大多数Claude集成都把工具当作黑盒子——调用工具，获取结果，继续执行。
但如果工具结果能够实时反馈到Claude的思考过程中呢？
这就是ThinkChain的核心创新。
工具结果注入机制
让我们用一个实际例子来说明差异。
当你问「旧金山的天气如何，哪里适合吃晚餐？」时：
传统方法：
用户提问 → Claude思考 → 调用天气工具 → 获取结果
→ 调用餐厅工具 → 获取结果 → 合并结果
ThinkChain方法：
用户提问 → Claude思考 → 调用天气工具 → 思考天气情况
→ 基于天气调用餐厅工具 → 综合思考
→ 智能化响应
魔法就发生在工具执行后的思考步骤中。这是实际的技术实现：
async def stream_once(messages, tools):
asyncwith client.messages.stream(
model="claude-sonnet-4-20250514",
messages=messages,
tools=tools,
betas=["interleaved-thinking-2025-05-14", "fine-grained-tool-streaming-2025-05-14"],
thinking_budget=1024
) as stream:
asyncfor event in stream:
if event.type == "tool_use":
# 执行工具并将结果注入回思维流
result = await execute_tool(event.name, event.input)
# 这个结果成为Claude剩余响应的思考上下文
yield {"type": "tool_result", "content": result}
这创建了一个反馈循环：Claude的初始思考导致工具使用，工具结果为持续思考提供信息，最终响应综合了推理和工具结果。
? 零配置快速开始
ThinkChain支持两种启动方式：
选项1：使用uv run零配置运行（推荐）
# 克隆仓库
git clone https://github.com/martinbowling/ThinkChain.git
cd ThinkChain
# 设置API密钥
echo "ANTHROPIC_API_KEY=your_api_key_here" > .env
# 立即运行 - uv自动处理所有依赖！
uv run thinkchain.py # 增强UI带丰富格式
uv run thinkchain_cli.py # 最小CLI版本
uv run run.py # 智能启动器（自动检测最佳UI）
选项2：传统安装
# 克隆并设置
git clone https://github.com/martinbowling/ThinkChain.git
cd ThinkChain
# 安装依赖
uv pip install -r requirements.txt
# 或: pip install -r requirements.txt
# 设置API密钥
echo"ANTHROPIC_API_KEY=your_api_key_here" > .env
# 运行应用
python run.py # 智能启动器
python thinkchain.py # 增强UI
python thinkchain_cli.py # CLI版本
? 技术架构剖析
工具发现系统
ThinkChain的设计理念是让开发者只需将Python文件放入文件夹即可。
无需注册，无需复杂设置。
工具发现流程如下：
本地工具（/tools/*.py）→ 验证 → 注册表
↓
MCP服务器（config.json）→ 连接 → 注册表 → 统一工具列表 → Claude API
每个工具实现这个简单接口：
class BaseTool:
@property
def name(self) -> str: ...
@property
def description(self) -> str: ...
@property
def input_schema(self) -> Dict[str, Any]: ...
def execute(self, **kwargs) -> str: ...
实际工具实现示例
这是完整的天气工具实现，展示了所有最佳实践：
from tools.base import BaseTool
import requests
class WeatherTool(BaseTool):
name = "weathertool"
description = """
获取全球任何地点的当前天气信息。
使用此工具当用户询问：
- 任何城市/地点的当前天气
- 任何地方的温度
- "某地天气如何？"
"""
input_schema = {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市和州/国家（例如：'San Francisco, CA'或'London, UK'）"
},
"units": {
"type": "string",
"enum": ["fahrenheit", "celsius"],
"default": "fahrenheit"
}
},
"required": ["location"]
}
def execute(self, **kwargs) -> str:
location = kwargs.get("location")
units = kwargs.get("units", "fahrenheit")
try:
# 使用wttr.in API获取实时天气数据
response = requests.get(f"https://wttr.in/{location}?format=j1")
data = response.json()
# 为Claude格式化输出
returnf"?️ {location}的天气：\n温度：{data['current_condition'][0]['temp_F']}°F\n..."
except Exception as e:
returnf"❌ 获取天气数据时出错：{str(e)}"
工具的美妙之处在于它们只是具有四个属性的类：名称、描述、输入模式和执行方法。
将文件放入/tools/，ThinkChain会自动发现它。
实际执行流程示例
让我展示当有人问「旧金山的天气如何，找些好餐厅」时会发生什么：
[thinking] 我需要先查看天气，然后根据天气条件找到可能合适的餐厅。
[tool_use:weathertool] ▶ {"location": "San Francisco, CA"}
[tool_result] ?️ 旧金山，CA的天气：
温度：62°F（体感温度62°F）
条件：部分多云
湿度：38%
风速：5 mph 西南风
[thinking] 天气宜人，62°F且部分多云——非常适合户外用餐或步行去餐厅。我应该寻找有户外座位或露台的地方。
[tool_use:duckduckgotool] ▶ {"query": "best restaurants San Francisco outdoor seating patio"}
[tool_result] [带户外用餐选项的餐厅结果...]
[thinking] 考虑到天气不错，我可以推荐这些适合户外的餐厅...
看到天气结果如何影响餐厅搜索了吗？
这就是工具结果注入的力量——Claude不只是顺序调用工具，它会思考结果并做出更智能的决策。
? 可用工具集
本地工具（/tools目录）
? 网络和数据工具：
- weathertool：从wttr.in API获取全球任何地点的实时天气数据
- duckduckgotool：用于网络查询和餐厅搜索的实时DuckDuckGo搜索结果
- webscrapertool：增强的网页抓取器，从任何网页提取主要内容
? 文件和开发工具：
- filecreatortool：创建具有指定内容和目录结构的新文件
- fileedittool：高级文件编辑，支持完整/部分内容替换和搜索/替换
- filecontentreadertool：同时读取并返回多个文件的内容
- createfolderstool：创建目录和嵌套文件夹结构
- diffeditortool：精确的文件文本片段替换
⚙️ 开发和包管理：
- uvpackagemanager：Python项目的完整uv包管理器接口
- lintingtool：在Python文件上运行Ruff linter以检测和修复代码问题
- toolcreator：基于自然语言描述动态创建新工具
MCP服务器支持
在mcp_config.json中配置：
{
"mcpServers": {
"sqlite": {
"command": "uvx",
"args": ["mcp-server-sqlite", "--db-path", "./database.db"],
"enabled": true
},
"puppeteer": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-puppeteer"],
"enabled": false
}
}
}
支持的MCP服务器：
? 交互式命令
在与Claude聊天时，你可以使用这些斜杠命令：
/refresh或/reload - 刷新工具发现（获取新工具）/config model <model_name> - 在Claude模型之间切换（sonnet/opus）/config thinking <1024-16000> - 调整思考令牌预算
✨ 关键特性
? 高级思考集成
ThinkChain的核心创新是工具执行结果如何注入回Claude的思维流。当Claude调用工具时：
? 动态工具发现
- 本地工具：自动从
/tools目录发现Python工具 - 热重载：使用
refresh命令在开发期间重新加载工具 - 统一注册表：所有工具（本地+MCP）在流式接口中工作方式相同
? 增强的CLI界面
启动时的炫酷界面：
╔═══════════════════════════════════════════════════════════════════╗
║ ████████╗██╗ ██╗██╗███╗ ██╗██╗ ██╗ ██████╗██╗ ██╗ █████╗ ██╗███╗ ██╗ ║
║ ╚══██╔══╝██║ ██║██║████╗ ██║██║ ██╔╝██╔════╝██║ ██║██╔══██╗██║████╗ ██║ ║
║ ██║ ███████║██║██╔██╗ ██║█████╔╝ ██║ ███████║███████║██║██╔██╗ ██║ ║
║ ██║ ██╔══██║██║██║╚██╗██║██╔═██╗ ██║ ██╔══██║██╔══██║██║██║╚██╗██║ ║
║ ██║ ██║ ██║██║██║ ╚████║██║ ██╗╚██████╗██║ ██║██║ ██║██║██║ ╚████║ ║
║ ╚═╝ ╚═╝ ╚═╝╚═╝╚═╝ ╚═══╝╚═╝ ╚═╝ ╚═════╝╚═╝ ╚═╝╚═╝ ╚═╝╚═╝╚═╝ ╚═══╝ ║
║ ? Claude Chat with Advanced Tool Integration & Thinking ? ║
╚═══════════════════════════════════════════════════════════════════════════════╝
Claude Tool Discovery Chat
? 本地：11个工具 │ ? MCP：6个服务器 │ ? 思考：开启 │ ? 就绪
⚙️ 配置选项
环境设置
创建.env文件：
ANTHROPIC_API_KEY=your_api_key_here
呃，是有一点费钱……
模型配置
系统支持两个Claude模型，带可配置设置：
可用模型：
claude-sonnet-4-20250514（默认）- 快速高效claude-opus-4-20250514 - 最强大，较慢
可配置设置：
- 思考预算：1024-16000令牌（默认：1024）
- Beta功能：
interleaved-thinking-2025-05-14，fine-grained-tool-streaming-2025-05-14
运行时配置：
# 在对话期间更改模型
/config model claude-opus-4-20250514
# 为复杂问题增加思考预算
/config thinking 8192
? 开发指南
创建新的本地工具
创建新工具很简单——只需遵循这些步骤：
1. 创建工具文件
在/tools/目录中创建新的Python文件（例如/tools/mytool.py）：
from tools.base import BaseTool
class MyTool(BaseTool):
name = "mytool"
description = """
你的工具功能的详细描述。
使用此工具当用户询问：
- 特定用例1
- 特定用例2
- "应触发此工具的关键词"
"""
input_schema = {
"type": "object",
"properties": {
"input_param": {
"type": "string",
"description": "此参数的描述"
},
"optional_param": {
"type": "integer",
"description": "带默认值的可选参数",
"default": 10
}
},
"required": ["input_param"]
}
def execute(self, **kwargs) -> str:
input_param = kwargs.get("input_param")
optional_param = kwargs.get("optional_param", 10)
# 你的工具逻辑在这里
result = f"处理：{input_param}，使用{optional_param}"
return result
2. 关键要求
- 类名：必须匹配文件名（例如
mytool.py的MyTool） - 继承自BaseTool：从
tools.base导入 - 四个必需属性：
name、description、input_schema、execute()方法 - 返回字符串：
execute()方法必须返回字符串结果
3. 工具发现
添加MCP服务器
MCP允许与提供额外工具的外部服务器集成。编辑mcp_config.json添加你的服务器：
{
"mcpServers": {
"my-server": {
"command": "uvx",
"args": ["my-mcp-server", "--custom-arg", "value"],
"description": "此服务器提供什么的描述",
"enabled": true,
"env": {
"API_KEY": "your_api_key_if_needed"
}
}
}
}
开源与扩展
ThinkChain采用MIT许可证开源，专门设计为可fork和扩展。
架构是模块化的：
想为你的领域添加工具？将Python文件放入/tools/。
想连接到专业MCP服务器？编辑mcp_config.json。
想自定义UI？修改Rich组件。
领域特定fork的想法：
- 数据科学ThinkChain：添加pandas、matplotlib、jupyter工具
- Web开发ThinkChain：添加React、npm、git、部署工具
- DevOps ThinkChain：添加Docker、Kubernetes、AWS/GCP工具
- 研究ThinkChain：添加学术论文搜索、引用工具
Martin Bowling在博客中总结道：
「ThinkChain的出现无疑是朝着可解释、可控制的AI系统迈出了一大步。它不仅能帮助我们更好地理解模型行为，还为定制化调整模型开辟了新天地。」
准备好用不同的方式思考AI工具集成了吗？
Fork ThinkChain，然后开始吧！
粤ICP备14082021号
免费POC，
零成本试错
