guru-pk-mcp 1.1.8

MCP server enabling AI expert debates - Dynamic expert generation for personalized multi-round philosophical discussions on any topic

Guru-PK MCP 智能专家辩论系统

基于MCP（Model Context Protocol）的AI专家辩论系统，采用动态专家生成架构，根据问题智能创建最适合的专家组合进行多轮智慧碰撞。

✨ 核心特色

• 🏭 动态专家生成 - 完全问题驱动，每次生成专属专家组合
• 🌟 无限专家池 - 突破固定专家限制，支持任意领域的专家生成
• 🔄 多轮PK流程 - 独立思考 → 交叉辩论 → 最终立场 → 智慧综合
• 🤖 智能分工架构 - MCP Host端LLM负责智能分析，MCP Server端提供流程指导

🚀 快速安装

1. 安装依赖

方式一：使用安装脚本（推荐）

macOS/Linux:

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows:

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

方式二：使用 pip 安装（适用于所有平台）

pip install uv

方式三：下载安装包

从 UV Releases 页面下载对应平台的安装包

2. 配置MCP客户端

推荐方式：从PyPI安装

{
  "mcpServers": {
    "guru-pk": {
      "command": "uvx",
      "args": ["--from", "guru-pk-mcp", "guru-pk-mcp-server"],
      "env": {
        "DATA_DIR": "~/.guru-pk-data"  // macOS/Linux: ~/目录, Windows: %USERPROFILE%目录
      }
    }
  }
}

更新说明:

• 当需要更新guru-pk-mcp到最新版本时，请执行命令：

  uvx pip install --upgrade guru-pk-mcp
  

• 此命令会从PyPI获取并安装最新发布的版本

• 如果遇到缓存问题，可以强制刷新：

  uvx --refresh-package guru-pk-mcp --from guru-pk-mcp python -c "print('✅ UVX缓存已刷新')"
  

注意:

• macOS用户可能需要使用完整路径：/Users/{用户名}/.local/bin/uvx
• Windows用户：~会自动解析为用户主目录（如 C:\Users\{用户名}），无需手动修改

开发方式：从源码安装

{
  "mcpServers": {
    "guru-pk": {
      "command": "uvx", 
      "args": ["--from", "/path/to/guru-pk-mcp", "guru-pk-mcp-server"],
      "env": {
        "DATA_DIR": "~/.guru-pk-data"  // macOS/Linux: ~/目录, Windows: %USERPROFILE%目录
      }
    }
  }
}

本地开发说明:

• 对于本地开发场景，如需刷新uvx缓存，请使用make refresh-uvx
• 此命令强制UVX重新安装本地包，确保使用最新的代码更改

3. 开始使用

重启MCP客户端，输入 guru_pk_help 获取帮助，或直接提问开始专家辩论！

💡 使用方法

🎯 核心架构：智能专家工厂

graph TB
    A[问题输入] --> B[MCP Host端LLM分析]
    B --> C[生成3位候选专家]
    C --> D[启动多轮辩论]
    D --> E[MCP Server端流程控制]

动态专家生成流程

1. 提出问题 - 直接向系统提问任何话题
2. 智能分析 - MCP Host端LLM深度分析问题特征
3. 生成候选 - 动态创建3位最相关的专家
4. 开始辩论 - 启动多轮PK流程

// 1. 智能生成候选专家（系统自动执行）
start_pk_session: 生成AI的领域，有没有特别适合个人创业的方向？

// 2. 智能生成候选专家（用户对期待的专家范围进行限定）
start_pk_session: 生成AI的领域，有没有特别适合个人创业的方向？ 找两个AI领域的大牛和一个知名的个人创业家来辩论

核心工具

• start_pk_session - 智能生成候选专家，开始辩论
• get_persona_prompt - 获取当前专家的角色提示
• record_round_response - 记录专家发言

专家管理

• generate_dynamic_experts - 动态生成专家候选
• save_custom_persona - 保存专家数据

会话管理

• view_session_history - 查看会话历史
• export_session - 导出会话为Markdown文件
• export_enhanced_session - 导出增强分析报告

系统设置

• get_language_settings - 查看当前语言设置
• set_language - 设置回复语言
• get_usage_statistics - 获取使用统计分析
• guru_pk_help - 获取系统帮助

🔄 辩论流程

1. 独立思考 - 每位专家独立分析问题
2. 交叉辩论 - 专家间互相质疑和借鉴
3. 最终立场 - 形成各自完善的方案
4. 智慧综合 - 融合各方观点的终极答案

🛠️ 技术架构

🏗️ 架构设计理念

智能分工原则：

• 🧠 MCP Host端 LLM：负责复杂的语义分析和智能生成
• 🔧 MCP Server端：提供简洁的流程控制和数据管理

语言: Python 3.10+ | 框架: MCP | 包管理: UVX
存储: 本地JSON | 特点: 零部署、隐私保护

项目结构

src/guru_pk_mcp/
├── server.py           # MCP服务器主程序
├── session_manager.py  # 会话状态管理
├── personas.py         # 专家生成指导逻辑
├── dynamic_experts.py  # 动态生成专家
└── models.py          # 数据模型定义

🎨 核心创新

🏭 动态专家生成架构

彻底摒弃固定专家池 - 实现真正的问题驱动专家生成。

💡 设计理念

graph LR
    subgraph "传统架构：固定专家池"
        A1[预设专家库] --> B1[关键词匹配]
        B1 --> C1[选择专家] 
        C1 --> D1[开始辩论]
    end
    
    subgraph "新架构：动态专家生成"
        A2[问题分析] --> B2[智能生成专家]
        B2 --> C2[个性化辩论]
    end

🎯 核心优势

• 无限扩展 - 不受固定专家数量限制
• 精准匹配 - 专家完全服务于具体问题
• 智能组合 - 确保专家组合的多样性和互补性
• 实时生成 - 每次辩论都是独特的专家组合

🤖 智能分工架构

MCP Host端 LLM智能 + MCP Server端简洁控制

🧠 MCP Host端职责

• 深度语义分析问题特征
• 智能生成专家画像和特质
• 提供丰富的推理和创造能力

🔧 MCP Server端职责

• 提供专家生成的原则性指导
• 管理辩论流程和状态
• 处理数据持久化和会话管理

💰 成本效益优势

• 零API费用 - 充分利用订阅制Chat APP的LLM能力
• 本地隐私 - 所有数据本地存储，完全隐私保护
• 开源可定制 - 不依赖任何第三方服务
• 轻量简洁 - MCP Server端逻辑简单，维护成本低

📱 兼容性

支持所有MCP兼容应用：Claude Desktop、Cursor、TRAE、DeepChat、Cherry Studio等

🎯 推荐配置

最推荐的MCP Host：

• 💰 按用户请求收费的MCP Host - 如Cursor和海外版Trae
• 🌟 优势：
  • 成本优势显著：按用户请求次数收费，而非API调用次数或token收费
  • Claude模型对MCP支持最佳，具有优秀的指令遵循能力

⚠️ 使用注意事项

不推荐配置：

• 🚫 Trae国内版 - 内置国内模型存在高频敏感词审查问题，可能导致专家辩论过程中断，影响使用体验

💡 使用提示

• 🤖 start_pk_session:直接提问 - 最简单的使用方式，系统自动生成专家
• 📋 guru_pk_help - 获取系统介绍和详细帮助
• 📊 get_usage_statistics - 查看使用统计和分析
• 📄 export_enhanced_session - 导出增强分析报告
• 🌍 set_language - 设置专家回复语言

💭 设计理念

灵感来源

本项目初期的专家系统受到 人生教练团Agent 的启发，将内置专家的多角色PK的创新思路通过本地MCP的方式实现。

技术方案对比

🔧 Agent框架开发

• ✅ 功能强大，可集成多个LLM API
• ✅ 前端交互灵活，控制强劲
• ❌ 开发复杂度高，API调用成本高昂

☁️ 第三方服务远程MCP方案

• ✅ 部署简单，利用现有生态
• ❌ 依赖第三方服务，定制化程度有限

🏠 本地MCP方案（本项目）

• ✅ 与订阅制Chat APP结合，无API费用
• ✅ 数据本地化，隐私保护
• ✅ 开源可定制，技术独立
• ✅ 智能分工架构 - 充分利用MCP Host端LLM智能
• ✅ 动态专家生成 - 突破固定专家池限制
• ❌ 依赖MCP客户端实现

核心价值

动态专家生成 - 实现了从固定专家库到智能专家工厂的根本性突破：

🏭 架构创新

• 问题驱动 - 专家完全服务于问题，告别固定限制
• 智能生成 - 每次都是专属的专家组合
• 无限扩展 - 支持任意领域的专家创建

🤖 智能分工

• MCP Host端智能 - 利用订阅制LLM的强大分析能力
• MCP Server端简洁 - 专注流程控制，降低维护成本
• 完美配合 - 实现智能与简洁的最佳平衡

这种动态专家生成架构，将AI专家辩论系统推向了新的高度，真正实现了智能化、个性化的专家辩论体验。