Context-First-MCP

align="center"> # 上下文优先CP **让保持接地气、连贯性和诚实 — 在每一次对话中。** [](https://www.npmjs.com/package/context-first-mcp) [](https://www.npmjs.com/package/context-first-mcp) [](LICENSE) [](https://protocol.io) [ [](https://glama.ai/mcp/servers) [](https://nodejs.org) [](https://www.typescriptlang.org) ```bash npx context-first-mcp ``` *与Claude Desktop · Cursor · VS Code · 任意MCP客户端 · Vercel远程服务器即时兼容 — 无需API密钥。* </div> --- > **37个研究支持的工具**，涵盖7个层次 — 上下文健康、状态、沙盒、持久内存、高级推理、真实性验证、编排、结构化研究和自主文件导出。一个`context_loop`调用取代6-7个独立工具，并返回一个统一的操作指令。 --- ## 为什么您的AI对话会中断 长时间的AI对话会以可预测的方式失败。上下文优先解决了这四个问题： | 失败模式 | 问题所在 | 上下文优先解决方案 | |---|---|---| | **上下文漂移** | AI随着对话的增长，忘记早期的决定和意图 | `context_loop` + `detect_drift` 持续重新锚定每一次对话 | | **沉默的矛盾** | 新输入静默地覆盖已建立的事实 — AI没有注意到 | `detect_conflicts` 将每个输入与锁定的基本事实进行比较 | | **模糊执行** | AI根据不明确的要求进行，产生不匹配的输出 | `check_ambiguity` + `abstention_check` 提出澄清问题，而不是猜测 | | **幻觉成功** | 工具输出*看起来*成功，但实际上并未实现目标 | `verify_execution` 重新检查结果是否与预期意图匹配 | --- ## 您将获得 **37个可立即使用的工具**，分为7个层次 — 加上1个编排器来运行所有这些工具： ``` context_loop ───────────────────────────────────────────────────────────────── ├─ 层1 · 上下文健康 (9) recap, conflict, ambiguity, depth … ├─ 层2 · 沙盒 (3个工具) discover_tools, quarantine, merge ├─3 · 持久内存(6个工具) store, recall, compact, graph … ├─ 层4 · 高级推理(5个工具) InftyThink, Coconut, KAG, MindEvo … ├─ 层5 · 真实性 (7个工具) NCB, IOE, verify_first, self_critique… └─ 状态 + 研究流程 + 导出 (7个工具) ``` **一次调用。一个指令。一个分数。** ```json { "directive": { "action": "clarify", "context 0.62, "instruction": "与用户解决：（1）这是一个明确的要求吗？（2）使用哪个框架？", "autoExtractedFacts": { "deploy_to": "Vercel" }, "suggestedNextTools": ["verify_execution", "quarantine_context"] } } ``` --- ## 快速入门 ### npx — 零安装 ```bash npx context-first-mcp ``` ### 克劳德桌面 ```json { "mcpServers": { "context-first": { "command": "npx", "args": ["-y", "context-first-mcp"] } } } ``` ### 游标 / VS```json { "mcp": { "servers": { "context-first": { "command": "npx", "args": ["-y", "context-first-mcp"] } } } } ``` ### 远程（可流式HTTP） ```json { "mcpServers": { "context-first": { "url": "https://context-first-mcp.vercel.app/api/mcp" } } } ``` ### 部署您自己的Vercel实例 [](https://vercel.com/new/clone?repository-url=https://github.com/XJTLUmedia/Context-First-Mroot-directory=packages/remote-server) --- ##参考 ### 层1：核心上下文健康（9个工具） | 工具 | 目的 | ---------| | `context_loop` | **一次性编。** 运行8个阶段（ingest→recap→conflict→ambiguity→entropy→abstention→discovery→synthesis），并返回带有`action`、`contextHealth`分数、提取的事实和建议的下一个工具的单个`directive` | | `recap_conversation` | 提取隐藏的意图、关键决策，并生成合并的状态摘要 | | `detect_conflicts` | 将新输入与基本事实进行比较；揭示| `check_ambiguity` | 确定未并生成澄清问题 | | `verify_execution 验证工具输出是否实际实现了预期的目标 | | `entropy_monitor` | 通过词汇多样性、矛盾密度、 hedge频率和n-gram重复（ERGO）进行代理熵评分 | | `abstention_check` | 5维置信度评分 — 用问题代替（RLAAR） | | `detect_drift` | 检测对话漂移与原始意图 | | `check_depth` | 评估响应深度与问题复杂性 | ### 层1b：状态管理（4个工具） | 工具 | 目的 | |------|---------| | `get_state` | 检索确认的事实和任务状态 | | `set_state` | 锁定基本事实 — 随后的冲突检查将运行这些值 | | `clear_state` | 重置特定键或所有状态 | | `get_history_summary` | 压缩的对话历史记录，带有意图注释 | ### 层2：沙盒（3个工具| 工具 | 方法 | 目的 | |------|--------|---------| | `discover_tools` | MCP-Zero + ScaleMCP | 自然语言工具路由 — 仅返回语义相关的工具，减少上下文膨胀高达98% | | `quarantine_context` | 多智能体隔离 | 为子任务创建隔离的内存隔离，防止意图稀释 | merge_quarantine` | 多智能体隔离 | 合并隔离结果并进行噪声过滤 — 只有已推广的键返回到主上下文 | ### 层3：持久内存（6个工具） | 工具 | 目的 | |------|---------| | `memory_store` | 存储发现、决策和中间结果以及元数据 | | `memory_recall` | 通过语义查询检索相关记忆 | | `memory_compact` | 压缩和合并内存条目 | | `memory_graph` | 从存储的记忆中构建和查询知识图谱 | | `memory_inspect` | 检查内存存储内容和统计信息 | | `memory_curate` | 删除重复和组织内存条目 | ### 层4：高级推理（5个工具） | 工具 | 方法 | 目的 | |------|--------|---------| | `inftythink_reason` | InftyThink | 具有自适应停止的无限深度推理 | | `coconut_reason` | Coconut | 潜在空间中的连续思维链 | | `extracot_compress` | ExtraCoT | 在保留推理保真度的情况下压缩思维链 | | `mindevolution_solve` | MindEvolution | 解决方案空间的进化搜索 | | `kagthinker_solve` | KAG-Thinker | 具有结构化增强生成 | ###：真实性和7个工具） 工具 | |------|---------| | `probe_internal_state`探测模型在转述提示下的一致性 | detect_truth_direction`检测模型的推理是否趋向或远离真相 | | `ncb_check` | 邻域一致，适用于语义输入 | | `check_logical_consistency` | 验证推理链的逻辑一致性 | | `verify | 在承诺之前进行预验证 | | `ioe_self_correct` | 内在-外在自我纠正 | | `self_critique` | 带有改进建议的结构化自我批评 | ### 研究流程和导出（2个工具） | 工具 | 目的 | |------|---------| | `research_pipeline` | 跨`init → gather → analyze → verify → finalize`的结构化研究编排。涵盖所有34个底层工具等效项 — 状态、沙盒、内存、推理、真实性、上下文健康。**在流程运行时将文件自主写入磁盘**，无需LLM合作即可输出文件。 | | `export_research_files` | 将每个已验证块和/或证据批次写入磁盘，单次调用。 | --- ## 构建于同行评审研究 每个都追溯到论文： | 论文 | arXiv | 工具 | -------|-------|------| | MCP-Zero | 主请求 | [2506.01056](https://arxiv.org/abs/2506.01056) | `discover_tools` | | ScaleMCP | 语义工具分组 | [2505.06416](https://arxiv.org/abs/2505.06416) | `discover_tools` 注册表 | | ERGO | 基于熵的质量 | [2510.14077](https://arxiv.org/abs/2510.14077) | `entropy_monitor` | | RLAAR | 校准放弃 | [2510.18731://arxiv.org/abs/2510.18731) | `abstention_check` | **实现：** - **代理熵（ERGO 4个响应级（词汇多样性、矛盾密度、 hedge词频率和n-gram访问的令牌级对数概率分数超过阈值会触发自适应上下文重置。 - **TF-IDF发现（MCP-Zero）：** 纯TypeScript，无外部依赖。启动时索引所有工具描述；余弦相似度将查询路由到仅限于前k个相关工具。 - **推理时放弃（RLAAR）：** 5维置信度评分取代强化学习训练循环。当置信度 < 阈值时，用有针对性的问题放弃 — 无幻觉回退。 ### 导出助手（1个工具） | 工具 | 描述 | |------|-------------| | `export_research_files` | 直接将研究工件写入磁盘。它可以自动扩展和写入每个的报告块，无需LLM手动循环`finalize`，还可以写入每个收集的原始证据批次，即使`verify`未通过。 | #### context_loop 管道 ``` context_loop（单个MCP工具调用） ├── 阶段 1：INGEST — 将消息存储到会话历史记录 ├── 阶段 2：RECAP — 提取意图、决策、摘要 ├── 阶段 3：CONFLICT — 检测与基本冲突 ├── 阶段 4：AMBIGUITY — 检查未指定的要求 ├── 5：ENTROPY — 监控下降（ERGO） ├── 阶段 6：ABSTENTION — 多维置信度检查（RLAAR） ├── 阶段 7：DISCOVERY — 建议相关工具（MCP-Zero） └── 阶段 8：SYNTHESIS — 结合信号 → 操作建议 + LLM指令 ``` **合成优先级：** `abstain` > `reset` > `clarify` >ceed` 每个阶段都具有独立的错误隔离 — 某个阶段的故障不会阻止其他阶段。结果包括每个阶段的计时、状态和详细结果，以进行可观察性。 #### LLM 指令（新） `context_loop` 响应包含一个顶级 `directive` 对象，设计用于LLM消费紧凑、操作性的指令，取代了套阶段结果的 ```json "directive": { "action":ify", "instruction在继续之前，请与用户解决以下问题：\n1. 您能否明确您所指的内容？\n2. 这是一个明确的要求还是仍在讨论中？", "questions": ["您能否明确您所指的内容？", "这是一个明确的要求吗？"], "contextHealth": 0.62, "autoExtractedFacts": { "framework": "React", "deploy_to": "Vercel" }, "suggestedNextTools": ["verify_execution", "quarantine_context"] } } ``` --- ## `context_loop` 工作原理 ``` context_loop（单个MCP工具调用） ├── 阶段 1：INGEST — 将消息存储到会话历史记录 ├── 阶段 2：RECAP — 提取意图、决策、摘要 ├── 阶段 3：CONFLICT —与基本事实的冲突 ├── 阶段 4：AMBIGU — 检查未指定的要求 ├── 阶段 5：ENTROPY — 监控输出质量下降（ERGO） ├── 阶段 6：ABSTENTION — 多维置信度检查（RLAAR） ├── 阶段 7：DISCOVERY — 建议相关工具（MCP-Zero） └── 阶段 8：SYNTHESIS — 结合信号 → 操作 + 指令 ``` **合成优先级：** `abstain` > `reset` > `clarify` > `proceed` 每个阶段都具有独立的错误隔离。`directive` 响应字段包含LLM所需的一切： | 字段 | 描述 | |-------|-------------| | `action` | `proceed` · `clarify` · `reset` · `abstain` | | `instruction` | 面向LLM的下一步骤的清晰语言指导 | | `questions` | 聚合的澄清问题（歧义 + 放弃 + 冲突） | | `contextHealth` | 0–1 复合分数。 1 = 健康，0 = 退化 | | `autoExtractedFacts` | 从用户消息中自动提取的关键值事实，存储为基本事实 | | `suggestedNextTools` | LLM应考虑的下一个相关工具 | **智能默认值：** `currentInput` 自动从最后一个用户消息中推断。诸如“使用React”的事实会自动提取并存储。 --- ## 使用协议：充分利用上下文优先 > **最大的错误：** LLM将 `context_loop` 视为可选的。事实并非如此 — 它是骨干。 ### 内置强制执行（v1.2.1+） 服务器配备了四项合规机制，无需配置： 1. **服务器指令** — 完整的用法协议通过 `ServerOptions.instructions` 注入MCP握手 2. **启动门** — 第一个非 `context_loop` 调用追加一个强重定向提醒 3. **跨工具提醒** — 在连续调用3次 `context_loop` 后，工具响应中会出现提醒 4. **MCP提示** — `context-first-protocol` 和 `research-protocol` 提示模板按需可用 ### 在系统提示中强化（可选） ``` 使用上下文优先MCP时： 1. 在任何复杂任务之前调用context_loop 2. 每2-3个工具调用后调用context_loop 3. 在生成长表单输出后调用context_loop 4. 始终遵循directive.action（proceed/clarify/reset/abstain/deepen/verify） 5. 使用memory_store保存发现结果；使用memory_recall检索结果 ``` ### 研究任务工作流程 `research_pipeline`编排内存、阶段控制、推理和自主文件写入。它不是网络爬虫 — 请自带来自网络搜索、GitHub、获取工具、PDF或其他MCP的源。 ``` 阶段 1 · 初始化 research_pipeline（init）→ 设置状态，启用自主文件写入 阶段 2 · 收集 research_pipeline（gather）→ 编写文件到磁盘 → 重复 阶段 3 · 分析 research_pipeline（analyze）→ 推理引擎生成干净的分析文件 阶段 4 · 验证 research_pipeline（verify）→ 上下文健康门（非阻塞） 阶段 5 · 完成 research_pipeline（finalize）→ synthesis.md + 磁盘上的所有批次文件 自动化快捷方式： export_research_files（outputDir，exportVerifiedReport = true）→ 写入所有报告块 export_research_files（outputDir，exportRawEvidence = true 写入所有证据批次 ``` **自主始终开启。**`./-research-output 无需LLM传递`output覆盖。 --- ## 架构 ``` ┌──────────────────────────────────────────────────────────────┐ │ @xjtlumedia/context-first-mcp-server │ │ （核心 — 共享逻辑） │ │ │ │ │ 层 1：上下文健康 （9 个工具） │ │ 层 2：沙盒 （3 个工具） │ │ 层 3：持久内存（6 个工具） │ │ 层 4：高级推理（5 个工具） │ │ 层 5：真实性 （7 个工具） │ │ 状态（4）·编排器·管道·导出 │ └──────────────┬───────────────────────┬──────────────────────┘ │ │ ┌──────▼──────┐ ┌──────▼────────┐ │stdio-server │ │ remote-server │ │（npx 本地） │ │ （Vercel） │ │ stdio │ │ 流式HTTP │ │ 37 个工具 │ │ 37 个工具 │ └──────────────┘ │ 37 个工具 │ └───────────────┘ ``` - **核心库**（`@xjtlumedia/context-first-mcp-server`）：所有工具实现。默认情况下无需外部API密钥 — 基于启发式。 - **stdio-server**（`context-first-mcp`）：`npx` 入口点，stdio传输，37个工具。 - **remote-server**：Vercel无服务器，流式HTTP传输，37个工具。 --- ## 前端演示 在 **[context-first-mcp.vercel.app](https://context-first-mcp.vercel.app)** 浏览器中实时试用所有37个工具。 --- ## 开发 ```bash git clone https://github.com/XJTLUmedia/Context-First-MCP.git cd Context-First-MCP pnpm install # 构建所有内容 pnpm build # 运行stdio服务器 cd packages/stdio-server && pnpm start # 运行前端 cd packages/frontend && pnpm dev # 测试 pnpm test ``` ## 贡献 参见 [CONTRIBUTING.md](CONTRIBUTING.md). ## 许可证 [MIT](LICENSE) --- <div align="center"> **上下文优先MCP** · [@xjtlumedia/context-first-mcp-server](https://www.npmjs.com/package/@xjtlumedia/context-first-mcp-server) · [context-first-mcp](https://www.npmjs.com/package/context-first-mcp) *为每个开发人员构建，让他们摆脱AI失去线索的困扰。* </div>