chore: init project docs - NextAgent cognitive decoupled architecture
- README.md with architecture diagram and project overview - docs/architecture-overview.md: core design, scheduling, RefPack protocol - docs/routing-compression-subnet.md: multi-modal encoding, compression training - docs/memory-subnet.md: MANN, GNN, retrieve-pull mechanism training - docs/logic-trace-subnet.md: RLHF+PRM, MCTS, self-correction training - docs/llm-subnet.md: SFT, RLHF fine-tuning, multi-language alignment
This commit is contained in:
root
202
docs/architecture-overview.md
Normal file
202
docs/architecture-overview.md
Normal file
@ -0,0 +1,202 @@
|
||||
# 架构概览
|
||||
|
||||
## 整体架构设计
|
||||
|
||||
NextAgent 采用 **认知解耦架构（Cognitive Decoupled Architecture）**，将传统单一 LLM 拆解为多个具有独立职能的子网，通过调度 Core 统一协调。每个子网类比人脑的一个功能区域，各司其职、协同工作。
|
||||
|
||||
### 设计原则
|
||||
|
||||
- **单一职责**：每个子网只负责一种认知功能，降低复杂度
|
||||
- **信息压缩**：子网间传递轻量级引用包而非原始数据
|
||||
- **冷热分离**：活跃数据在计算单元处理，原始数据存储在冷区
|
||||
- **可追溯**：每次推理决策都有完整的链路追踪记录
|
||||
|
||||
### 架构分层
|
||||
|
||||
```
|
||||
┌──────────────────────────────────────────────────────────────┐
|
||||
│ 应用层 │
|
||||
│ CLI / API / SDK / Web Interface / 第三方集成 │
|
||||
└──────────────────────┬───────────────────────────────────────┘
|
||||
│
|
||||
┌──────────────────────▼───────────────────────────────────────┐
|
||||
│ 调度 Core（前额叶皮层） │
|
||||
│ ┌────────────┐ ┌────────────┐ ┌────────────────────────┐ │
|
||||
│ │ 任务解析器 │ │ 调度引擎 │ │ 同步总线 │ │
|
||||
│ │ 拆解用户意图 │ │ 分配子任务 │ │ 子网间状态同步 │ │
|
||||
│ └────────────┘ └────────────┘ └────────────────────────┘ │
|
||||
└──────┬──────┬──────┬──────┬──────┬──────┬──────┬───────────┘
|
||||
│ │ │ │ │ │ │
|
||||
┌──────▼──┐ ┌─▼──────┐ ┌─▼──────┐ ┌─▼──────┐ ┌─▼──────────┐
|
||||
│ 路由与 │ │ 记忆 │ │ 逻辑链路 │ │ LLM │ │ 冷区存储 │
|
||||
│ 压缩子网 │ │ 子网 │ │ 追踪子网 │ │ 子网 │ │ (原始数据) │
|
||||
│(感觉中枢) │ │(海马体) │ │(推理回路)│ │(布洛卡) │ │ │
|
||||
└─────────┘ └────────┘ └────────┘ └────────┘ └────────────┘
|
||||
```
|
||||
|
||||
## 调度 Core（前额叶皮层）
|
||||
|
||||
调度 Core 是整个架构的**总指挥**，类比人脑的前额叶皮层，负责高级认知功能。
|
||||
|
||||
### 核心职责
|
||||
|
||||
1. **任务解析**：接收用户输入，拆解为可执行的子任务序列
|
||||
2. **调度决策**：根据任务类型，决定调用哪些子网及调用顺序
|
||||
3. **信息同步**：维护子网间的共享上下文状态
|
||||
4. **冲突解决**：当子网返回矛盾结果时，启动仲裁机制
|
||||
5. **链路追踪**：记录完整的推理决策路径，支持回溯
|
||||
|
||||
### 工作流程
|
||||
|
||||
```mermaid
|
||||
sequenceDiagram
|
||||
participant User as 用户
|
||||
participant Core as 调度 Core
|
||||
participant RCN as 路由与压缩子网
|
||||
participant MEM as 记忆子网
|
||||
participant LTC as 逻辑链路追踪子网
|
||||
participant LLM as LLM 子网
|
||||
|
||||
User->>Core: 用户输入/任务
|
||||
Core->>RCN: 1. 发送原始输入
|
||||
RCN->>RCN: 特征提取与压缩
|
||||
RCN-->>Core: 返回引用包（RefPack）
|
||||
|
||||
Core->>MEM: 2. 携带引用包检索记忆
|
||||
MEM->>MEM: 搜索知识图谱与情景记忆
|
||||
MEM-->>Core: 返回关联记忆引用包
|
||||
|
||||
Core->>LTC: 3. 发送任务+记忆进行推理
|
||||
LTC->>LTC: MCTS 推理路径搜索
|
||||
LTC->>LTC: 逻辑验证与修正
|
||||
LTC-->>Core: 返回验证后的推理路径
|
||||
|
||||
Core->>LLM: 4. 发送结构化推理结果
|
||||
LLM->>LLM: 结构化→自然语言转换
|
||||
LLM-->>Core: 返回自然语言输出
|
||||
|
||||
Core->>MEM: 5. 更新记忆（本次交互记录）
|
||||
Core-->>User: 返回最终结果
|
||||
```
|
||||
|
||||
### 调度算法伪代码
|
||||
|
||||
```
|
||||
function process(input):
|
||||
# 1. 任务解析
|
||||
task_graph = parse_task(input)
|
||||
|
||||
# 2. 逐节点执行
|
||||
for node in topological_sort(task_graph):
|
||||
# 2a. 路由与压缩
|
||||
refpack = routing_subnet.compress(node.input)
|
||||
|
||||
# 2b. 记忆检索
|
||||
memories = memory_subnet.retrieve(refpack)
|
||||
|
||||
# 2c. 逻辑推理
|
||||
reasoning_path = logic_subnet.reason(refpack, memories)
|
||||
|
||||
# 2d. 若需语言输出
|
||||
if node.requires_language:
|
||||
output = llm_subnet.express(reasoning_path)
|
||||
else:
|
||||
output = reasoning_path
|
||||
|
||||
# 3. 记忆更新
|
||||
memory_subnet.store(interaction_record)
|
||||
|
||||
return output
|
||||
```
|
||||
|
||||
## 子网间通信机制
|
||||
|
||||
### 引用包（RefPack）协议
|
||||
|
||||
所有子网间通信通过 **引用包（Reference Package）** 完成。引用包是一种轻量级的数据结构，包含：
|
||||
|
||||
```json
|
||||
{
|
||||
"refpack_id": "uuid-xxxx",
|
||||
"type": "compressed_feature | memory_chunk | reasoning_path | expression",
|
||||
"metadata": {
|
||||
"source_subnet": "routing_compression",
|
||||
"target_subnet": "memory",
|
||||
"timestamp": 1717200000,
|
||||
"compression_ratio": 0.85,
|
||||
"confidence": 0.92
|
||||
},
|
||||
"payload": {
|
||||
"dim": 768,
|
||||
"data": [0.12, -0.34, ...], // 压缩向量或结构化数据
|
||||
"indices": [1024, 2048, ...] // 冷区索引（可选）
|
||||
},
|
||||
"signature": "sha256-checksum"
|
||||
}
|
||||
```
|
||||
|
||||
### 引用-拉取机制
|
||||
|
||||
1. **引用阶段**：发送方生成轻量级引用包（通常 1-10 KB）
|
||||
2. **路由阶段**：调度 Core 将引用包分发到目标子网
|
||||
3. **拉取阶段**：目标子网根据引用包中的索引，按需从冷区拉取完整数据
|
||||
4. **缓存阶段**：热区缓存常用数据，减少冷区访问频率
|
||||
|
||||
```mermaid
|
||||
graph LR
|
||||
A["发送方子网"] -->|"1. 生成引用包"| B["引用包 (1-10KB)"]
|
||||
B -->|"2. 调度 Core 分发"| C["目标子网"]
|
||||
C -->|"3. 按需拉取"| D["冷区存储"]
|
||||
D -->|"4. 返回完整数据"| C
|
||||
C -->|"5. 缓存热数据"| E["热区缓存"]
|
||||
```
|
||||
|
||||
## 数据流
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
Input["用户输入/多模态数据"] -->|"原始数据"| RCN["路由与压缩子网"]
|
||||
RCN -->|"引用包"| Core["调度 Core"]
|
||||
|
||||
Core -->|"记忆查询"| MEM["记忆子网"]
|
||||
MEM -->|"记忆引用包"| Core
|
||||
|
||||
Core -->|"推理请求"| LTC["逻辑链路追踪子网"]
|
||||
LTC -->|"推理路径"| Core
|
||||
|
||||
Core -->|"表达请求"| LLM["LLM 子网"]
|
||||
LLM -->|"自然语言"| Core
|
||||
|
||||
Core -->|"冷存储"| Cold["冷区存储"]
|
||||
Cold -->|"按需拉取"| Core
|
||||
|
||||
RCN -.->|"引用包索引"| Cold
|
||||
MEM -.->|"批量拉取"| Cold
|
||||
|
||||
Core -->|"最终输出"| Output["用户结果"]
|
||||
|
||||
style Input fill:#e1f5fe
|
||||
style Output fill:#e8f5e9
|
||||
style Core fill:#fff3e0,stroke:#ff9800,stroke-width:3px
|
||||
style Cold fill:#f3e5f5
|
||||
```
|
||||
|
||||
## 关键设计决策
|
||||
|
||||
| 决策 | 选择 | 理由 |
|
||||
|------|------|------|
|
||||
| 子网间通信协议 | 引用包（RefPack） | 轻量级、低延迟、支持异步 |
|
||||
| 冷区存储格式 | 压缩向量 + 倒排索引 | 高压缩率、快速模糊检索 |
|
||||
| 调度策略 | 有向无环图（DAG）调度 | 支持并行执行与依赖管理 |
|
||||
| 错误处理 | 三级降级（重试→降级→报错） | 保证系统鲁棒性 |
|
||||
| 状态同步 | 事件驱动 + 共享内存 | 低延迟、去中心化 |
|
||||
|
||||
## 与现有架构对比
|
||||
|
||||
| 特性 | 传统单一 LLM | Agent + 工具调用 | NextAgent（认知解耦） |
|
||||
|------|-------------|----------------|-------------------|
|
||||
| 知识存储 | 模型参数内隐式存储 | 外部工具/数据库 | 专用记忆子网 |
|
||||
| 推理能力 | 隐式（端到端） | 提示工程驱动 | 专用推理子网 + MCTS |
|
||||
| 幻觉控制 | 无专门机制 | 工具结果覆盖 | 知识-表达解耦，根本上杜绝 |
|
||||
| 可解释性 | 低（黑箱） | 中（可追踪工具调用） | 高（完整推理链路） |
|
||||
| 计算效率 | 每次推理全模型参与 | 按需调用工具 | 冷热分离，仅热数据参与计算 |
|
||||
Reference in New Issue
Block a user