MCP-Server com CoConuT (Continuous Chain of Thought)

Implementação de um servidor MCP (Model Context Protocol) que disponibiliza a ferramenta CoConuT para facilitar o pensamento estruturado em cadeia contínua com detecção automática de ciclos, gerenciamento de ramificações e interação guiada.

Recursos Principais

• Pensamento Contínuo em Cadeia: Implementação do CoConuT (Continuous Chain of Thought) para resolução estruturada de problemas
• Detecção de Ciclos: Algoritmos avançados para detectar raciocínio cíclico usando diferentes métricas de similaridade (Levenshtein, Jaccard, Cosine)
• Gerenciamento de Ramificações: Possibilidade de explorar diferentes linhas de pensamento com ramificações, comparações e mesclagem
• Reflexão Automática: Sistema de reflexão periódica para avaliar o progresso na resolução do problema
• Análise de Pensamentos: Análise automatizada da cadeia de pensamentos para verificar se o raciocínio está no caminho correto
• Registro de Conclusões: Sistema para documentar conclusões e mudanças realizadas de forma estruturada
• Persistência Integrada: Todos os dados são automaticamente persistidos para facilitar análise posterior
• Múltiplos Formatos de Resposta: Suporte para diferentes formatos (JSON, Markdown, HTML)
• Arquitetura Modular: Sistema baseado em componentes com injeção de dependências
• Documentação Integrada: Descrições detalhadas dos parâmetros de entrada incluídas na resposta
• Internacionalização: Suporte a mensagens em múltiplos idiomas
• Sistema de Templates: Templates flexíveis para personalização das conclusões

Requisitos

• Node.js 18 ou superior
• NPM

Instalação

Clone o repositório e instale as dependências:

git clone https://github.com/MarceloAssis123/MCP-servers.git
cd MCP-servers
npm install

Ou use diretamente via npx:

npx -y github:MarceloAssis123/MCP-servers

Configuração

O sistema utiliza um objeto de configuração centralizado em src/config.ts. Os valores padrão são:

Configuração do CoConuT

• maxHistorySize: Tamanho máximo do histórico (padrão: 1000)
• cycleDetectionThreshold: Limiar para detecção de ciclos (padrão: 0.8)
• persistenceEnabled: Persistência sempre ativada (true)
• maxBranches: Número máximo de ramificações (padrão: 10)
• reflectionInterval: Intervalo de reflexão em pensamentos (padrão: 3)
• similarityAlgorithm: Algoritmo de similaridade (padrão: 'levenshtein', opções: 'jaccard', 'cosine')
• enableSimilarityCache: Ativar cache de similaridade (padrão: true)
• maxCacheSize: Tamanho máximo do cache (padrão: 1000)

Parâmetros da Ferramenta CoConuT

A ferramenta CoConuT aceita os seguintes parâmetros de entrada:

• thought: O texto do pensamento atual no processo de raciocínio
• nextThoughtNeeded: Indica se é necessário um próximo pensamento (true) ou se a cadeia está concluída (false)
• thoughtNumber: Número sequencial deste pensamento na cadeia
• totalThoughts: Número total estimado de pensamentos para resolver o problema (mínimo de 3 pensamentos obrigatório)
• isRevision: Indica se este pensamento revisa um pensamento anterior
• revisesThought: Número do pensamento que está sendo revisado
• branchFromThought: Número do pensamento a partir do qual esta ramificação começa
• branchId: Identificador único da ramificação atual
• needsMoreThoughts: Indica se o problema precisa de mais pensamentos do que o previsto inicialmente
• score: Pontuação ou confiança associada a este pensamento (0-10)
• inputType: Tipo de entrada esperada do usuário
• problemStatus: Descrição do status atual da resolução do problema
• options: Lista de opções para o usuário escolher
• numberArray: Array de números fornecido como entrada
• Call_CoConuT_Analyser: Indica se o analisador de cadeia de pensamentos deve ser chamado

Parâmetros da Ferramenta CoConuT_Analyser

A ferramenta CoConuT_Analyser permite analisar a cadeia de pensamentos atual:

• thoughts: Array contendo os pensamentos a serem analisados
• userQuery: Consulta original do usuário para verificar alinhamento
• projectPath: Caminho do projeto para contexto adicional

Parâmetros da Ferramenta CoConuT_Storage

A ferramenta CoConuT_Storage permite salvar conclusões estruturadas:

• projectPath: Caminho absoluto para o diretório do projeto onde os arquivos serão salvos
• WhyChange: Explica por que a mudança foi necessária ou o que motivou a ação
• WhatChange: Descreve o que foi modificado ou implementado
• category: Categoria principal da mudança (feature, bugfix, refactoring, etc.)
• subCategories: Subcategorias para classificação mais específica
• tags: Tags para melhorar a busca e classificação das mudanças
• impactLevel: Nível de impacto da mudança no sistema (low, medium, high)
• affectedFiles: Lista de arquivos afetados pela mudança
• codeSnippets: Snippets de código mostrando as mudanças feitas
• relatedConclusions: IDs de conclusões relacionadas
• ticketReference: Referência a um ticket/issue em um sistema de rastreamento
• businessContext: Contexto de negócio explicando o valor da mudança
• technicalContext: Contexto técnico adicional sobre a arquitetura afetada
• alternativesConsidered: Alternativas consideradas e motivos de rejeição
• testingPerformed: Descrição de testes realizados para validar a mudança

Armazenamento de Dados

Os dados são sempre persistidos e os arquivos são salvos em uma pasta chamada coconut-data no caminho fornecido pelo modelo através do parâmetro projectPath. É importante que o modelo forneça um caminho absoluto válido para garantir o correto armazenamento dos dados.

Configuração do Servidor

• name: Nome do servidor
• version: Versão do servidor (padrão: '1.0.0')
• transport: Tipo de transporte (fixo como 'stdio')

Configuração de Logs

• minLevel: Nível mínimo de logs (padrão: 'info', opções: 'debug', 'warn', 'error')
• enableConsole: Logs no console (padrão: true)
• includeTimestamp: Incluir timestamp nos logs (padrão: true)
• logFilePath: Caminho para arquivo de log (opcional)

Uso

Para desenvolvimento:

npm run dev

Para produção:

npm run build
npm start

Exemplos de Uso

Usando CoConuT

Para iniciar uma cadeia de pensamentos:

{
  "thought": "Primeiro passo na análise do problema...",
  "thoughtNumber": 1,
  "totalThoughts": 5,
  "nextThoughtNeeded": true
}

Usando CoConuT_Analyser

Para analisar a cadeia de pensamentos:

{
  "thoughts": [
    {"thought": "Primeiro pensamento...", "thoughtNumber": 1}, 
    {"thought": "Segundo pensamento...", "thoughtNumber": 2}
  ],
  "userQuery": "Pergunta original do usuário"
}

Usando CoConuT_Storage

Para salvar uma conclusão:

{
  "projectPath": "/caminho/absoluto/do/projeto",
  "WhyChange": "Motivo da mudança",
  "WhatChange": "Descrição da mudança",
  "category": "feature",
  "tags": ["api", "performance"]
}

Estrutura da Resposta

A resposta da ferramenta CoConuT inclui:

• thoughtNumber: Número do pensamento atual
• totalThoughts: Número total de pensamentos estimados para resolver o problema
• nextThoughtNeeded: Se é necessário continuar com mais pensamentos
• analysis: Resultados da análise da cadeia de pensamentos (quando executada)
• branches: Lista de todas as ramificações disponíveis
• currentBranch: Ramificação atual
• thoughtHistoryLength: Tamanho do histórico de pensamentos
• hasCycle: Indica se foi detectado um ciclo no raciocínio
• savedFiles: Informações sobre os arquivos salvos durante a operação
• inputDescriptions: Descrições detalhadas de todos os parâmetros de entrada da ferramenta
• Outros campos opcionais como reflexionPoints, action, inputType, message, options, etc.

Ferramentas Disponíveis

O servidor MCP expõe as seguintes ferramentas:

CoConuT

Implementação principal da ferramenta CoConuT que gerencia cadeias de pensamento com detecção automática de ciclos, ramificações e reflexão.

CoConuT_Analyser

Ferramenta para análise da cadeia de pensamentos que verifica:

• Se o raciocínio está no caminho correto
• Se são necessárias mais informações do usuário
• Se o número estimado de pensamentos é adequado

CoConuT_Storage

Ferramenta para documentar conclusões e registrar mudanças de forma estruturada:

• Salva conclusões em formato markdown
• Suporta metadados ricos (tags, categorias, impacto)
• Permite referências a código e arquivos
• Facilita busca e contextualização das mudanças

Arquitetura

O projeto utiliza uma arquitetura modular com injeção de dependências:

• index.ts: Ponto de entrada que configura o servidor MCP
• config.ts: Configuração centralizada
• modules/
  • coconut/: Implementação principal do CoConuT
  • analyser.ts: Implementação do analisador de cadeia de pensamentos
  • coconut-storage.ts: Sistema de geração e armazenamento de conclusões
  • branch/: Gerenciamento de ramificações
  • cycle-detector/: Detecção de ciclos no pensamento
  • input/: Sistema de gerenciamento de inputs
  • formatters/: Formatadores de resposta
  • utils/: Utilitários compartilhados
• logger.ts: Sistema de logging
• storage.ts: Persistência de dados
• factory.ts: Fábrica para criação de componentes
• types.ts: Definições de tipos e interfaces

Contribuindo

Contribuições são bem-vindas! Por favor, siga os passos:

1. Faça um fork do projeto
2. Crie uma branch para sua feature (git checkout -b feature/nova-funcionalidade)
3. Implemente sua feature com testes
4. Commit suas mudanças (git commit -m 'Adiciona nova funcionalidade')
5. Push para a branch (git push origin feature/nova-funcionalidade)
6. Abra um Pull Request

Licença

Este projeto está licenciado sob a Licença MIT.