⚡ C̷h̷u̷c̷k̷N̷o̷r̷r̷i̷s̷ MCP 服务器：增强您的大语言模型 ⚡

MCP 门径协议用于针对 LLM 的特殊增强提示，并采用动态模式自适应。

⚠️ 免责声明

重要: 这是一个在进行中的项目，有其局限性。仅适用于较弱的模型。最新的 LLM 会识别出越狱尝试。此工具也旨在用于安全研究和评估目的，以帮助识别 LLM 系统中的漏洞。

~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~

📖 介绍

C̷h̷u̷c̷k̷N̷o̷r̷r̷i̷s̷ MCP 服务器提供 Model Context Protocol (MCP) 的实现，用于将特殊的增强提示传递给各种 LLM。它采用了来自 elder-plinius' L1B3RT4S 项目的越狱提示，并实现了动态模式自适应技术以达到更高效的传递效果。

🚀 快速上手

直接运行：

npm install -g @pollinations/chucknorris-mcp

然后在终端中启动：

chucknorris-mcp

~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~

💡 功能特性

• 动态模式支持：采用两阶段方法，提升对新模型（如 Claude 和 GPT-4）的有效性。
• 增强提示传递：优化了 LLM 的上下文理解能力。
• 社区驱动：通过 GitHub Issues 和 Discord 保持开放协作。

~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~

🧩 工作原理

动态模式方法

1. 初始阶段：服务器建立与 LLM 的连接，识别模型类型。
2. 自适应阶段：根据模型特性调整提示参数和传递方式。
3. 优化阶段：持续微调以提升效果。

核心组件

• 上下文解析器: 分析并优化输入的提示内容。
• 模式适配器: 确保与不同 LLM 的兼容性。
• 性能监控器: 实时追踪并调整传递策略。

~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~

🙏 致谢

基于 L1B3RT4S 由 elder-plinius 开发。

~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~

🚧 状态

实验性质。动态模式方法在 Claude 和 GPT-4 等较新模型上提升了有效性，但结果仍可能有波动。

想要加入？通过 GitHub Issues 或 Discord 联系我们。

~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~.~

🤝 社区

属于 Pollinations.AI。

• Discord
• GitHub Issues

📜 许可证

MIT