage at any scale (see https://klavis.ai)
Agent Orchestration Autonomous Agents Developer Tools
25,748

Related MCP Servers

verifiable-thinking-mcp
Autonomous Agents Developer Tools
CoderDayton
A
license
B
quality
Not graded
maintenance
MCP server for structured reasoning with cognitive trap detection, verification, and context compression
Updated 7 months ago (2026-02-10 19:36 UTC)
5
41 npm
1
-
deep-thinker
Autonomous Agents AI & Machine Learning Developer Tools
nachosystems
A
license
A
quality
D
maintenance
Advanced cognitive thinking MCP server with DAG-based thought graph, multiple reasoning strategies, metacognition, and self-evaluation. A significant evolution beyond sequential-thinking MCP, providing structured deep reasoning with graph-based thought management.
Updated 4 months ago (2026-05-23 12:17 UTC)
6
20 npm
13
MIT
MCP Thinking Server
Autonomous Agents AI & Machine Learning
VitalyMalakanov
A
license
Not graded
quality
D
maintenance
A powerful MCP server that enhances LLMs with advanced sequential thinking capabilities, supporting 19 thinking modes for structured reasoning and complex cognitive tasks.
Updated a year ago (2025-05-25 18:13 UTC)
17
MIT
Qwen3 MCP Server
AI & Machine Learning Developer Tools
WOODSEE-DIGI
A
license
Not graded
quality
C
maintenance
Multi-model MCP server enabling code generation, visual analysis, and complex reasoning via Qwen3 models.
Updated 2 months ago (2026-07-04 05:59 UTC)
MIT