CoRT MCP服务器
](https://smithery.ai/server/@KunihiroS/cort-mcp)
这是一个递归思想链（CORT）MCP服务器。 原创项目如下，我非常欣赏原创作品。
PhialsBasement/Chain of Recursive Thoughts：我让我的人工智能反复与自己争论，让它思考得更困难。它工作得非常好。\ https://github.com/PhialsBasement/Chain-of-Recursive-Thoughts
发布说明
0.2.0 LLM列表已更新 0.1.0初始版本
特性
- 通过MCP服务器提供的CoRT方法使人工智能通过反复与自己争论来更难思考。它工作得非常好。
工作检查
Roo代码/Cline
MCP主机配置
建议超时300秒。（有时可能需要比预期更长的时间） OPENROUTER_API_KEY是必需的。https://openrouter.ai/
示例：日志记录已禁用
"CoRT-chain-of-recursive-thinking": {
"command": "pipx",
"args": ["run", "cort-mcp", "--log=off"],
"env": {
"OPENAI_API_KEY": "{apikey}",
"OPENROUTER_API_KEY": "{apikey}"
}
}示例：已启用日志记录（需要绝对日志文件路径）
"CoRT-chain-of-recursive-thinking": {
"command": "pipx",
"args": ["run", "cort-mcp", "--log=on", "--logfile=/workspace/logs/cort-mcp.log"],
"env": {
"OPENAI_API_KEY": "{apikey}",
"OPENROUTER_API_KEY": "{apikey}"
}
}--log=off：禁用所有日志记录（不写入日志）--log=on --logfile=/absolute/path/to/logfile.log：启用日志记录并将日志写入指定的绝对文件路径- 这两个论点都是 必需的 启用日志记录时。如果缺少路径、路径不是绝对路径或给定的值无效，服务器将退出并出错。
注： - 启用日志记录时，会写入日志 仅 到指定的绝对文件路径。相对路径或遗漏--logfile将导致错误。 - 禁用日志记录时，不会输出任何日志。 - 如果缺少必需的参数或参数无效，服务器将不会启动并打印错误消息。 - MCP服务器进程必须可以访问和写入日志文件。 - 如果您在运行此服务器时遇到问题，可能是因为缓存了旧版本的cort-mcp。请尝试使用最新版本（setx.y.z通过以下设置将cort-mcp设置为最新版本。
"CoRT-chain-of-recursive-thinking": {
"command": "pipx",
"args": ["run", "cort-mcp==x.y.z", "--log=off"],
"env": {
"OPENAI_API_KEY": "{apikey}",
"OPENROUTER_API_KEY": "{apikey}"
}
}可用工具
- {toolname}.simple
无详细信息，仅输出最终选定的备选方案。
- ｛toolname｝.详细信息
包括LLM响应历史的详细信息。
- {toolname}.mixed.llm
多LLM推理。
- {toolname}.neweval
新的评估提示。
查看以下详细信息。
什么是CoRT？
flowchart TB
Start[User query] --> DetermineRounds[AI determine thinking rounds]
DetermineRounds -->|determine_thinking_rounds 1-5 rounds| InitialResponse[Initial response\ntemperature=0.7]
InitialResponse --> Round1[Starting round1]
subgraph "Round 1"
Round1 --> R1A1[Create alternative 1 temperature=0.7]
Round1 --> R1A2[Create alternative 2 temperature=0.8]
Round1 --> R1A3[Create alternative 3 temperature=0.9]
InitialResponse & R1A1 & R1A2 & R1A3 --> R1Eval[Evaluation temperature=0.2]
R1Eval --> R1Best[Round 1 best response]
end
R1Best --> Round2[Starting round2]
subgraph "Round 2"
Round2 --> R2A1[Create alternative 1 temperature=0.7]
Round2 --> R2A2[Create alternative 2 temperature=0.8]
Round2 --> R2A3[Create alternative 3 temperature=0.9]
R1Best & R2A1 & R2A2 & R2A3 --> R2Eval[Evaluation temperature=0.2]
R2Eval --> R2Best[Round 2 best response]
end
R2Best --> Remaining[Remaining rounds Repeat the same process]
Remaining --> FinalBest[Final round best response]
FinalBest --> FinalResponse[Final response]对原版进行了重大改进
原始CoRT方法有几个改进。
- 多LLM推理：每个备选方案都随机生成不同的LLM（模型+提供者）。
- 加强评价：通过添加一个提示来更新即时评估，该提示要求人工智能解释其推理。（原始提示可通过工具获得）
多LLM推理
概述： 这是一种新工具，在传统的CoRT思维流中增加了“为每种替代方案随机选择不同的LLM（模型+提供商）”的探索策略。 这使您能够最大限度地利用异构模型的知识和想法，并从更广泛的选项中选择最佳解决方案。
- 该功能可通过混合llm工具获得。
LLMs列表
- 选择更轻、更快的型号，以获得更好的用户体验。
MIXED_LLM_LIST = [
{"provider": "openai", "model": "gpt-4.1-nano"},
{"provider": "openrouter", "model": "meta-llama/llama-4-scout:free"},
{"provider": "openrouter", "model": "google/gemini-2.0-flash-exp:free"},
{"provider": "openrouter", "model": "mistralai/mistral-small-3.1-24b-instruct:free"},
{"provider": "openrouter", "model": "meta-llama/llama-3.2-3b-instruct:free"},
{"provider": "openrouter", "model": "thudm/glm-4-9b:free"},
]混合LLM工具过程。
- 对于每种替代方案，从上述列表中随机选择一个LLM（型号+提供商）
- 始终在日志中记录每个生成的备选方案“使用了哪种型号和提供商”
- 在详细信息模式下，在响应历史信息中明确包含“用于每个备选方案的模型和提供者”
加强评价
概述： 将评估提示更改得更丰富。（原始提示可通过工具获得） 使用{toolname}.neweval的提示，要求AI解释其推理。
原始提示
f"""Original message: {prompt}
Evaluate these responses and choose the best one:
Current best: {current_best}
Alternatives:
{chr(10).join([f"{i+1}. {alt}" for i, alt in enumerate(alternatives)])}
Which response best addresses the original message? Consider accuracy, clarity, and completeness.
First, respond with ONLY 'current' or a number (1-{len(alternatives)}).
Then on a new line, explain your choice in one sentence."""增强提示
f""" Original message: {prompt}
You are an expert evaluator tasked with selecting the response that best fulfills the user's true needs, considering multiple perspectives.
Current best: {current_best}
Alternatives: {chr(10).join([f"{i+1}. {alt}" for i, alt in enumerate(alternatives)])}
Please follow this evaluation process:
Intent Analysis: What is the user REALLY seeking? What underlying needs might be present beyond the surface question?
Context Consideration: What possible situations or backgrounds could this question arise from?
Diversity Assessment: Does the response consider different viewpoints or possible interpretations?
Practicality Evaluation: How useful would the response be in the user's real-world context?
Consistency Check: Is the response internally consistent and logically coherent?
For each response (including the current best):
Does it solve the user's TRUE problem?
Does it balance accuracy and usefulness?
Does it avoid unnecessary assumptions or biases?
Is it flexible enough to apply in various contexts or situations?
Does it account for exceptions or special cases?
After completing your evaluation:
Indicate your choice with ONLY 'current' or a number (1-{len(alternatives)}).
On the next line, explain specifically why this response best meets the user's true needs. """参数规范和回退处理
此API根据指定的 provider 和 model 参数，并在出现错误时进行回退处理。
- 供应商(
provider决心
- 未指定时: openrouter 用作默认提供程序。 - 指定无效值时 （除 openai 或 openrouter)：回退到默认提供程序 openrouter.
- 型号(
model决心
- 未指定时: - 如果解析的提供者是 openrouter：默认模型 mistralai/mistral-small-3.1-24b-instruct:free 使用。 - 如果解析的提供者是 openai：使用默认的OpenAI模型。 - 指定时（使用有效的提供程序）: - 指定的模型名称将按原样与解析的提供程序一起使用。 - 重要：在这个阶段，不验证指定的模型名称是否确实存在于提供程序中。
- API调用和错误回退
- 首先尝试使用由上述规则解析的提供程序和模型组合进行API调用。 - 如果在API调用期间发生错误 （例如，指定的模型与提供商不存在、API密钥验证错误等）： - 条件1：第一次尝试呼叫的提供者是 不 openai. - 条件2：环境变量 OPENAI_API_KEY 在系统中设置。 - 如果 两者 如果满足上述条件，系统会自动 使用默认模型重试该过程 openai 提供者 （这是回退处理）。 - 如果上述条件中的任何一个或两个都不满足（例如，第一次尝试是 openai，或 OPENAI_API_KEY 如果未设置），则返回初始错误作为最终结果，并且不会发生这种回退。
环境变量注意事项：
OPENROUTER_API_KEY需要使用openrouter.OPENAI_API_KEY需要使用openai或者利用上述回退功能。- 如果未设置相应的API键，则API调用将失败（根据回退条件，对OpenAI的回退也将失败）。
许可证
麻省理工学院
尽情享受吧