Think MCP Server

Was macht der „Think“ MCP Server?

Think MCP ist eine Implementierung eines MCP (Model Context Protocol) Servers, der ein „think“-Tool für strukturiertes Reasoning in agentenbasierten KI-Workflows bereitstellt. Inspiriert von der Engineering-Forschung von Anthropic ermöglicht dieser Server KI-Assistenten, während komplexer Tool-Nutzung oder mehrschrittigem Denken innezuhalten und ihre Gedanken explizit zu protokollieren. Durch die Integration des „think“-Tools können Agenten Tool-Ergebnisse analysieren, Entscheidungen rückgängig machen, Richtlinien im Detail einhalten und die sequenzielle Entscheidungsfindung verbessern. Think MCP wurde entwickelt, um KI-Entwicklungs-Workflows zu verbessern, indem explizite Reasoning-Schritte sichtbar gemacht werden – das Verhalten der Agenten wird so transparenter und nachvollziehbarer. Der Server ist minimal, standardbasiert und bereit für die Integration mit Claude oder anderen agentenbasierten Large Language Models.

Liste der Prompts

• Im Repository oder in der Dokumentation werden keine expliziten Prompt-Vorlagen erwähnt.

Liste der Ressourcen

• Es werden keine spezifischen Ressourcen (im Sinne von MCP) vom Think MCP Server aufgeführt oder bereitgestellt.

Liste der Tools

• think: Ermöglicht dem KI-Agenten, einen Gedanken zur strukturierten Reasoning-Log hinzuzufügen. Eingabe: thought (String).
• criticize (erweiterter Modus): Zusätzliches Tool, damit Agenten Handlungen oder Entscheidungen kritisch hinterfragen können.
• plan (erweiterter Modus): Lässt den Agenten einen Plan oder eine Schrittfolge entwerfen.
• search (erweiterter Modus): Ermöglicht dem Agenten Suchoperationen, meist über externe APIs (benötigt TAVILY_API_KEY).

Anwendungsfälle dieses MCP Servers

• Tool-Output-Analyse: Ermöglicht der KI, die Ergebnisse vorheriger Tool-Aufrufe zu reflektieren und zu durchdenken – für ein robustes Agenten-Reasoning.
• Richtlinienkonformität: Unterstützt Agenten in regelgetriebenen Umgebungen, indem sie explizit die Einhaltung von Vorgaben bei jedem Schritt prüfen können.
• Sequenzielle Entscheidungsfindung: Erleichtert Schritt-für-Schritt-Planung und Reasoning, wobei jede Aktion auf dem bisherigen Kontext aufbaut – für verbesserte mehrstufige Workflows.
• Agenten-Selbstkritik (Erweiterter Modus): Erlaubt Agenten, eigene Entscheidungen zu hinterfragen und zu verbessern, um so Selbstverbesserung und Fehlerkorrektur zu fördern.
• Integration externer Suche (Erweiterter Modus): Versetzt Agenten in die Lage, über APIs zusätzliche Informationen zu recherchieren, um fundiertere Entscheidungen zu treffen.

So richten Sie es ein

Windsurf

1. Stellen Sie sicher, dass Node.js und Windsurf installiert sind.
2. Suchen Sie die Windsurf-Konfigurationsdatei.
3. Fügen Sie den Think MCP Server im Abschnitt mcpServers hinzu:

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

4. Konfiguration speichern und Windsurf neu starten.
5. Überprüfen Sie die Einrichtung, indem Sie die Verfügbarkeit des MCP Servers im Agenten prüfen.

API-Schlüssel absichern (Erweiterter Modus):

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

Claude

1. Installieren und richten Sie Claude mit MCP-Server-Integration ein.
2. Bearbeiten Sie die Konfigurationsdatei, um Think MCP hinzuzufügen:

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

3. Speichern und Claude neu starten.
4. Bestätigen Sie im Claude-Umfeld, dass der MCP Server aktiv ist.

API-Schlüssel: Verwenden Sie den env-Abschnitt (siehe Windsurf-Beispiel).

Cursor

1. Stellen Sie sicher, dass Cursor MCP-Integration unterstützt.
2. Öffnen Sie die Einstellungen oder Konfigurationsdatei von Cursor.
3. Fügen Sie Think MCP im Objekt mcpServers hinzu:

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

4. Änderungen speichern und Cursor neu starten.
5. Prüfen Sie die erfolgreiche Verbindung zum MCP Server.

Cline

1. Installieren Sie Cline und suchen Sie die Konfigurationsdatei.
2. Fügen Sie die folgende MCP Server-Konfiguration hinzu:

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

3. Speichern und Cline neu starten.
4. Überprüfen Sie, ob der Server läuft.

API-Schlüssel absichern: Verwenden Sie die Felder env und inputs wie oben gezeigt.

So nutzen Sie dieses MCP in Flows

MCP in FlowHunt verwenden

Um MCP Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie zunächst die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie diese mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Im Bereich System-MCP-Konfiguration tragen Sie Ihre MCP-Serverdetails in folgendem JSON-Format ein:

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

Nach der Konfiguration kann der KI-Agent dieses MCP als Tool mit allen Funktionen und Möglichkeiten nutzen. Denken Sie daran, “think-mcp” durch den tatsächlichen Namen Ihres MCP Servers zu ersetzen und die URL mit Ihrer eigenen MCP-Server-URL zu aktualisieren.

Übersicht

Auf Grundlage dieser Tabelle ist der Think MCP Server minimalistisch, aber fokussiert: Er implementiert das zentrale „think“-Reasoning-Tool und ergänzt im erweiterten Modus einige fortschrittliche Tools. Zwar fehlen Prompt-Vorlagen und die Bereitstellung von Ressourcen, doch das Toolset ist für agentenbasiertes Reasoning wertvoll. Das README ist klar und die Einrichtung unkompliziert. Bewertung: 6/10 — nützlich für Forschung und Prototyping, aber nicht so funktionsreich wie manche andere MCP Server.

MCP Score