🚀 MCP 推理器

MCP 推理器是一个系统化的推理 MCP 服务器实现，专为 Claude 桌面版量身打造。它集成了束搜索（Beam Search）和蒙特卡洛树搜索（MCTS）功能，能有效处理各类复杂推理任务，为用户提供更强大的推理支持。

🚀 快速开始

安装

git clone https://github.com/Jacck/mcp-reasoner.git
cd mcp-reasoner
npm install
npm run build

配置

将以下内容添加到 Claude 桌面版配置中：

{
  "mcpServers": {
    "mcp-reasoner": {
      "command": "node",
      "args": ["path/to/mcp-reasoner/dist/index.js"]
    }
  }
}

✨ 主要特性

• 双重搜索策略：
  • 束搜索：支持配置宽度，维护一组固定宽度的最可能路径，适用于逐步推理，尤其擅长处理数学问题和逻辑谜题。
  • 蒙特卡洛树搜索：适用于复杂决策空间，基于模拟的决策空间探索，能平衡探索与利用，在复杂问题且结果不确定的场景中表现出色。
• 思考评分与评估：思考评分基于详细程度、数学表达式、逻辑连接词以及父子关系强度等因素。
• 基于树的推理路径：采用基于树的状态跟踪，清晰展示推理路径。
• 推理过程统计分析：对推理过程进行统计分析，便于用户监控和优化。
• 符合 MCP 协议：确保与相关系统的兼容性和互操作性。

💻 使用示例

基础用法

在处理数学问题或逻辑谜题时，可直接使用束搜索策略。例如，对于简单的数学推理题，束搜索能快速找到解决方案。

高级用法

对于超级复杂的任务，如复杂问题分解和决策树探索，建议引导 Claude 使用蒙特卡洛树搜索（MCTS）策略。蒙特卡洛树搜索使 Claude 在 Arc AGI 基准测试中表现优异（得分 6/10），而束搜索在相同谜题上得分为 (3/10)。

📚 详细文档

搜索策略

束搜索

• 维护一组固定宽度的最可能路径。
• 适用于逐步推理，最适合数学问题、逻辑谜题。

蒙特卡洛树搜索

• 基于模拟的决策空间探索，平衡探索与利用。
• 最适合复杂问题，具有不确定结果。

注意：对于超级复杂的任务，建议引导 Claude 使用 MCTS 策略优于束搜索。

使用场景

• 数学问题
• 逻辑谜题
• 逐步分析
• 复杂问题分解
• 决策树探索
• 策略优化

未来实现

计划实现新算法，包括迭代深化深度优先搜索（IDDFS）和 Alpha - Beta 剪枝，以进一步提升推理器的性能。

🔧 技术细节

搜索策略选择

• 束搜索：评估和排序多个解决方案路径。
• 蒙特卡洛树搜索：使用 UCT 进行节点选择，并通过随机 rollout 进行探索。

思考评分

思考评分基于详细程度、数学表达式、逻辑连接词以及父子关系强度等因素。

过程管理

• 基于树的状态跟踪。
• 推理过程的统计分析。
• 进度监控。

📄 许可证

此项目根据 MIT 许可证发布 - 有关详细信息，请参阅 LICENSE 文件。