arben-adm/mcp-sequential-thinking

解決的問題

本專案為AI模型提供一種結構化的方法，用於記錄、組織與追蹤其推理過程。雖然許多模型使用「思考鏈」（chain-of-thought）方法，但這些思考往往只是暫時的。此伺服器建立了一個持久且經過模式驗證的思考日誌，讓模型能保留其邏輯的審計追蹤，修訂先前的思考，並在不遺失主線推理的情況下探索替代推理路徑（分支）。

工作原理

它作為一個 Model Context Protocol (MCP) 伺服器運作，向 AI 模型公開一組工具。模型使用這些工具將思考記錄到特定的認知階段（問題定義、研究、分析、綜合、結論）。

關鍵技術機制包括：

• 持久性：思考被儲存至僅能追加的 JSONL 日誌中，確保推理會話在當機或重啟後仍能保留。
• 結構驗證：使用 Pydantic，伺服器確保思考遵循嚴格的模式，並在模型跳過或回溯認知階段時發出警告。
• 分支與修訂：伺服器追蹤哪些思考是先前思考的修訂，或從序列中某一點分叉而來。
• 分析工具：它能檢測語義相似的思考，並生成推理過程的決定性摘要，包含分支與修訂的統計數據。

適用對象

• AI 開發者：開發需要複雜多步推理與可驗證審計追蹤的代理或 LLM 應用的開發者。
• MCP 支援編輯器的高階使用者：使用 Claude Desktop、Cursor、VS Code 或 Zed 的使用者，希望其 AI 助手在解決問題時更具條理性和結構性。
• 研究人員：需要匯出並分享 AI 得出結論所經歷的精確推理路徑的研究人員。

亮點

• 持久會話：與僅依賴記憶體的實作不同，它支援持久儲存、會話匯出與匯入。
• 認知階段追蹤：強制或鼓勵從問題定義到結論的邏輯流程。
• 非線性推理：支援顯式分支（分叉出替代路徑）與對先前思考的修訂。
• 審計追蹤：提供每一步推理過程的類型化、結構化記錄，包含使用的公理與挑戰的假設。