Think MCP Server

Hvad gør “Think” MCP Server?

Think MCP er en implementering af en MCP (Model Context Protocol) server, der tilbyder et “think”-værktøj til struktureret ræsonnement i agentiske AI-arbejdsgange. Inspireret af Anthropics ingeniørforskning gør denne server det muligt for AI-assistenter at holde pause og eksplicit registrere deres tanker under kompleks værktøjsbrug eller flertrins ræsonnement. Ved at integrere “think”-værktøjet kan agenter analysere værktøjsoutput, omgøre beslutninger, overholde detaljerede politikker og forbedre sekventiel beslutningstagning. Think MCP er designet til at forbedre AI-udviklingsarbejdsgange ved at synliggøre eksplicitte ræsonnementstrin, hvilket gør agentadfærd mere gennemsigtig og reviderbar. Serveren er minimal, standardbaseret og klar til integration med Claude eller andre agentiske large language models.

Liste over Prompts

• Ingen eksplicitte prompt-skabeloner er nævnt i repository eller dokumentation.

Liste over ressourcer

• Ingen specifikke ressourcer (defineret af MCP) er angivet eller eksponeret af Think MCP-serveren.

Liste over værktøjer

• think: Lader AI-agenten tilføje en tanke til loggen for struktureret ræsonnement. Input: thought (streng).
• criticize (avanceret tilstand): Ekstra værktøj til, at agenter kan kritisere eller reflektere over handlinger eller beslutninger.
• plan (avanceret tilstand): Gør det muligt for agenten at skitsere en plan eller en sekvens af trin.
• search (avanceret tilstand): Lader agenten udføre søgeoperationer, sandsynligvis via eksterne API’er (kræver TAVILY_API_KEY).

Anvendelsestilfælde for denne MCP-server

• Analyse af værktøjsoutput: Giver AI mulighed for at behandle og reflektere over resultaterne af tidligere værktøjskald og understøtter robust agentræsonnement.
• Overholdelse af politikker: Understøtter agenter i politiktunge miljøer ved at give dem mulighed for eksplicit at verificere overholdelse af retningslinjer ved hvert trin.
• Sekventiel beslutningstagning: Muliggør trin-for-trin-planlægning og ræsonnement, hvor hver handling bygger på tidligere kontekst og forbedrer flertrinsarbejdsgange.
• Agentens selvanalyse (avanceret tilstand): Giver agenter mulighed for at kritisere og forbedre egne beslutninger og fremmer selvlæring og fejlkorrektion.
• Ekstern søgeintegration (avanceret tilstand): Giver agenter mulighed for at søge yderligere information via API’er og udvider konteksten for mere informerede beslutninger.

Sådan sættes det op

Windsurf

1. Sørg for, at du har Node.js og Windsurf installeret.
2. Find din Windsurf-konfigurationsfil.
3. Tilføj Think MCP-serveren til dit mcpServers-afsnit:

   {
     "mcpServers": {
       "think-mcp": {
         "command": "uvx",
         "args": ["think-mcp"],
         "enabled": true
       }
     }
   }
   

4. Gem konfigurationen og genstart Windsurf.
5. Bekræft opsætningen ved at tjekke, at MCP-serveren er tilgængelig i din agent.

Sikring af API-nøgler (Avanceret tilstand):

{
  "mcpServers": {
    "think-mcp": {
      "command": "uvx",
      "args": ["think-mcp", "--advanced"],
      "enabled": true,
      "env": {
        "TAVILY_API_KEY": "YOUR_TAVILY_API_KEY"
      }
    }
  }
}

Claude

1. Installer og opsæt Claude med MCP-serverintegrationsunderstøttelse.
2. Redigér konfigurationsfilen for at inkludere Think MCP:

   {
     "mcpServers": {
       "think-mcp": {
         "command": "uvx",
         "args": ["think-mcp"],
         "enabled": true
       }
     }
   }
   

3. Gem og genstart Claude.
4. Bekræft, at MCP-serveren er aktiv i Claude-miljøet.

API-nøgler: Brug env-sektionen (se Windsurf-eksemplet).

Cursor

1. Sørg for, at Cursor understøtter MCP-integration.
2. Åbn Cursors indstillinger eller konfigurationsfil.
3. Tilføj Think MCP til mcpServers-objektet:

   {
     "mcpServers": {
       "think-mcp": {
         "command": "uvx",
         "args": ["think-mcp"],
         "enabled": true
       }
     }
   }
   

4. Gem ændringer og genstart Cursor.
5. Tjek for vellykket forbindelse til MCP-serveren.

Cline

1. Installer Cline og find konfigurationsfilen.
2. Tilføj MCP-serverkonfigurationen:

   {
     "mcpServers": {
       "think-mcp": {
         "command": "uvx",
         "args": ["think-mcp"],
         "enabled": true
       }
     }
   }
   

3. Gem og genstart Cline.
4. Bekræft, at serveren kører.

Sikring af API-nøgler: Brug env- og inputs-felterne som vist ovenfor.

Sådan bruges denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i din FlowHunt-arbejdsgang skal du starte med at tilføje MCP-komponenten til dit flow og forbinde den til din AI-agent:

Klik på MCP-komponenten for at åbne konfigurationspanelet. I systemets MCP-konfigurationssektion indsætter du dine MCP-serveroplysninger ved at bruge dette JSON-format:

{
  "think-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Når det er konfigureret, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og egenskaber. Husk at ændre “think-mcp” til navnet på din MCP-server og erstatte URL’en med din egen MCP-server-URL.

Oversigt

Baseret på disse tabeller er Think MCP-serveren minimal, men fokuseret: den implementerer det centrale “think”-ræsonnementsværktøj og tilføjer nogle få avancerede værktøjer i udvidet tilstand. Selvom den mangler prompt-skabeloner og ressourceeksponering, er dens værktøjssæt værdifuldt til agentisk ræsonnement. README’en er tydelig, og opsætningen er ligetil. Bedømmelse: 6/10 — nyttig til forskning og prototyper, men ikke så funktionsrig som nogle andre MCP-servere.

MCP-score