| 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。
- 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
pip install LseKit-SequentialThinking
lseqthinkuvx --from LseKit-SequentialThinking lseqthinkgit 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
{
"mcpServers": {
"seqthink": {
"command": "uvx",
"args": ["--from", "LseKit-SequentialThinking", "lseqthink"]
}
}
}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/mcpMCP 设置 → 添加 → 命令填 uvx，参数填 --from LseKit-SequentialThinking lseqthink
在 ~/.openclaw/mcp.json 中配置：
{
"mcpServers": {
"sequential-thinking": {
"command": "uvx",
"args": ["--from", "LseKit-SequentialThinking", "lseqthink"]
}
}
}claude mcp add seqthink -- uvx --from LseKit-SequentialThinking lseqthink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" }
}
}
}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。
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。
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。
| 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 |
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。
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
| 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 |
┌──────────────────────────────────────────────────────┐
│ 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 │
└──────────────────────────────────────────────────────┘
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
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。
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。
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。
| 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 |
| 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 |
| 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 |
| 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 |
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
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)