HyperCog MCP-高级上下文丰富编排
HyperCog是一个先进的MCP（模型上下文协议）服务器，它使用多个AI代理、知识图和向量搜索来协调上下文丰富，以产生世界级的结果。
🎯 主要特点
- 智能上下文评估：在执行任务之前评估上下文的充分性
- 深度思考代理：使用解释学循环方法进行递归理解
- 多源富集：集成了困惑、谷歌文件搜索和认知（KG+矢量）
- 强制优化：所有执行路径都通过上下文优化收敛
- 智能任务分解：SCRUM代理将大型上下文分解为可管理的子任务
- 混合图形+矢量存储：由Cognee和FalkorDB提供技术支持
📊 建筑
HyperCog --enrich
↓
Extract Context → Evaluate
↓
[Sufficient?] → YES → [Manageable?] → YES → OPTIMIZE → Execute
↓ ↓
NO NO → SCRUM → OPTIMIZE each → Execute
↓
Deep Thinking (Hermeneutic Circle)
↓
Identify Gaps → Craft Queries
↓
Sub-Agents (Perplexity, File Search, Cognee KG, Cognee Vector)
↓
Consolidate Results
↓
[Manageable?] → YES → OPTIMIZE → Execute
↓
NO → SCRUM → OPTIMIZE each → Execute🚀 快速开始
1.先决条件
- Python 3.11+
- Docker&Docker编写
- OpenAI API密钥
- Google API密钥（用于Gemini文件搜索）
- 困惑API键
2.安装
# Clone the repository
cd /home/david/Projects/HYPERCOG
# Create virtual environment
python3.11 -m venv venv
source venv/bin/activate # On Windows: venv\Scripts\activate
# Install dependencies
pip install -r requirements.txt
# Install in development mode
pip install -e .3.配置
# Copy environment template
cp .env.example .env
# Edit .env with your API keys
nano .env所需的环境变量：
OPENAI_API_KEY：您的OpenAI API密钥GOOGLE_API_KEY：您的Google/Gemini API密钥PERPLEXITY_API_KEY：您的困惑API密钥GRAPH_DB_URL：FalkorDB主机（默认：localhost）GRAPH_DB_PORT：FalkorDB端口（默认值：6379）
4.启动FalkorDB
# Start FalkorDB with Docker Compose
docker-compose up -d
# Verify it's running
curl http://localhost:30005.启动HyperCog MCP服务器
# Run the MCP server
python -m hypercog_mcp.server
# Or use the CLI
hypercog --help🔧 配置
MCP客户端配置（Amp、Claude等）
添加到MCP客户端配置中：
{
"mcpServers": {
"hypercog": {
"command": "python",
"args": ["-m", "hypercog_mcp.server"],
"cwd": "/home/david/Projects/HYPERCOG",
"env": {
"OPENAI_API_KEY": "your-key",
"GOOGLE_API_KEY": "your-key",
"PERPLEXITY_API_KEY": "your-key"
}
}
}
}📖 用法
使用MCP工具
HyperCog MCP服务器公开了一个主要工具： hypercog_enrich
{
"name": "hypercog_enrich",
"arguments": {
"task": "Implement a JWT authentication system",
"session_context": "Current project uses Express.js...",
"attached_files": [
{"path": "/path/to/file.js"}
],
"workspace_path": "/path/to/project",
"user_intent": "Build secure auth with refresh tokens"
}
}代理系统提示
所有代理提示都是可编辑的markdown文件 hypercog_mcp/agents/prompts/:
evaluator_agent.md：背景充分性评估deep_thinking_agent.md：解释学循环方法论optimizer_agent.md：上下文优化（强制）consolidator_agent.md：多源结果整合scrum_agent.md：任务分解
编辑这些文件以自定义代理行为，而无需更改代码。
🏗️ 项目结构
hypercog_mcp/
├── agents/
│ ├── prompts/ # Editable agent prompts
│ ├── base_agent.py
│ ├── context_extractor.py
│ ├── evaluator.py
│ ├── deep_thinking.py
│ ├── consolidator.py
│ ├── optimizer.py
│ └── scrum_agent.py
├── sub_agents/
│ ├── perplexity/
│ ├── file_search/
│ ├── cognee_kg/
│ └── cognee_vector/
├── storage/
│ ├── prompt_store/ # Raw extracted context
│ ├── rough/ # Consolidated research
│ └── optimized/ # Optimized context
├── config/
│ ├── cognee_config.py
│ ├── gemini_config.py
│ └── env_config.py
├── orchestrator.py # Main orchestration engine
├── llm_client.py
└── server.py # MCP server🎨 关键概念
解释学循环
《深度思维代理人》使用了一种解释学方法：
- 迭代1：检查零件（识别间隙）
- 迭代2：考虑整体（上下文关系）
- 迭代3：综合（最终精炼理解）
区域布局策略
Optimizer Agent使用4区布局：
- 区域1 （开始）：任务定义
- 2区 （中早期）：核心技术背景
- 区域3 （中后期）：支持信息
- 区域4 （结束-最新代币）：⚠️ 关键陷阱
第4区至关重要——LLM认为这是最后一个，给予它最高的关注权重。
强制优化
所有执行路径都流经优化器代理 -在修正后的流程中，这是不可协商的。上下文是否为：
- 充足+可管理
- 充足+需要细分
- 丰富+可管理
- 丰富+需求细分
…在执行之前必须进行优化。
🔍 存储和工件
prompt_store/
从每个会话中提取的原始上下文
{session_id}_context.json粗糙/
未处理的子代理结果
{timestamp}_perplexity.json
{timestamp}_file_search.json
{timestamp}_cognee_kg.json
{timestamp}_cognee_vector.json优化/
最终优化的上下文已准备好执行
{session_id}_{timestamp}_optimized.json🧪 发展
运行测试
# TODO: Add tests
pytest tests/编辑代理提示
# Edit any agent prompt
nano hypercog_mcp/agents/prompts/evaluator_agent.md
# Changes take effect immediately on next server restart🐛 故障排除
FalkorDB连接问题
# Check FalkorDB is running
docker ps | grep falkordb
# Check logs
docker logs hypercog-falkordb
# Restart FalkorDB
docker-compose restart falkordbAPI关键问题
# Verify environment variables
env | grep API_KEY
# Or in Python
python -c "import os; print(os.getenv('OPENAI_API_KEY'))"认知设置问题
如果Cognee初始化失败，服务器将在没有KG/Vector搜索功能的情况下继续运行。检查：
- FalkorDB可访问
- 更正.env中的端口
- Cognee适配器已安装：
pip install cognee-community-hybrid-adapter-falkor
📝 待办事项
- \[\]添加综合测试
- \[\]用于状态、提示编辑的CLI命令
- \[\]Cognee文档摄取实用程序
- \[\]性能指标和监控
- \[\]易于部署的Docker镜像
- \[\]与流行MCP客户端的集成示例
🤝 贡献
欢迎投稿！拜托：
- 分叉存储库
- 创建要素分支
- 进行更改
- 提交拉取请求
📄 许可证
MIT许可证-有关详细信息，请参阅许可证文件
🙏 致谢
- 标志 知识图谱能力
- FalkorDB 的 用于混合图+向量存储
- 困惑度 用于网络搜索
- 模型上下文协议 规格
______________________________________________________________________
内置于🔥 HyperCog团队