系统与学习类工具
系统与学习类工具是"天机"的自我优化引擎，它们帮助用户了解系统状态、收集反馈、识别知识缺口，并持续改进思维模型的推荐效果。这些工具使"天机"成为一个不断进化的思维伙伴，能够与用户共同成长。
新手入门指南 (get-started-guide)
快速上手"天机"思维模型体系
功能描述
get-started-guide 工具为新用户提供个性化的入门指南，包括系统概述、推荐的起步步骤、适合初学者的模型推荐，以及根据用户目标和经验水平定制的学习路径。这是新用户的理想起点，帮助快速理解并开始有效使用"天机"。
参数说明
| 参数名 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
user_objective |
字符串 | 否 | "explore" | 用户目标，可选值："explore"(探索), "solve_problem"(解决问题), "create_model"(创建模型), "learn_tools"(学习工具) |
expertise_level |
字符串 | 否 | "beginner" | 用户经验水平，可选值："beginner"(初学者), "intermediate"(中级), "advanced"(高级) |
lang |
字符串 | 否 | "zh" | 语言代码，支持 "zh"(中文) 或 "en"(英文) |
使用示例
// 初学者探索模式入门指南
{
"user_objective": "explore",
"expertise_level": "beginner",
"lang": "zh"
}
// 中级用户解决问题指南
{
"user_objective": "solve_problem",
"expertise_level": "intermediate",
"lang": "zh"
}
// 高级用户创建模型指南
{
"user_objective": "create_model",
"expertise_level": "advanced",
"lang": "zh"
}实际应用场景
- 首次使用"天机"的用户快速入门
- 希望转换使用目标的用户获取新的学习路径
- 团队培训中为不同经验水平的成员提供定制指南
- 课程教学中为学生提供结构化的思维工具学习路径
服务器版本信息 (get-server-version)
获取系统状态与版本
功能描述
get-server-version 工具提供"天机"思维模型MCP服务器的版本、状态和模型统计信息。这有助于确认系统正常运行，了解可用模型的数量，以及验证API兼容性。当怀疑系统出现问题或需要确认功能更新时，此工具特别有用。
参数说明
| 参数名 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| 此工具无需参数 | ||||
使用示例
// 获取服务器信息
{}实际应用场景
- 确认服务器版本以检查最新功能是否可用
- 验证服务器是否正常运行及模型是否加载
- 检查已加载模型的数量和语言分布
- 开发者检查API兼容性和版本信息
模型统计 (count-models)
了解思维模型库规模
功能描述
count-models 工具提供当前系统中思维模型的数量统计，包括总数和各分类下的模型数量。这有助于了解思维模型库的规模和分布，特别是在系统更新或添加新模型后，可以确认变化是否已生效。
参数说明
| 参数名 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
lang |
字符串 | 否 | "zh" | 语言代码，支持 "zh"(中文) 或 "en"(英文) |
使用示例
// 获取中文思维模型统计
{
"lang": "zh"
}
// 获取英文思维模型统计
{
"lang": "en"
}实际应用场景
- 了解系统中可用的思维模型总量
- 查看不同分类的模型数量分布
- 创建自定义模型后确认是否成功添加
- 比较不同语言版本的模型覆盖情况
get-categories工具可以获得更详细的分类信息，进而使用list-models查看特定分类下的具体模型。
用户反馈收集 (record-user-feedback)
提升系统智能推荐质量
功能描述
record-user-feedback 工具允许用户提供对思维模型使用体验的反馈，帮助系统不断学习和调整推荐算法。用户可以标记模型是否有帮助、准确或富有洞察力，并提供详细评论。这些反馈直接影响"天机"的学习系统，使其推荐越来越贴合用户的实际需求。
参数说明
| 参数名 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
modelIds |
字符串数组 | 是 | - | 相关思维模型的ID数组 |
context |
字符串 | 是 | - | 应用模型的上下文或问题描述 |
feedbackType |
字符串 | 是 | - | 反馈类型，可选值："helpful"(有帮助), "not_helpful"(无帮助), "incorrect"(不正确), "insightful"(富有洞察力), "confusing"(令人困惑) |
comment |
字符串 | 否 | - | 反馈详细说明或评论 |
applicationResult |
字符串 | 否 | - | 模型应用结果描述 |
suggestedImprovements |
字符串数组 | 否 | - | 建议的改进点 |
lang |
字符串 | 否 | "zh" | 语言代码，支持 "zh"(中文) 或 "en"(英文) |
使用示例
// 提供正面反馈
{
"modelIds": ["first_principles_thinking", "occams_razor"],
"context": "我在分析一个复杂的产品开发问题，需要简化决策过程。",
"feedbackType": "helpful",
"comment": "这两个模型组合使用非常有效，帮助我找到了问题的核心。",
"lang": "zh"
}
// 提供负面反馈和改进建议
{
"modelIds": ["swot_analysis"],
"context": "我在分析一个快速变化的市场环境下的战略选择。",
"feedbackType": "not_helpful",
"comment": "SWOT分析对动态变化的市场环境分析不够深入。",
"suggestedImprovements": ["增加时间维度考量", "结合情景分析"],
"lang": "zh"
}实际应用场景
- 使用思维模型解决问题后提供使用体验反馈
- 指出模型应用中遇到的困难或局限
- 建议模型改进或在特定场景下的优化方向
- 分享模型组合使用的成功案例
知识缺口检测 (detect-knowledge-gap)
发现系统知识边界
功能描述
detect-knowledge-gap 工具分析用户查询，检测系统当前思维模型库是否充分覆盖相关领域。当发现知识缺口时，它会返回潜在缺口的描述、可能相关的模型以及弥补缺口的建议。这是系统自我完善的关键机制，也是用户了解"天机"知识边界的重要工具。
参数说明
| 参数名 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
query |
字符串 | 是 | - | 用户查询或问题 |
matchThreshold |
数字 | 否 | 0.5 | 匹配阈值，低于此值视为知识缺口 |
lang |
字符串 | 否 | "zh" | 语言代码，支持 "zh"(中文) 或 "en"(英文) |
使用示例
// 检测特定领域的知识缺口
{
"query": "我需要一个适合分析量子计算对密码学影响的思维模型",
"lang": "zh"
}
// 使用自定义匹配阈值检测知识缺口
{
"query": "如何应用战略思维分析新兴市场的供应链风险",
"matchThreshold": 0.7,
"lang": "zh"
}实际应用场景
- 探索系统是否覆盖特定专业领域的思维工具
- 发现系统知识边界，寻找需要补充的思维框架
- 评估创建新思维模型的必要性
- 在组织内部发现可能需要开发的思维工具
create-thinking-model工具创建新的思维模型来填补缺口。系统发现的知识缺口也会被记录，以便未来版本可能添加相关模型。
模型使用统计 (get-model-usage-stats)
分析思维模型应用情况
功能描述
get-model-usage-stats 工具提供特定思维模型的使用统计数据，包括使用次数、反馈类型分布、常见应用场景以及经常一起使用的其他模型。这有助于了解模型的实际应用效果、适用场景，以及如何与其他模型组合使用以达到更佳效果。
参数说明
| 参数名 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
modelId |
字符串 | 是 | - | 思维模型的唯一ID |
lang |
字符串 | 否 | "zh" | 语言代码，支持 "zh"(中文) 或 "en"(英文) |
使用示例
// 查看特定模型的使用统计
{
"modelId": "first_principles_thinking",
"lang": "zh"
}
// 查看另一模型的使用数据
{
"modelId": "mental_models",
"lang": "zh"
}实际应用场景
- 了解特定思维模型的受欢迎程度和有效性
- 发现模型的最佳应用场景和典型用例
- 探索与特定模型有协同效应的其他模型
- 评估自己创建的模型的实际使用效果
学习系统分析 (analyze-learning-system)
整体评估系统学习效果
功能描述
analyze-learning-system 工具提供"天机"思维模型学习系统的综合分析，包括整体健康状态、表现最佳的模型、已识别的知识缺口和学习趋势。这是一个系统层面的分析工具，帮助了解"天机"的适应性学习情况，特别适合长期使用者了解系统的成长轨迹。
参数说明
| 参数名 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
lang |
字符串 | 否 | "zh" | 语言代码，支持 "zh"(中文) 或 "en"(英文) |
使用示例
// 中文版学习系统分析
{
"lang": "zh"
}
// 英文版学习系统分析
{
"lang": "en"
}实际应用场景
- 评估系统对用户需求的适应情况
- 发现最受欢迎和最有效的思维模型
- 识别系统知识库中的主要缺口
- 了解用户思维工具使用的整体趋势
系统与学习类工具的最佳实践
以下是充分利用"天机"系统与学习类工具的建议方法：
- 持续提供反馈 - 使用
record-user-feedback工具对每次重要的模型应用提供反馈，帮助系统更好地理解您的需求 - 定期分析系统状态 - 使用
analyze-learning-system工具查看系统的学习进展，了解知识缺口和趋势 - 主动检测知识边界 - 遇到新的领域或问题时，使用
detect-knowledge-gap工具检查系统是否有相关的思维模型 - 探索热门模型 - 通过
get-model-usage-stats了解各模型的实际使用情况和最佳应用场景
将这些工具整合到您的日常工作流程中，可以使"天机"成为一个真正的学习伙伴，不断适应您的思考方式和专业领域，提供越来越精准的思维支持。