Deep Thinker

Servidor MCP de pensamiento cognitivo avanzado con grafo de pensamiento basado en DAG, múltiples estrategias de razonamiento, metacognición y autoevaluación.

GitHub

Prueba este MCPPatrocinado

Documentación

deep-thinker

Servidor MCP de pensamiento cognitivo avanzado con grafo de pensamiento basado en DAG, 10 estrategias de razonamiento (incluida la auto-selección), 17 herramientas, alias de nodos, persistencia de sesiones, respuestas estructuradas y manejo inteligente de errores.

Una evolución significativa más allá del MCP de pensamiento secuencial, que proporciona razonamiento profundo estructurado con gestión de pensamiento basada en grafos, validación de esquemas y selección inteligente de estrategias.

Inicio rápido

npx deep-thinker

{
  "mcpServers": {
    "deep-thinker": {
      "command": "npx",
      "args": ["-y", "deep-thinker"]
    }
  }
}

Ejemplos

Ejemplo	Estrategia	Caso de uso
Decisión de arquitectura	Dialéctica + Paralela	Monolito vs microservicios
Incidente de depuración	Abductiva	Errores 500 en producción
Priorización de funciones	Paralela + Dialéctica	Planificación del trimestre 3
Hipótesis científica	Analógica + Abductiva	Entrega de LNP para CRISPR
Superar puntos muertos	Cambio metacognitivo	Análisis de costos de serverless

Características

Grafo de pensamiento basado en DAG — Los pensamientos forman un grafo acíclico dirigido con ramificaciones, fusiones y aristas cruzadas (no solo una cadena lineal)
10 Estrategias de razonamiento — Secuencial, Dialéctica (tesis→antítesis→síntesis), Paralela, Analógica, Abductiva, Primeros principios (deconstrucción hasta lo fundamental), Contrafactual (qué pasaría si con efectos en cadena), Pensamiento sistémico (bucles de retroalimentación y puntos de apalancamiento), MCTS (optimización de Monte Carlo), Auto (auto-selección inteligente basada en el contenido y el estado del grafo)
Alias de nodos — Use "last", "best", "root" en lugar de IDs de nodo crípticos para cualquier parámetro nodeId
Respuestas estructuradas — Todas las respuestas de las herramientas devuelven JSON MCPResponse consistente con acción status, summary, confidence, nextSuggested
Persistencia de sesiones — Guarda automáticamente el grafo de pensamiento en ~/.deep-thinker/sessions/; reanuda entre reinicios de MCP con reset({ resume: "name" })
Mensajes de error amigables — Errores de validación de Zod traducidos a sugerencias legibles (p. ej., "confidence 0 ile 1 arasında...")
Puntuación de confianza — Evaluación de confianza multifactorial con análisis de soporte/contradicción, penalizaciones por profundidad y mejoras por integración de conocimiento
Autocrítica — Generación automática de críticas con niveles de gravedad y ajustes de confianza
Motor metacognitivo — Detecta estados de estancamiento, estancamiento, disminución de confianza; sugiere cambios de estrategia y acciones correctivas
Integración de conocimiento — Adjunta conocimiento externo a los pensamientos, detecta vacíos, valida la consistencia entre fuentes
Poda de pensamientos — Detección de callejones sin salida, eliminación de redundancias, eliminación de ramas improductivas profundas, optimización de rutas
Herramienta help — Descubra las 17 herramientas agrupadas por categoría (núcleo/avanzadas/flujo de trabajo) con ejemplos de inicio rápido
Herramienta conclude — Resumen integral del grafo con primaryFinding, actionItems, graphHealth y nextSuggested
Mejoras de razonamiento de alto coeficiente intelectual — 8 herramientas avanzadas: visualización, abogado del diablo, síntesis interdisciplinaria, proyección temporal, evaluación ética, análisis de inteligencia emocional, explicación de decisiones, análisis de impacto social
Inteligencia emocional — Analiza el tono emocional, la empatía, la efectividad de la persuasión, las emociones de las partes interesadas
Marcos éticos — Evalúa desde perspectivas deontológicas, consecuencialistas, de ética de la virtud y basadas en derechos
Síntesis entre dominios — Combina conocimientos de biología, economía, física, psicología, informática y arte
Razonamiento temporal — Proyecta pensamientos en escenarios futuros/pasados con escenarios optimistas, pesimistas, realistas y disruptivos
Modelado de impacto social — Analiza las emociones de las partes interesadas, la cohesión grupal, la efectividad de la persuasión, la alineación ética
Cuantificación de incertidumbre — Intervalos de confianza, distribuciones de probabilidad, análisis de sensibilidad para decisiones sólidas
Soporte multiidioma — Pensamientos en inglés, turco, alemán, francés, español, japonés, chino y ruso
Capas meta-cognitivas — Razonamiento recursivo en 5 niveles de meta-cognición
PromptOptimizer (Nodo Cero) — Punto de entrada que transforma indicaciones vagas en super indicaciones optimizadas con enrutamiento automático de estrategias

Instalación

Global

npm install -g deep-thinker

npx (sin instalación)

npx deep-thinker

Configuración de MCP

Claude Desktop

Agregue a su claude_desktop_config.json:

{
  "mcpServers": {
    "deep-thinker": {
      "command": "npx",
      "args": ["-y", "deep-thinker"]
    }
  }
}

O si está instalado globalmente:

{
  "mcpServers": {
    "deep-thinker": {
      "command": "deep-thinker"
    }
  }
}

Otros clientes MCP

El servidor se comunica a través de stdio. Apunte su cliente MCP al comando deep-thinker o a node path/to/dist/index.js.

Formato de respuesta

Todas las respuestas de las herramientas siguen la estructura MCPResponse:

{
  "status": "ok | error | warning",
  "nodeId": "thought_3",
  "summary": "sequential stratejisiyle \"Should we use microservices?...\" eklendi",
  "confidence": 0.75,
  "data": { "...": "tool-specific data" },
  "nextSuggested": {
    "tool": "evaluate",
    "params": { "critique": true },
    "reason": "Düşük confidence — değerlendirme önerilir"
  },
  "warnings": ["Stuck detected: ..."]
}

El campo nextSuggested siempre recomienda el siguiente paso lógico, lo que facilita el encadenamiento de llamadas a herramientas sin adivinar.

Alias de nodos

En lugar de buscar IDs de nodo crípticos, use alias para cualquier parámetro nodeId, parentId o targetId:

Alias	Resuelve a
`"last"`	Nodo agregado más recientemente (orden de inserción)
`"best"`	Nodo con la puntuación de confianza más alta
`"root"`	Primer nodo sin aristas entrantes

evaluate({ nodeId: "last" })                              → evaluates the latest thought
simulate_devils_advocate({ nodeId: "best", depth: 2 })    → challenges the strongest thought
graph({ action: "path", nodeId: "root", targetId: "best" }) → traces from root to best conclusion

Persistencia de sesiones

Los grafos de pensamiento se guardan automáticamente después de cada llamada a think. Las sesiones se almacenan en ~/.deep-thinker/sessions/.

// Save current session explicitly
reset({ save: true, saveName: "my-analysis" })

// List saved sessions
reset({ listSessions: true })

// Resume a saved session after MCP restart
reset({ resume: "my-analysis" })

Herramientas

Herramientas principales

`think`

Agrega un pensamiento al grafo cognitivo usando una estrategia de razonamiento.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`content`	string	Sí	El contenido del pensamiento
`type`	string	No	Tipo de pensamiento: `hypothesis`, `analysis`, `evidence`, `conclusion`, `question`, `assumption`, `insight`, `critique`, `synthesis`, `observation`
`strategy`	string	No	Estrategia: `sequential`, `dialectic`, `parallel`, `analogical`, `abductive`, `first_principles`, `counterfactual`, `systems_thinking`, `mcts`, `auto`
`confidence`	number	No	Confianza inicial 0-1 (predeterminado: 0.5)
`parentId`	string	No	ID o alias del nodo padre (predeterminado: última hoja)
`branch`	string	No	Nombre de la rama para exploración paralela
`tags`	string[]	No	Etiquetas para categorización
`edgeTo`	object	No	Arista explícita: `{ targetId, type }`
`dialectic`	object	No	Modo dialéctico: `{ thesis, antithesis?, synthesis? }`
`parallel`	array	No	Modo paralelo: `[{ content, type, confidence }]`
`analogical`	object	No	Modo analógico: `{ sourceDomain, mapping, projectedConclusion }`
`abductive`	object	No	Modo abductivo: `{ observation, explanations[], bestExplanation? }`
`firstPrinciples`	object	No	Modo de primeros principios: `{ problem, assumptions?, depth?, domain? }`
`counterfactual`	object	No	Modo contrafactual: `{ currentState?, variablesToChange, rippleDepth? }`
`systemsThinking`	object	No	Modo de pensamiento sistémico: `{ systemDescription?, components, focusArea? }`
`mcts`	object	No	Modo MCTS: `{ problem?, possibleActions, numSimulations? }`
`knowledge`	object	No	Adjuntar conocimiento: `{ source, content, relevance }`

Detalles de la estrategia:

Estrategia	Descripción	Mejor para
Secuencial	Cadena lineal: cada pensamiento se deriva del anterior	Razonamiento paso a paso
Dialéctica	Patrón de tesis → antítesis → síntesis para resolver contradicciones	Resolver conflictos
Paralela	Explorar múltiples ramas independientes simultáneamente	Lluvia de ideas de opciones
Analógica	Mapear patrones de un dominio conocido al problema actual	Perspectivas entre dominios
Abductiva	Generar hipótesis e inferir la mejor explicación	Análisis de causa raíz
Primeros principios	Deconstruir hasta verdades fundamentales, desafiar suposiciones	Romper convenciones
Contrafactual	Escenarios de "qué pasaría si" con efectos en cadena de múltiples etapas	Análisis de riesgo/impacto
Pensamiento sistémico	Bucles de retroalimentación, puntos de apalancamiento, propiedades emergentes	Sistemas complejos
MCTS	Búsqueda de árbol de Monte Carlo para la selección óptima de decisiones	Problemas de optimización
Auto	Selecciona automáticamente la estrategia según las señales de contenido y el contexto del grafo	Razonamiento sin intervención

Cómo funciona la estrategia auto:

La estrategia auto analiza su contenido en busca de palabras clave y el estado actual del grafo:

Contenido con "why"/"neden"/"how"/"nasıl" → abductive
Contenido con "if"/"eğer"/"what if"/"varsayalım" → counterfactual
Contenido con "vs"/"veya"/"compare"/"karşılaştır" → dialectic
Contenido con "system"/"sistem"/"loop"/"döngü" → systems_thinking
Contenido con "fundamental"/"temel"/"assumption"/"varsayım" → first_principles
Confianza promedio baja + muchos nodos → parallel (superar el punto muerto)
Primer pensamiento → sequential
Después de 4+ pensamientos secuenciales → dialectic (introducir el punto de vista opuesto)
Predeterminado → sequential

Tipos de aristas: derives_from, contradicts, supports, refines, challenges, synthesizes, parallels, abstracts, instantiates

`evaluate`

Evalúa el proceso de pensamiento con puntuación de confianza, crítica y análisis de salud del grafo.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`nodeId`	string	No	Nodo específico a evaluar (acepta alias: `last`, `best`, `root`)
`critique`	boolean	No	Generar autocrítica (predeterminado: true)
`findGaps`	boolean	No	Encontrar vacíos de conocimiento (predeterminado: false)
`validateKnowledge`	boolean	No	Validar consistencia del conocimiento (predeterminado: false)

`metacog`

Operaciones metacognitivas: monitorear y controlar el proceso de pensamiento.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`action`	string	Sí	`report` = estado completo, `switch` = cambiar estrategia, `auto_update` = dejar que el sistema analice
`strategy`	string	No	Nueva estrategia (para la acción `switch`)
`reason`	string	No	Razón del cambio (para la acción `switch`)

El motor metacognitivo automáticamente:

Detecta estancamiento (la confianza no mejora)
Detecta tendencias de confianza decreciente
Detecta contradicciones excesivas
Sugiere cambios de estrategia, poda, retroceso o conclusión

`graph`

Consulta y visualiza el grafo de pensamiento.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`action`	string	Sí	`visualize`, `stats`, `path`, `node`, `branches`, `best_path`, `leaves`
`nodeId`	string	No	ID o alias del nodo (para las acciones `path`, `node`)
`targetId`	string	No	ID o alias de destino (para la acción `path`)

`prune`

Poda y optimiza el grafo de pensamiento.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`action`	string	Sí	`analyze` (solo informe), `prune` (ejecutar), `optimize_path`, `prune_node`
`nodeId`	string	No	Nodo a podar: acepta alias (para `prune_node`)
`reason`	string	No	Razón (para `prune_node`)

`reset`

Reinicia el grafo de pensamiento y comienza una sesión nueva, guarda o reanuda una sesión guardada.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`problem`	string	No	Nueva declaración del problema
`save`	boolean	No	Guardar la sesión actual antes de reiniciar (predeterminado: false)
`saveName`	string	No	Nombre para la sesión guardada (recomendado si save: true)
`resume`	string	No	Reanudar una sesión guardada previamente por nombre
`listSessions`	boolean	No	Listar todas las sesiones guardadas

`conclude`

Analizar el grafo de pensamiento completo y producir un resumen-conclusión integral con elementos de acción e informe de salud del grafo.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`detailLevel`	string	No	`brief`, `detailed`, `technical` (predeterminado: detailed)
`includeCounterfactuals`	boolean	No	Incluir análisis contrafáctico (predeterminado: false)
`format`	string	No	`prose`, `structured`, `executive` (predeterminado: structured)

La respuesta incluye:

primaryFinding — Conclusión principal con confianza
supportingEvidence — Nodos adicionales de alta confianza
strategiesUsed — Qué estrategias contribuyeron
keyInsights — Nodos de tipo insight del mejor camino
actionItems — Acciones priorizadas derivadas de las conclusiones
graphHealth — Recuento de nodos, callejones sin salida, confianza promedio, recomendación
nextSuggested — Siguiente paso lógico (podar si está insalubre, guardar si está completo)

`help`

Descubrir herramientas de deep-thinker y aprender flujos de trabajo de uso.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`category`	string	No	`all`, `core`, `advanced`, `workflow` (predeterminado: all)

Categorías:

core — 7 herramientas de uso diario (think, evaluate, metacog, graph, prune, reset, conclude)
advanced — 8 herramientas de análisis profundo (visualization, devil's advocate, cross-disciplinary, temporal, ethical, emotional, explanation, social impact, prompt optimizer)
workflow — 3 flujos de trabajo recomendados:
- Quick Decision — reset → think parallel → evaluate → conclude
- Deep Analysis — reset → first_principles → counterfactual → devil's advocate → evaluate → metacog → prune → conclude
- Breaking Dead Ends — metacog report → switch strategy → cross-disciplinary → abductive

Herramientas Mejoradas (Razonamiento de Alto IQ)

`visualize_thought_graph`

Generar representación visual del grafo de pensamiento como SVG o ASCII.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`format`	string	No	`svg`, `ascii`, o `tree` (predeterminado: ascii)
`highlightPath`	string	No	Ruta entre dos IDs de nodo (formato: `fromId-toId`)
`showConfidence`	boolean	No	Mostrar puntuaciones de confianza (predeterminado: true)

`simulate_devils_advocate`

Generar contraargumentos y puntos de vista opuestos para un pensamiento dado.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`nodeId`	string	Sí	ID de nodo objetivo o alias (`last`, `best`, `root`)
`depth`	number	No	Niveles de contraargumentos (1-5, predeterminado: 2)
`intensity`	string	No	`mild`, `moderate`, o `aggressive` (predeterminado: moderate)

`cross_disciplinary_synthesis`

Combinar ideas de múltiples dominios para generar perspectivas novedosas.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`sourceDomains`	string[]	Sí	Dominios de los que extraer analogías (p. ej., `["biology", "economics", "art"]`)
`targetProblem`	string	Sí	Problema al que aplicar ideas interdisciplinarias
`maxAnalogies`	number	No	Máximo de analogías a generar (1-10, predeterminado: 3)

`temporal_projection`

Proyectar pensamientos en escenarios futuros o pasados.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`nodeId`	string	Sí	ID de nodo raíz o alias
`years`	number	Sí	Años hacia adelante (positivo) o hacia atrás (negativo)
`scenario`	string	No	`optimistic`, `pessimistic`, `realistic`, `disruptive` (predeterminado: realistic)

`ethical_framework_evaluation`

Evaluar un pensamiento o decisión a través de múltiples marcos éticos.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`nodeId`	string	Sí	ID de nodo o alias
`frameworks`	string[]	No	Qué marcos: `deontological`, `consequentialist`, `virtue`, `rights_based` (predeterminado: all)

`emotional_intelligence_analysis`

Analizar tono emocional, emociones de las partes interesadas y dinámicas sociales.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`text`	string	Sí	Texto a analizar por contenido emocional
`context`	string	No	Contexto (p. ej., `team meeting`, `customer feedback`, `crisis situation`)
`perspectiveTaking`	number	No	Nivel de adopción de perspectiva 0-1 (predeterminado: 0.7)

`explain_decision`

Generar explicación comprensible para humanos de una ruta de decisión.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`nodeId`	string	Sí	ID de nodo de decisión/conclusión o alias
`detailLevel`	string	No	`simple`, `detailed`, `technical` (predeterminado: detailed)
`includeCounterfactuals`	boolean	No	Mostrar escenarios hipotéticos (predeterminado: true)

`social_impact_analysis`

Analizar impacto social, emociones de las partes interesadas, cohesión grupal y efectividad de persuasión.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`nodeId`	string	Sí	ID de nodo o alias
`stakeholders`	string[]	No	Grupos de partes interesadas (predeterminado: `["customers", "employees", "investors", "community"]`)

`optimize_prompt`

PromptOptimizer (Node Zero) — transformar prompts vagos en Super Prompts optimizados con enrutamiento de estrategia.

Parámetros:

Parámetro	Tipo	Requerido	Descripción
`originalPrompt`	string	Sí	Prompt crudo y potencialmente vago del usuario
`userContext`	object	No	`{ expertiseLevel, domainKnowledge[], preferences }`
`conversationHistory`	array	No	Mensajes previos para contexto (máx. 20)
`optimizationLevel`	string	No	`light`, `standard`, `aggressive` (predeterminado: standard)
`targetModel`	string	No	`claude`, `gpt4`, `gpt35`, `local`, `generic` (predeterminado: generic)
`autoRoute`	boolean	No	Enrutar automáticamente a la estrategia recomendada (predeterminado: false)

Ejemplos de Uso

Selección Automática de Estrategia (¡Nuevo!)

think: { content: "Eğer mikroservis kullansaydık ne olurdu?" }
→ Auto-selects strategy: counterfactual (detected "Eğer" = "if" signal)

think: { content: "Why is the server crashing?" }
→ Auto-selects strategy: abductive (detected "why" signal)

think: { content: "Monolith vs microservices?" }
→ Auto-selects strategy: dialectic (detected "vs" comparison signal)

Razonamiento Secuencial

think: "Should we use microservices?" → type: question, confidence: 0.9
think: "Monolith has deployment bottlenecks" → type: analysis, confidence: 0.7
think: "Team lacks DevOps capacity for microservices" → type: evidence, confidence: 0.8
evaluate: { nodeId: "last", critique: true }
→ { status: "ok", confidence: 0.73, nextSuggested: { tool: "metacog" } }

Razonamiento Dialéctico

think: {
  strategy: "dialectic",
  dialectic: {
    thesis: "Microservices improve scalability",
    antithesis: "But add operational complexity",
    synthesis: "Use modular monolith as middle ground"
  },
  confidence: 0.75
}

Uso de Alias de Nodo

evaluate({ nodeId: "last" })                              → evaluate latest thought
simulate_devils_advocate({ nodeId: "best", depth: 3 })    → challenge strongest thought
graph({ action: "path", nodeId: "root", targetId: "best" }) → trace reasoning path
think({ parentId: "root", content: "Alternative..." })    → branch from root

Guardado y Reanudación de Sesión

// Work on a problem...
think({ content: "Analysis...", strategy: "auto" })
think({ content: "Another insight..." })

// Save before closing
reset({ save: true, saveName: "architecture-review" })

// ... MCP restarts ...

// Resume exactly where you left off
reset({ resume: "architecture-review" })
→ { status: "ok", summary: "architecture-review oturumu geri yüklendi — 5 node ile devam ediliyor" }

Razonamiento de Primeros Principios

think: {
  strategy: "first_principles",
  firstPrinciples: {
    problem: "How to improve battery efficiency?",
    assumptions: ["Batteries must use lithium", "Charging takes hours"],
    depth: 3,
    domain: "physics"
  }
}
→ Creates: Problem → Assumptions Challenged → Fundamental Truths → Reconstructed Solution

Análisis Contrafáctico (Qué Pasaría Si)

think: {
  strategy: "counterfactual",
  counterfactual: {
    currentState: "Office-based work with 5-day commute",
    variablesToChange: [
      { variable: "work_location", currentValue: "office", hypotheticalValue: "remote", impactWeight: 0.9 },
      { variable: "commute_days", currentValue: 5, hypotheticalValue: 0, impactWeight: 0.8 }
    ],
    timeHorizon: "medium_term",
    rippleDepth: 3
  }
}
→ Creates: Baseline → Variable Changes → Stage 1/2/3 Ripple Effects → Scenarios → Risk Analysis

Pensamiento Sistémico

think: {
  strategy: "systems_thinking",
  systemsThinking: {
    systemDescription: "Software development team dynamics",
    components: [
      { name: "FeatureBacklog", type: "stock", description: "Pending work" },
      { name: "DeveloperCapacity", type: "stock", description: "Available developers" },
      { name: "CodeReviews", type: "flow", description: "Review process" },
      { name: "Quality", type: "converter", description: "Quality gates" }
    ],
    focusArea: "feedback_loops"
  }
}
→ Creates: System Overview → Components → Feedback Loops → Leverage Points → Recommendations

MCTS (Búsqueda de Árbol Monte Carlo)

think: {
  strategy: "mcts",
  mcts: {
    problem: "Which architecture pattern to choose?",
    possibleActions: [
      { id: "microservices", description: "Microservices architecture", estimatedReward: 0.7 },
      { id: "monolith", description: "Monolithic architecture", estimatedReward: 0.5 },
      { id: "modular", description: "Modular monolith", estimatedReward: 0.8 }
    ],
    numSimulations: 100,
    pruningThreshold: 0.2
  }
}
→ Creates: Root → Actions → Simulations → Pruning Analysis → Optimal Path

Análisis de Conclusión

conclude({ detailLevel: "detailed" })
→ {
  status: "ok",
  summary: "12 dusunce, 3 dal, sequential+counterfactual stratejileriyle analiz tamamlandi",
  data: {
    conclusion: { primaryFinding: "...", confidence: 0.85 },
    actionItems: [{ action: "Investigate...", priority: "high" }, ...],
    graphHealth: { totalThoughts: 12, avgConfidence: 0.72, recommendation: "Graf saglikli gorunuyor" }
  },
  nextSuggested: { tool: "reset", params: { save: true }, reason: "Analizi kaydetmeyi unutmayin" }
}

Guía Metacognitiva

metacog: { action: "auto_update" }
→ Stuck detected + suggested action in nextSuggested

metacog: { action: "switch", strategy: "parallel", reason: "Break through impasse" }
→ Strategy switched + next step recommended

Podado (Pruning)

prune: { action: "analyze" }
→ Dead Ends, Redundant Branches, Total prunable count

prune: { action: "prune" }
→ Nodes pruned + metacog updated + nextSuggested

Obteniendo Ayuda

help()                    → all tools, all categories, all workflows
help({ category: "core" })     → 7 core tools with quick-start examples
help({ category: "advanced" }) → 9 advanced tools
help({ category: "workflow" }) → 3 recommended workflows

Mensajes de Error Amigables

Cuando la validación falla, obtienes errores legibles por humanos en lugar de salida Zod cruda:

think({ confidence: 1.5 })
→ {
  status: "error",
  error: "VALIDATION_ERROR",
  message: "\"confidence\" parametresinde hata: ...",
  field: "confidence",
  hint: "confidence 0 ile 1 arasında bir sayı olmalı. Örnek: confidence: 0.7"
}

evaluate({ nodeId: "nonexistent" })
→ {
  status: "error",
  error: "NODE_NOT_FOUND",
  provided: "nonexistent",
  hint: "Geçerli alias'lar: \"last\", \"best\", \"root\" veya graph aracıyla node ID alın"
}

Arquitectura

src/
├── index.ts                         MCP server & 17 tool handlers
├── test.ts                          Core functionality tests (118 tests)
├── test_enhanced_strategies.ts      Strategy tests (13 tests)
├── core/
│   ├── types.ts                     Type definitions, MCPResponse, NextAction
│   ├── schemas.ts                   Zod validation schemas (10 strategies incl. auto)
│   ├── node.ts                      ThoughtNode CRUD operations
│   ├── graph.ts                     DAG-based thought graph + resolveNodeId + aliases
│   ├── strategies.ts               10 reasoning strategies + selectStrategy (auto)
│   ├── scorer.ts                    Confidence scoring & self-critique
│   ├── metacog.ts                   Metacognitive engine with smart triggers
│   ├── knowledge.ts                 Knowledge integration & validation
│   ├── pruner.ts                    Dead-end/redundancy detection & pruning
│   ├── session.ts                   Session persistence (save/load/resume)
│   └── errors.ts                    Friendly error formatting (Zod + unknown)
└── enhancements/
    ├── visualization.ts            SVG & ASCII graph visualization
    ├── devils_advocate.ts           Counterargument generation
    ├── cross_disciplinary.ts        Cross-domain analogy engine
    ├── temporal_projection.ts       Future/past thought projection
    ├── ethical_evaluation.ts         4 ethical frameworks
    ├── emotional_intelligence.ts    Emotion & sentiment analysis
    ├── explanation.ts               Decision explainability
    └── social_impact.ts             Stakeholder & social impact

Novedades en v3.0.0

Característica	Descripción
Alias de Nodo	Usar `"last"`, `"best"`, `"root"` en lugar de IDs de nodo para todos los parámetros nodeId
MCPResponse	Respuestas JSON estructuradas con `status`, `summary`, `confidence`, `nextSuggested`
Persistencia de Sesión	Auto-guardado en `~/.deep-thinker/sessions/`, reanudar entre reinicios
Errores Amigables	Errores Zod → sugerencias legibles por humanos con orientación específica por campo
Herramienta help	Descubrimiento de herramientas en 3 categorías con ejemplos de flujos de trabajo
Herramienta conclude	Resumen del grafo con primaryFinding, actionItems, graphHealth
strategy: auto	Selección automática de estrategia basada en palabras clave del contenido + estado del grafo

Comparación con sequential-thinking

Característica	sequential-thinking	deep-thinker
Estructura de pensamiento	Cadena lineal	DAG (ramificaciones/fusiones/enlaces cruzados)
Estrategias	Solo secuencial	10 estrategias (incl. selección automática)
Validación de esquema	Ninguna	Esquemas Zod para todas las estrategias
Confianza	Número de pensamiento básico	Puntuación multifactorial con análisis de tendencia
Autocrítica	Ninguna	Automática con niveles de gravedad
Metacognición	Ninguna	Detección de estancamiento, disparadores de estrategia inteligentes, cambio automático
Conocimiento	Ninguno	Referencias externas, detección de vacíos, validación de consistencia
Podado	Ninguno	Puntos muertos, redundancia, optimización de rutas
Consultas de grafo	Revisión lineal	Visualización, mejor camino, análisis de ramas, estadísticas
Referencias de nodo	Solo por ID	Alias: last, best, root
Formato de respuesta	Texto plano	MCPResponse estructurado con nextSuggested
Persistencia de sesión	Ninguna	Auto-guardado, guardar/cargar/reanudar
Mensajes de error	Errores crudos	Legibles por humanos con sugerencias
Descubrimiento de herramientas	Ninguno	Herramienta help con categorías y flujos de trabajo
Conclusión	Revisión manual	Herramienta conclude con actionItems
Selección de estrategia	Solo manual	Estrategia auto basada en contenido

Desarrollo

git clone https://github.com/hubinoretros/deep-thinker.git
cd deep-thinker
npm install
npm run build
npm start

Pruebas

npm run build
npm test

131 pruebas cubriendo todos los módulos: Node, Graph, 10 Estrategias (incluyendo auto), Scorer, Metacog, Knowledge, Pruner, Integración, Casos límite, Validación de esquema.

Documentación

Inmersión Profunda en Arquitectura — cómo funcionan internamente el DAG, la puntuación, la metacognición y el podado
Guía de Selección de Estrategia — cuándo usar cada estrategia y cómo combinarlas

Contribuciones

Consulta CONTRIBUTING.md para las pautas. Se agradecen los PRs — especialmente nuevas estrategias de razonamiento e ideas de herramientas MCP.

Licencia

MIT