/ 目录 / 演练场 / mcp-server-mas-sequential-thinking
● 社区 FradSer ⚡ 即开即用

mcp-server-mas-sequential-thinking

作者 FradSer · FradSer/mcp-server-mas-sequential-thinking

六个专化的 agent(事实型、批判型、乐观型、创意型、情感型、综合型)从不同角度分析你的问题,汇聚观点——以单个 MCP 工具的形式呈现。

基于 Agno 框架的多 agent '德博诺六顶帽子' 思维流程。每个 agent 用不同的认知方式,由综合型 agent 汇总分析。消耗的 token 比单 agent 多 5-10 倍,但对处理模糊的战略决策更有优势。可选集成 Exa 网络搜索,让需要真实数据支撑的 agent 有了信息源。

为什么要用

核心特性

实时演示

实际使用效果

server-mas-sequential-thinking.replay ▶ 就绪
0/0

安装

选择你的客户端

~/Library/Application Support/Claude/claude_desktop_config.json  · Windows: %APPDATA%\Claude\claude_desktop_config.json
{
  "mcpServers": {
    "server-mas-sequential-thinking": {
      "command": "uvx",
      "args": [
        "mcp-server-mas-sequential-thinking"
      ],
      "_inferred": true
    }
  }
}

打开 Claude Desktop → Settings → Developer → Edit Config。保存后重启应用。

~/.cursor/mcp.json · .cursor/mcp.json
{
  "mcpServers": {
    "server-mas-sequential-thinking": {
      "command": "uvx",
      "args": [
        "mcp-server-mas-sequential-thinking"
      ],
      "_inferred": true
    }
  }
}

Cursor 使用与 Claude Desktop 相同的 mcpServers 格式。项目级配置优先于全局。

VS Code → Cline → MCP Servers → Edit
{
  "mcpServers": {
    "server-mas-sequential-thinking": {
      "command": "uvx",
      "args": [
        "mcp-server-mas-sequential-thinking"
      ],
      "_inferred": true
    }
  }
}

点击 Cline 侧栏中的 MCP Servers 图标,然后选 "Edit Configuration"。

~/.codeium/windsurf/mcp_config.json
{
  "mcpServers": {
    "server-mas-sequential-thinking": {
      "command": "uvx",
      "args": [
        "mcp-server-mas-sequential-thinking"
      ],
      "_inferred": true
    }
  }
}

格式与 Claude Desktop 相同。重启 Windsurf 生效。

~/.continue/config.json
{
  "mcpServers": [
    {
      "name": "server-mas-sequential-thinking",
      "command": "uvx",
      "args": [
        "mcp-server-mas-sequential-thinking"
      ]
    }
  ]
}

Continue 使用服务器对象数组,而非映射。

~/.config/zed/settings.json
{
  "context_servers": {
    "server-mas-sequential-thinking": {
      "command": {
        "path": "uvx",
        "args": [
          "mcp-server-mas-sequential-thinking"
        ]
      }
    }
  }
}

加入 context_servers。Zed 保存后热重载。

claude mcp add server-mas-sequential-thinking -- uvx mcp-server-mas-sequential-thinking

一行命令搞定。用 claude mcp list 验证,claude mcp remove 卸载。

使用场景

实战用法: mcp-server-mas-sequential-thinking

用六个视角压力测试战略决策

👤 面临非显而易见权衡的创始人和 PM ⏱ ~15 min intermediate

何时使用: 你正在纠结一个难决策('现在融资还是自举?'、'杀掉这个功能吗?'),想要比单 agent 头脑风暴更深入的内部讨论。

前置条件
  • LLM API key(推荐使用 DeepSeek 以降低成本) — platform.deepseek.com
步骤
  1. 框架化问题
    sequentialthinking: 我们应该现在以 2000 万美元估值融资 A 轮来延长 24 个月的跑道,还是继续自举,在 12 个月后以更高估值融资?背景如下:[事实]✓ 已复制
    → 六个 agent 的分析 + 综合建议
  2. 深究综合分析
    综合分析推荐 X。这个论证中最弱的点是什么?让批判型 agent 再施加压力。✓ 已复制
    → 更尖锐的批评

结果: 一份全面的书面分析,可以和联合创始人分享。

注意事项
  • 长上下文导致 token 成本爆炸 — 保持框架简洁——200-500 字的背景;agent 会把它乘以 6 倍
  • 综合分析容易变成平均化的糊状物 — 把建议再过一遍,要求 在选项 A 和 B 之间做决策,别模棱两可

让批判型和情感型 agent 对你的计划进行红队评估

👤 任何要发布风险计划的人 ⏱ ~10 min beginner

何时使用: 你草拟了一份发布计划,想用批判型和情感型 agent 专门来压力测试它。

步骤
  1. 提交计划
    sequentialthinking,重点关注批判和情感视角:这是我的发布计划 [粘贴]。找出三个最大的风险和三个客户可能的情感反应。✓ 已复制
    → 双视角分析

结果: 你没注意到的风险;需要做好准备的情感反应。

注意事项
  • 在简单的是/否问题上使用这个功能会浪费 token — 留给多方面的决策;简单问题用常规 Claude

用创意型 agent 进行头脑风暴,基于真实网络数据

👤 内容策略师、产品人 ⏱ ~15 min intermediate

何时使用: 你需要不仅来自模型训练数据的想法——agent 应该在网络上搜索最新的角度。

前置条件
  • Exa API key — exa.ai——单独订阅
步骤
  1. 启用 Exa
    在环境变量中设置 EXA_API_KEY。运行 sequentialthinking:'2026 年本地面包店的创新营销角度'。让创意型和事实型 agent 搜索网络。✓ 已复制
    → 有根据的想法和引文

结果: 最新的、可防守的创意角度。

注意事项
  • Exa 搜索费用加上 LLM 费用 — 通过 Exa 速率限制来限制 agent 搜索预算

组合

与其他 MCP 搭配,撬动十倍杠杆

server-mas-sequential-thinking + notion

把六 agent 分析保存为决策文档

在这个战略问题上运行 sequentialthinking,然后在 Notion 的 'Decision Log' 中创建一页,包含所有 agent 的输出和综合结果。✓ 已复制

工具

此 MCP 暴露的能力

工具输入参数何时调用成本
sequentialthinking prompt: str, perspectives?: str[], model?: str 受益于不同认知方式的多方面问题 单 agent token 的 5-10 倍

成本与限制

运行它的成本

API 配额
受你的 LLM 提供商配额限制
每次调用 Token 数
单 agent 调用的 5-10 倍——每次调用轻松 20k-80k token
费用
DeepSeek 很便宜(约 $0.14/M 输入);使用 Anthropic Opus 预计每次调用 $1-3
提示
默认使用 DeepSeek;只在综合步骤通过双模型配置使用 Opus。

安全

权限、密钥、影响范围

凭据存储: LLM_PROVIDER_API_KEY + 可选的 EXA_API_KEY 在环境变量中
数据出站: 你的提示会经过 6 个 agent 的 LLM 调用 + 可选的 Exa 搜索

故障排查

常见错误与修复

非常慢 / 超时

6 个 agent 顺序运行 = 30-60 秒。将客户端超时增加到 120 秒以上。

找不到 OPENAI_API_KEY / DEEPSEEK_API_KEY

设置与你选择的提供商匹配的环境变量。配置文件选择提供商。

多次运行间输出不一致

设计上是随机的——降低温度或固定随机种子(如果你的 LLM 支持)。

替代方案

mcp-server-mas-sequential-thinking 对比其他方案

替代方案何时用它替代权衡
原生 sequential-thinking MCP(官方)你想要单 agent 思维链而不需要多 agent 的成本更简单、更快、更便宜;输出多样性较少
直接使用 Agno 框架你想要自定义 agent 角色不是 MCP;代码优先

更多

资源

📖 阅读 GitHub 上的官方 README

🐙 查看未解决的 issue

🔍 浏览全部 400+ MCP 服务器和 Skills