🚀 MCP 推理器
MCP 推理器是专门为 Claude 桌面设计的推理实现方案，它支持同时运用束搜索和蒙特卡洛树搜索（MCTS）两种算法。最初，我们开展这个项目是想探究能否提升 Claude 在复杂问题解决上的表现，而实践证明，我们做到了！
🚀 快速开始
安装
git clone https://github.com/frgmt0/mcp-reasoner.git
或者克隆原始仓库：
git clone https://github.com/Jacck/mcp-reasoner.git
cd mcp-reasoner
npm install
npm run build
配置
添加到 Claude 桌面配置中：
{
"mcpServers": {
"mcp-reasoner": {
"command": "node",
"args": ["path/to/mcp-reasoner/dist/index.js"],
}
}
}
✨ 主要特性
- 具备两种可切换的搜索策略：
- 束搜索：适用于简单问题。
- MCTS：当问题变得复杂时使用，还有其 alpha 变体（详情见下文）。
- 能够跟踪不同推理路径的优劣程度。
- 可以绘制出 Claude 解决问题的不同方式。
- 支持分析推理过程的表现。
- 遵循 MCP 协议。
📦 安装指南
git clone https://github.com/frgmt0/mcp-reasoner.git
或者克隆原始仓库：
git clone https://github.com/Jacck/mcp-reasoner.git
cd mcp-reasoner
npm install
npm run build
📚 详细文档
当前版本：v2.0.0
新增功能
添加了两个实验性推理算法：
mcts-002-alpha- 使用 A* 搜索方法，并结合早期 alpha 实现的策略模拟层。
- 还包含早期 alpha 实现的自适应探索模拟器和基于结果的推理模拟器。 注意：这些模拟器的实现尚未完成，可能会发生变化。
mcts-002alt-alpha- 使用双向搜索方法，并结合早期 alpha 实现的策略模拟层。
- 还包含早期 alpha 实现的自适应探索模拟器和基于结果的推理模拟器。 注意：这些模拟器的实现尚未完成，可能会发生变化。
放弃原因
为什么放弃了 mcts-001-alpha 和 mcts-001alt-alpha？简而言之，它们几乎没用，与基础 mcts 方法几乎类似。经过初始测试，结果显示基本思考过程的效果相近，表明简单添加策略模拟可能不会产生影响。
引入原因
那为什么现在要引入策略模拟层呢？嗯，我认为结合策略和搜索是关键，因为大多数算法都是这样实现的。
之前的版本：v1.1.0
添加了对搜索参数的模型控制：
beamWidth- 让 Claude 调整要跟踪的不同路径数量（1 - 10）numSimulations- 精细调整 MCTS 模拟次数（1 - 150）
测试
[更多测试即将推出]
基准测试
[基准测试将很快添加]
需要测试的关键基准：
- MATH500
- GPQA-Diamond
- GMSK8
- 可能 Polyglot 和/或 SWE-Bench
📄 许可证
此项目根据 MIT 许可证发布 - 请参阅 LICENSE 文件以获取详细信息。