analysis MCP

mcp分析

FastMCP服务器，用于批判性思维和对时事的多角度分析。

使用LLM编排器模式：工具返回结构化提示，供调用LLM执行，启用 迭代复杂性构建 通过提示链接。

🧠 核心概念：复杂性的快速链接

与其进行一次分析， 连锁经营 建立越来越复杂的见解：

1. deconstruct_claim("AI will replace jobs")
   → Get structured breakdown
   
2. chain_analysis(previous_output, "extract_assumptions")
   → Find hidden assumptions in your analysis
   
3. chain_analysis(previous_output, "identify_contradictions")
   → Spot tensions in the argument
   
4. chain_analysis(previous_output, "steelman_argument")
   → Build strongest version of the claim
   
5. chain_analysis(previous_output, "suggest_next_step")
   → Get recommendation for deeper analysis

每一步都建立在最后一步的基础上，创造出分层、复杂的思维。

特性

岩心分析工具：

• deconstruct_claim -将索赔分解为各个部分
• compare_positions -多视角思想分析
• apply_lens -通过9个框架（历史、经济等）进行分析
• get_trace -检索以前的分析计划

🔗 快速链式工具（新）：

• apply_operation -对任何内容应用15次以上的分析操作
• chain_analysis -以前LLM输出的链式操作
• list_available_operations -浏览所有可用操作

15+分析操作：

*解构：*

• extract_assumptions -查找隐式/显式假设
• identify_contradictions -发现逻辑紧张
• find_fallacies -检测修辞手法

*建设性的：*

• steelman_argument -构建最强版本
• find_analogies -确定相关先例
• extract_principles -推导通用模式

*合成：*

• synthesize_perspectives -合并视点
• elevate_abstraction -提升到更高的概念
• ground_in_specifics -添加具体示例

*荟萃分析：*

• identify_gaps -查找缺失的元素
• check_coherence -验证逻辑一致性
• suggest_next_step -建议下一步操作

*变革性：*

• convert_to_dialogue -重新构建为苏格拉底式对话
• extract_counterfactuals -生成假设情景
• map_dependencies -图表逻辑依赖关系

Claude Desktop快速入门

1. 通过uvx安装 （推荐）：

编辑您的Claude Desktop配置文件：

• MacOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• 视窗: %APPDATA%\Claude\claude_desktop_config.json

将此添加到 mcpServers 章节：

{
  "mcpServers": {
    "analysis-mcp": {
      "command": "uvx",
      "args": [
        "git+https://github.com/YOUR_USERNAME/analysis_mcp",
        "analysis-mcp"
      ]
    }
  }
}

1. 重新启动克劳德桌面

1. 验证安装：寻找🔌 Claude Desktop中的图标，显示分析mcp服务器已连接

替代方案：当地开发设施

如果你想修改代码或在本地运行它：

# Clone the repo
git clone https://github.com/YOUR_USERNAME/analysis_mcp.git
cd analysis_mcp

# Create virtual environment
python -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

# Install in editable mode
pip install -e ".[dev]"

# Run tests
pytest -v

# Run server directly (for testing)
python -m analysis_mcp.server

对于Claude Desktop中的本地开发，请更新配置以指向本地路径：

{
  "mcpServers": {
    "analysis-mcp": {
      "command": "python",
      "args": [
        "-m",
        "analysis_mcp.server"
      ],
      "cwd": "/absolute/path/to/analysis_mcp",
      "env": {
        "PYTHONPATH": "/absolute/path/to/analysis_mcp/src"
      }
    }
  }
}

🔄 示例工作流程

工作流程1：深度索赔分析

1. "Analyze: AI will replace all jobs in 10 years"
   → deconstruct_claim()
   → Get: assumptions, evidence, implications

2. "Now extract the assumptions from that analysis"
   → chain_analysis(prev, "extract_assumptions")
   → Get: implicit assumptions revealed

3. "Find contradictions in those assumptions"
   → chain_analysis(prev, "identify_contradictions")
   → Get: logical tensions

4. "Steelman the strongest version"
   → chain_analysis(prev, "steelman_argument")
   → Get: most defensible claim

工作流程2：多镜头合成

1. apply_lens("Fed raises rates", "economic")
   → Economic analysis

2. apply_lens("Fed raises rates", "political")  
   → Political analysis

3. apply_operation(both_outputs, "synthesize_perspectives")
   → Unified framework

4. chain_analysis(synthesis, "identify_gaps")
   → Find what's missing

工作流程3：迭代优化

1. compare_positions("Climate policy")
   → Multi-perspective view

2. chain_analysis(output, "elevate_abstraction")
   → Broader systemic patterns

3. chain_analysis(output, "ground_in_specifics")
   → Concrete examples added

4. chain_analysis(output, "check_coherence")
   → Verify consistency

5. chain_analysis(output, "suggest_next_step")
   → AI recommends next operation

💡 为什么采用这种方法？

传统分析： 一次射击，深度有限

"Analyze X" → Single output → Done

链式分析： 迭代，构建复杂性

"Analyze X" 
→ deconstruct 
→ extract assumptions 
→ find contradictions 
→ steelman argument 
→ identify gaps
→ synthesize
= Deep, multi-layered understanding

优点：

• ✅ 逐步构建复杂性 -每个操作都会添加一个层
• ✅ 提供者不可知 -适用于任何法学硕士
• ✅ 不需要API密钥 -服务器从不调用外部LLM
• ✅ 完全可追溯 -用trace_id记录的每个步骤
• ✅ 自导 - suggest_next_step 操作建议下一步做什么
• ✅ 可组合 -与其他MCP工具（维基百科、网络搜索等）混合使用

可用镜片

• 历史的 -与先例和模式进行比较
• 经济的 -分析资源流动和激励措施
• 地缘政治 -检查权力平衡和战略
• 心理的 -识别偏见和操纵
• 技术的 -探索技术的作用和影响
• 社会文化 -分析身份和叙事
• 哲学的 -应用道德框架
• 系统 -绘制反馈回路和杠杆点
• 媒体 -解构框架和议程设置

跟踪存储

分析计划已记录到 ~/.analysis_mcp/traces/ 作为JSON文件。每条轨迹包含：

• trace_id -唯一标识符
• tool -调用了哪个工具
• input -原始参数
• outline -结构化分析计划
• next_prompt -LLM执行提示
• timestamp -创建时

使用 get_trace(trace_id) 以检索任何先前的分析计划。

故障排除

服务器未连接？

• 验证 uvx 已安装： pip install uvx
• 检查克劳德桌面日志（帮助→ 查看日志）
• 确保配置JSON有效

工具没有出现？

• 配置更改后重新启动Claude Desktop
• 检查🔌 图标显示“分析mcp”已连接

贡献

欢迎拉取请求！请在提交前运行测试：

pytest -v