LseKit-SequentialThinking 1.2.1

让 Agent 真正「推理」——不只是「生成文字」。双引擎 MoA · OpenAI 兼容 · 中文 FTS5 · 26 MCP 工具

Sequential Thinking 🤔

让 Agent 真正「推理」——不只是「生成文字」

双引擎推理 · 双重模型 MoA · 中文 FTS5 全文搜索 · 26 个 MCP 工具

---

📊 功能对比

功能	MCP官方 (TS)	bpradana (Go)	spences10 (TS)	arben-adm (Python)	ad (Go)	本项目
工具数	1	11	3	5	1	26
持久化	❌ 内存	❌ 内存	✅ 按 session	✅ JSON 文件	❌ 内存	✅ SQLite WAL
中文 FTS5	❌	❌	❌	❌	❌	✅
LLM 集成	❌	❌	❌	❌	❌	✅ OpenAI 兼容
双引擎降级	❌	❌	❌	❌	❌	✅ 自动
质量评估	❌	✅ 基础	❌	❌	❌	✅ 5 维 + 交叉验证
偏见检测	❌	❌	❌	❌	❌	✅ 5 种
矛盾检测	❌	❌	❌	❌	❌	✅ 双重
假设追踪	❌	❌	❌	✅ axioms	❌	✅ 完整 CRUD
修订标记	✅ isRevision	❌	✅ is_revision	❌	✅	✅ is_revision
分支推理	✅	✅	✅	❌	✅	✅
自动完成	❌	❌	❌	❌	❌	✅
模板	❌	7	❌	❌	❌	✅ 9 种
Self-MoA	❌	❌	❌	❌	❌	✅ 3 轮投票
Iterative-MoA	❌	❌	❌	❌	❌	✅ 双模型迭代
MCP Resources	❌	3	❌	❌	❌	✅ 2 个
MCP Prompts	❌	3	1	❌	❌	✅ 3 个
Mermaid 可视化	❌	❌	❌	❌	❌	✅
回放	❌	❌	❌	❌	❌	✅
Web 面板	❌	❌	❌	❌	✅	❌
Docker	✅	✅	❌	❌	✅	❌
单元测试	✅	❌	✅ vitest	✅ pytest	✅	192 个

每个实现各有侧重。官方版是参考实现，简洁可靠；Go 版编译为单二进制、启动快、有 Web 面板；本项目的重点是多引擎推理和中文场景支持。

我们的不足

• 无 Web 调试面板（ad 版有）
• 无安全扫描（spences10、recallnet 有）
• 不支持反向导入（arben-adm 支持）
• Python 启动比 Go/TS 慢（加载 jieba 约 1-2 秒）
• 无 Docker 支持

---

⚡ 三种使用方式

方式一：PyPI 安装（最简单）

pip install LseKit-SequentialThinking
lseqthink

方式二：uvx 零安装

uvx --from LseKit-SequentialThinking lseqthink

方式三：克隆源码自行部署

git clone https://github.com/LseKit/SequentialThinking.git
cd SequentialThinking
uv venv SeqThinkVenV --python 3.12
uv pip install -r Requirements.txt
cp .env.example Config/.env && chmod 600 Config/.env
cp ecosystem.config.example.js Ecosystem/ecosystem.config.js
pm2 start Ecosystem/ecosystem.config.js && pm2 save

# 验证
pm2 status SequentialThinking
cd GitHubSrc && python3 -m pytest Tests/ -q

📖 完整部署见项目部署手册

---

🔌 各智能体接入方式

Claude Desktop

{
  "mcpServers": {
    "seqthink": {
      "command": "uvx",
      "args": ["--from", "LseKit-SequentialThinking", "lseqthink"]
    }
  }
}

Hermes

在 ~/.hermes/config.yaml 中配置：

mcp_servers:
  sequential-thinking:
    command: uvx
    args: ["--from", "LseKit-SequentialThinking", "lseqthink"]
    env:
      DEEPSEEK_API_KEY: sk-xxx

或者通过 Streamable HTTP 连接：

mcp_servers:
  sequential-thinking:
    url: http://your-host:21000/mcp

Cherry Studio

MCP 设置 → 添加 → 命令填 uvx，参数填 --from LseKit-SequentialThinking lseqthink

OpenClaw

在 ~/.openclaw/mcp.json 中配置：

{
  "mcpServers": {
    "sequential-thinking": {
      "command": "uvx",
      "args": ["--from", "LseKit-SequentialThinking", "lseqthink"]
    }
  }
}

Claude Code

claude mcp add seqthink -- uvx --from LseKit-SequentialThinking lseqthink

Cursor / VS Code (Cline / Continue)

在 .cursor/mcp.json 或 mcp.json 中加入：

{
  "mcpServers": {
    "seqthink": {
      "command": "uvx",
      "args": ["--from", "LseKit-SequentialThinking", "lseqthink"],
      "env": { "DEEPSEEK_API_KEY": "sk-xxx" }
    }
  }
}

---

🧠 启用双重思维 — 让 Agent 真正「推理」，不只是「生成文字」

为什么需要两种推理模式

单次 LLM 调用天然是「下一个词预测」——它无法自我纠偏，也无法从多个角度审视同一个答案。

本项目的双 MoA（Mixture-of-Agents）推理引擎提供了两种互补的增强方式：一种快速发散找思路，一种深入打磨求精确。参考文献：arXiv 2502.00674 和 arXiv 2406.04692。

两种模式怎么工作

Self‑MoA — 并行发散，投票挑选

同一个模型、换几种「心态」（不同温度参数），同时回答同一个问题，然后用语义相似度给每条回答打分，投票选出最优的那条。

维度	说明
原理	同一 LLM，3 个不同温度各自独立完成完整推理链，对输出做语义相似度投票，选最优
论文支撑	arXiv 2502.00674：Self-MoA 在 AlpacaEval 2.0 上比 MoA 高 6.6%，多数场景优于混合多模型
调用方式	并行（asyncio.gather），温服样本同时跑
收敛标准	语义相似度投票最高者胜出
Token 消耗	约 3 倍，但耗时 ≈ 单次调用（并行执行）
主要优势	保证输出质量下限稳定（同一模型水平一致），并行速度快，温度多样性带来广度覆盖
潜在短板	温度高时可能引入随机噪声，无法利用不同模型的互补能力

适合：发散找思路——写文案、头脑风暴、多角度评估。

Iterative‑MoA — 串行打磨，逐步逼近

两个模型轮流当「作者」和「审稿人」：A 写初版 → B 审查挑刺 → A 再优化 → B 再审查…直到收敛或达到最大轮数。

维度	说明
原理	A 生成初版 → B 以批判者角色审查给出修改版 → A 综合再优化 → 循环直到收敛
论文支撑	arXiv 2406.04692：分层 MoA 架构能用纯开源模型超越 GPT-4 Omni（AlpacaEval 65.1% vs 57.5%）
调用方式	串行，每轮依赖上一轮输出
收敛标准	连续两轮输出的语义相似度超过阈墀时提前终止
Token 消耗	轮数 × 每次约 2 倍，质量随轮数递增
主要优势	逐步精炼适合深度推理，混合不同模型可发挥各自特长（如一个擅长分析，一个擅长总结）
潜在短板	串行耗时随迭代次数线性增长，混合模型时弱模型可能拖累整体质量（论文证实混合模型在多数场景不如 Self-MoA）

适合：深入打磨细节——数学推理、代码审查、合规分析。

一张表分清

对比项	Self‑MoA	Iterative‑MoA
调用模型数	1 个模型，多个温度副本	2 个模型（或同一模型不同配置）
调用方式	并行	串行
收敛方式	投票选最高分	连续两轮不再显著变化即停止
Token 代价	~3 倍（一次性）	轮数 × 每次约 2 倍
思路风格	发散 → 收敛	迭代 → 逼近
什么时候选	想快速看到多个角度，让模型自选最优	想反复打磨一个结论，直到挑不出问题

不配 API 也能用 — 自动降级

没有配任何 LLM API Key、或者 LLM 调用连续失败时，系统自动降级为内置规则推理引擎：

• 基于模板 + 关键词匹配做问题分解、步骤生成、总结反思
• 命中已缓存的相似思考模式时直接复现
• 降级过程不出错，只写日志

不配 Key 也能得到一个有结构、有逻辑的思考框架，不会空白也不报错。

---

🔧 配置

支持任何 OpenAI 兼容的 API（DeepSeek、OpenAI、Qwen、本地模型等）。

Config/.env（敏感，chmod 600）
├── DEEPSEEK_API_KEY     ← 模型1 API Key
└── DASHSCOPE_API_KEY    ← 模型2 API Key（双模型模式需要）

Ecosystem/ecosystem.config.js（非敏感）
├── ST_LLM_SELECTOR      ← 0/1/2/3
├── ST_LLM_MODE          ← self-moa / iterative
├── ST_MOA_ROUNDS        ← 1~20
├── ST_LLM_MODEL         ← 模型1 名称
├── ST_LLM2_MODEL        ← 模型2 名称
├── ST_LLM_API_BASE      ← API 端点
├── ST_HOST / ST_PORT    ← 监听地址和端口
└── ST_DB_PATH           ← SQLite 数据库路径

环境变量参考

变量	用途	参考值
DEEPSEEK_API_KEY	模型1 的 API Key	必填
DASHSCOPE_API_KEY	模型2 的 API Key	可选
ST_LLM_MODEL	模型1 名称	deepseek-v4-flash
ST_LLM2_MODEL	模型2 名称	qwen3.7-plus
ST_LLM_API_BASE	OpenAI 兼容 API 端点	https://api.deepseek.com/v1
ST_LLM_SELECTOR	引擎选择（0=启发式 / 1-3=LLM）	3
ST_LLM_MODE	MoA 模式	self-moa
ST_MOA_ROUNDS	采样/迭代轮数	3
ST_TRANSPORT	传输模式	streamable-http
ST_PORT	监听端口	由配置决定
ST_DB_PATH	SQLite 数据库路径	~/.seqthink/thoughts.db

---

🏗️ 技术架构

┌──────────────────────────────────────────────────────┐
│            fastmcp (MCP 协议层)                       │
│       Streamable HTTP · stdio 双传输                  │
├──────────────────────────────────────────────────────┤
│  HeuristicEngine          │     LLMEngine            │
│  (规则推理 · 零外部依赖)    │  (OpenAI 兼容 · 异步)    │
│  关键词提取 · Jaccard对比  │  Self-MoA · Iterative-MoA│
├──────────────────────────────────────────────────────┤
│                    Core 层                            │
│       Context · Models · Templates                   │
│           Utils · Logger · Helpers                   │
├──────────────────────────────────────────────────────┤
│         SQLite + FTS5 中文全文检索                    │
│        5 表 + FK 约束 + WAL 并发模式                  │
└──────────────────────────────────────────────────────┘

双引擎降级路径

启动 → 检测 DEEPSEEK_API_KEY
              │
     有 Key ──┼── 无 Key
              │        │
       LLMEngine    HeuristicEngine
       (MoA 推理)   (内置规则 · 零成本)
              │
      SELECTOR=3?
         │
    有 Key2? ── 无 Key2?
        │           │
   双模型 MoA    单模型 MoA

---

🎯 这些功能解决了什么

推理像是「黑箱」

LLM 能生成流畅的推理，但内部逻辑不一定可靠。内置的矛盾检测（detect_contradictions）、假设提取（extract_assumptions）、逻辑验证（validate_logic）让推理过程更透明。

中文的推理质量

大多数 Sequential Thinking 工具基于英文构建。本项目在分词（jieba）和全文检索（FTS5）两端对中文做了针对性优化。

思考不留痕迹

推理完就丢了，下次同样问题又要从头来。SQLite WAL 持久化让每个会话可搜索、可回放、可对比。

单一模型的盲区

单一模型容易陷入固定模式。Self-MoA 用不同温度采样多条推理路径后投票，Iterative-MoA 让两个模型反复审视对方输出——两种策略覆盖了「多角度验证」和「逐步逼近最优」两种互补需求。

---

🧰 26 个 MCP 工具

会话管理（8 个）

工具	作用
start_thinking	创建推理会话，返回复杂度评估和推荐模板
add_step	添加推理步骤
update_step	修改已有步骤
review_thinking	获取完整思维链（linear / tree / summary）
branch_thinking	从指定步骤创建替代推理分支
merge_insights	合并多个分支的洞察
complete_session	标记会话完成
delete_session	级联删除会话

质量控制（3 个）

工具	作用
validate_logic	检测逻辑谬误
evaluate_quality	5 维质量评估 + 交叉验证
detect_biases	检测 5 种认知偏见

管理（4 个）

工具	作用
export_session	导出 Markdown / JSON / Text
list_sessions	按状态和标签筛选
search_sessions	FTS5 中文全文检索
get_metrics	日/周/月使用统计

增强（11 个）

工具	作用
compare_sessions	对比两个会话
suggest_next	推荐下一步方向
rewrite_query	LLM 优化问题表述
visualize_thinking	Mermaid 流程图
replay_thinking	逐步回放
auto_tag	自动生成标签
moa_analyze	MoA 多轮投票分析
add_connection	建立步骤间因果关系
detect_contradictions	检测推理矛盾
extract_assumptions	提取隐含假设
update_tags	替换会话标签

Resources & Prompts

• config://server — 服务配置
• thinking://templates/catalog — 9 种思维模板目录
• problem_breakdown — 问题分解
• critical_analysis — 批判性分析
• synthesis_prompt — 综合结论

---

🧪 测试

cd GitHubSrc
python3 -m pytest Tests/ -v    # 192 全量

模块	数量
Core Models / Templates / Context	48
Utils Logger	6
Handlers Helpers	24
HeuristicEngine	26
LLMEngine + MoA	36
Storage + FTS5 中文	52
总计	192

---

MIT · 小逸 (LseKit)