Think MCP Server

Hva gjør “Think” MCP Server?

Think MCP er en implementasjon av en MCP (Model Context Protocol) server som tilbyr et “think”-verktøy for strukturert resonnement i agentiske AI-arbeidsflyter. Inspirert av Anthropics ingeniørforskning gjør denne serveren det mulig for AI-assistenter å ta pauser og eksplisitt registrere tankene sine under kompleks verktøybruk eller flerstegsresonnement. Ved å integrere “think”-verktøyet kan agenter analysere verktøyoutput, angre beslutninger, overholde detaljerte retningslinjer og forbedre sekvensielle beslutningsprosesser. Think MCP er designet for å forbedre AI-utviklingsflyter ved å eksponere eksplisitte resonnementstrinn, noe som gjør agentatferd mer transparent og reviderbar. Serveren er minimalistisk, standardbasert og klar for integrasjon med Claude eller andre agentiske store språkmodeller.

Liste over Prompter

• Ingen eksplisitte promptmaler er nevnt i depotet eller dokumentasjonen.

Liste over Ressurser

• Ingen spesifikke ressurser (slik MCP definerer) er listet eller eksponert av Think MCP-serveren.

Liste over Verktøy

• think: Lar AI-agenten legge til en tanke i loggen for strukturert resonnement. Input: thought (streng).
• criticize (avansert modus): Ekstra verktøy for at agenter kan kritisere eller reflektere over handlinger eller beslutninger.
• plan (avansert modus): Gjør det mulig for agenten å lage en plan eller trinnvis rekkefølge.
• search (avansert modus): Lar agenten utføre søkeoperasjoner, sannsynligvis ved hjelp av eksterne API-er (krever TAVILY_API_KEY).

Bruksområder for denne MCP-serveren

• Analyse av verktøyoutput: Gjør det mulig for AI å behandle og reflektere over resultatene fra tidligere verktøykall, noe som støtter robust agentresonnement.
• Policy-overholdelse: Støtter agenter som arbeider i policy-tunge miljøer ved at de eksplisitt kan verifisere overholdelse av retningslinjer på hvert trinn.
• Sekvensiell beslutningstaking: Legger til rette for planlegging og resonnement steg for steg, der hver handling bygger på tidligere kontekst og forbedrer flerstegs arbeidsflyter.
• Agentens egenkritikk (avansert modus): Lar agenter kritisere og forbedre egne beslutninger, noe som fremmer selvforbedring og feilkorrigering.
• Ekstern søkeintegrasjon (avansert modus): Gir agenter mulighet til å søke etter mer informasjon via API-er og utvider konteksten for mer informerte beslutninger.

Slik setter du det opp

Windsurf

1. Sørg for at du har Node.js og Windsurf installert.
2. Finn konfigurasjonsfilen til Windsurf.
3. Legg til Think MCP-serveren i seksjonen mcpServers:

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

4. Lagre konfigurasjonen og start Windsurf på nytt.
5. Kontroller oppsettet ved å sjekke at MCP-serveren er tilgjengelig i agenten din.

Sikring av API-nøkler (avansert modus):

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

Claude

1. Installer og sett opp Claude med støtte for MCP-serverintegrasjon.
2. Rediger konfigurasjonsfilen for å inkludere Think MCP:

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

3. Lagre og start Claude på nytt.
4. Bekreft at MCP-serveren er aktiv i Claude-miljøet.

API-nøkler: Bruk env-seksjonen (se Windsurf-eksempel).

Cursor

1. Sørg for at Cursor støtter MCP-integrasjon.
2. Åpne Cursors innstillinger eller konfigurasjonsfil.
3. Legg til Think MCP i mcpServers-objektet:

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

4. Lagre endringer og start Cursor på nytt.
5. Sjekk om tilkoblingen til MCP-serveren er vellykket.

Cline

1. Installer Cline og finn konfigurasjonsfilen.
2. Legg til MCP-serverkonfigurasjonen:

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

3. Lagre og start Cline på nytt.
4. Kontroller at serveren kjører.

Sikring av API-nøkler: Bruk env- og inputs-feltene som vist ovenfor.

Slik bruker du denne MCP-en i flows

Bruke MCP i FlowHunt

For å integrere MCP-servere i FlowHunt-arbeidsflyten din, start med å legge til MCP-komponenten i flowen og koble den til AI-agenten din:

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsseksjon legger du inn MCP-serverdetaljene dine ved å bruke dette JSON-formatet:

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

Når dette er konfigurert, kan AI-agenten nå bruke denne MCP-en som et verktøy med tilgang til alle dens funksjoner og muligheter. Husk å endre “think-mcp” til det faktiske navnet på MCP-serveren din og bytt ut URL-en med din egen MCP-server-URL.

Oversikt

Basert på disse tabellene er Think MCP-serveren minimal, men fokusert: den implementerer det sentrale “think”-resonnementsverktøyet og legger til noen avanserte verktøy i forbedret modus. Selv om den mangler promptmaler og ressurs-eksponering, er verktøysettet verdifullt for agentisk resonnement. README-en er tydelig og oppsettet er enkelt. Vurdering: 6/10 — nyttig for forskning og prototyping, men ikke like funksjonsrik som noen andre MCP-servere.

MCP-score