快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

pip install -r requirements.txt

详细介绍

HyperCog MCP-高级上下文丰富编排

HyperCog是一个先进的MCP（模型上下文协议）服务器，它使用多个AI代理、知识图和向量搜索来协调上下文丰富，以产生世界级的结果。

🎯 主要特点

智能上下文评估：在执行任务之前评估上下文的充分性
深度思考代理：使用解释学循环方法进行递归理解
多源富集：集成了困惑、谷歌文件搜索和认知（KG+矢量）
强制优化：所有执行路径都通过上下文优化收敛
智能任务分解：SCRUM代理将大型上下文分解为可管理的子任务
混合图形+矢量存储：由Cognee和FalkorDB提供技术支持

📊 建筑

HyperCog --enrich
    ↓
Extract Context → Evaluate
    ↓
[Sufficient?] → YES → [Manageable?] → YES → OPTIMIZE → Execute
              ↓                       ↓
              NO                      NO → SCRUM → OPTIMIZE each → Execute
              ↓
        Deep Thinking (Hermeneutic Circle)
              ↓
        Identify Gaps → Craft Queries
              ↓
        Sub-Agents (Perplexity, File Search, Cognee KG, Cognee Vector)
              ↓
        Consolidate Results
              ↓
        [Manageable?] → YES → OPTIMIZE → Execute
              ↓
              NO → SCRUM → OPTIMIZE each → Execute

🚀 快速开始

1.先决条件

Python 3.11+
Docker&Docker编写
OpenAI API密钥
Google API密钥（用于Gemini文件搜索）
困惑API键

2.安装

# Clone the repository
cd /home/david/Projects/HYPERCOG

# Create virtual environment
python3.11 -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

# Install dependencies
pip install -r requirements.txt

# Install in development mode
pip install -e .

3.配置

# Copy environment template
cp .env.example .env

# Edit .env with your API keys
nano .env

所需的环境变量：

OPENAI_API_KEY：您的OpenAI API密钥
GOOGLE_API_KEY：您的Google/Gemini API密钥
PERPLEXITY_API_KEY：您的困惑API密钥
GRAPH_DB_URL：FalkorDB主机（默认：localhost）
GRAPH_DB_PORT：FalkorDB端口（默认值：6379）

4.启动FalkorDB

# Start FalkorDB with Docker Compose
docker-compose up -d

# Verify it's running
curl http://localhost:3000

5.启动HyperCog MCP服务器

# Run the MCP server
python -m hypercog_mcp.server

# Or use the CLI
hypercog --help

🔧 配置

MCP客户端配置（Amp、Claude等）

添加到MCP客户端配置中：

{
  "mcpServers": {
    "hypercog": {
      "command": "python",
      "args": ["-m", "hypercog_mcp.server"],
      "cwd": "/home/david/Projects/HYPERCOG",
      "env": {
        "OPENAI_API_KEY": "your-key",
        "GOOGLE_API_KEY": "your-key",
        "PERPLEXITY_API_KEY": "your-key"
      }
    }
  }
}

📖 用法

使用MCP工具

HyperCog MCP服务器公开了一个主要工具： hypercog_enrich

{
  "name": "hypercog_enrich",
  "arguments": {
    "task": "Implement a JWT authentication system",
    "session_context": "Current project uses Express.js...",
    "attached_files": [
      {"path": "/path/to/file.js"}
    ],
    "workspace_path": "/path/to/project",
    "user_intent": "Build secure auth with refresh tokens"
  }
}

代理系统提示

所有代理提示都是可编辑的markdown文件 hypercog_mcp/agents/prompts/:

evaluator_agent.md：背景充分性评估
deep_thinking_agent.md：解释学循环方法论
optimizer_agent.md：上下文优化（强制）
consolidator_agent.md：多源结果整合
scrum_agent.md：任务分解

编辑这些文件以自定义代理行为，而无需更改代码。

🏗️ 项目结构

hypercog_mcp/
├── agents/
│   ├── prompts/           # Editable agent prompts
│   ├── base_agent.py
│   ├── context_extractor.py
│   ├── evaluator.py
│   ├── deep_thinking.py
│   ├── consolidator.py
│   ├── optimizer.py
│   └── scrum_agent.py
├── sub_agents/
│   ├── perplexity/
│   ├── file_search/
│   ├── cognee_kg/
│   └── cognee_vector/
├── storage/
│   ├── prompt_store/      # Raw extracted context
│   ├── rough/             # Consolidated research
│   └── optimized/         # Optimized context
├── config/
│   ├── cognee_config.py
│   ├── gemini_config.py
│   └── env_config.py
├── orchestrator.py        # Main orchestration engine
├── llm_client.py
└── server.py              # MCP server

🎨 关键概念

解释学循环

《深度思维代理人》使用了一种解释学方法：

迭代1：检查零件（识别间隙）
迭代2：考虑整体（上下文关系）
迭代3：综合（最终精炼理解）

区域布局策略

Optimizer Agent使用4区布局：

区域1 （开始）：任务定义
2区（中早期）：核心技术背景
区域3 （中后期）：支持信息
区域4 （结束-最新代币）：⚠️ 关键陷阱

第4区至关重要——LLM认为这是最后一个，给予它最高的关注权重。

强制优化

所有执行路径都流经优化器代理 -在修正后的流程中，这是不可协商的。上下文是否为：

充足+可管理
充足+需要细分
丰富+可管理
丰富+需求细分

…在执行之前必须进行优化。

🔍 存储和工件

prompt_store/

从每个会话中提取的原始上下文

{session_id}_context.json

粗糙/

未处理的子代理结果

{timestamp}_perplexity.json
{timestamp}_file_search.json
{timestamp}_cognee_kg.json
{timestamp}_cognee_vector.json

优化/

最终优化的上下文已准备好执行

{session_id}_{timestamp}_optimized.json

🧪 发展

运行测试

# TODO: Add tests
pytest tests/

编辑代理提示

# Edit any agent prompt
nano hypercog_mcp/agents/prompts/evaluator_agent.md

# Changes take effect immediately on next server restart

🐛 故障排除

FalkorDB连接问题

# Check FalkorDB is running
docker ps | grep falkordb

# Check logs
docker logs hypercog-falkordb

# Restart FalkorDB
docker-compose restart falkordb

API关键问题

# Verify environment variables
env | grep API_KEY

# Or in Python
python -c "import os; print(os.getenv('OPENAI_API_KEY'))"

认知设置问题

如果Cognee初始化失败，服务器将在没有KG/Vector搜索功能的情况下继续运行。检查：

FalkorDB可访问
更正.env中的端口
Cognee适配器已安装： pip install cognee-community-hybrid-adapter-falkor

📝 待办事项

\[\]添加综合测试
\[\]用于状态、提示编辑的CLI命令
\[\]Cognee文档摄取实用程序
\[\]性能指标和监控
\[\]易于部署的Docker镜像
\[\]与流行MCP客户端的集成示例

🤝 贡献

欢迎投稿！拜托：

分叉存储库
创建要素分支
进行更改
提交拉取请求

📄 许可证

MIT许可证-有关详细信息，请参阅许可证文件

🙏 致谢

标志知识图谱能力
FalkorDB 的用于混合图+向量存储
困惑度用于网络搜索
模型上下文协议规格

______________________________________________________________________

内置于🔥 HyperCog团队

目录标签

AI代理PythonClaude本地部署知识图谱向量搜索任务分解上下文优化

支持客户端

Claude

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

工具数量（toolCount，工具数）

1

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/9677e827de25c58f80401fa411f3cb83

HyperCog是一款高级模型上下文协议服务器，通过多AI代理、知识图谱和向量搜索协调上下文增强，适用于需要深度理解和优化复杂任务的场景。

继续浏览同类 MCP

更多AI代理 MCP（18,706）返回 MCP 目录

上一个 MCP

Hyperbolic GPU MCP

全面解析Hyperbolic MCPMCP Server的核心功能、安装配置和实用案例。作为顶级Model Context Protocol服务器，Hyperbolic MCP能让AI助手访问实时数据、执行操作，为您提供更智能的工作体验和自动化解决方案。

下一个 MCP

hyperfabric MCP

一个MCP服务器，使LLM能够与Hyperfabric API交互，提供全面的基础设施管理和自动化功能。

HYPERCOG (Anansitrading)