# NextAgent — 认知解耦智能体架构
NextAgent 是一套颠覆传统单一 LLM 模式的**认知解耦智能体架构**。通过模拟人脑的模块化分工，将认知、记忆、推理与表达分离为独立子网，子网间通过**统一张量协议**通信，从根本上解决大模型的**幻觉**问题与**效率瓶颈**。
## 核心架构
```
┌──────────────┐
│ 用户 │
│ (输入/输出) │
└──────┬───────┘
│
┌──────────▼──────────┐
│ 外部输入/输出 │
│ (唯一接入外部路径) │
└──────┬──────┬───────┘
│ │
┌──────▼──┐ ┌─▼────────┐
│ 路由与 │ │ LLM │
│ 压缩子网 │ │ 子网 │
│(唯一输入) │ │(唯一输出) │
│ 多模态 │ │ 自然语言 │
│ 特征提取 │ │ 给用户 │
│ 标签张量 │ │ │
└──────┬──┘ └────┬──────┘
│ │
│ 张量通信层 │
│ (内部通信) │
▼ ▼
┌──────────────────────────┐
│ 调度 Core (内部层) │
│ 启发式调度 · 内部分发 │
│ │
│ ┌──────────┐ ┌────────┐ │
│ │ 记忆子网 │ │ 逻辑子网 │ │
│ │(唯一记忆) │ │(推理回路)│ │
│ │ 自治读写 │ │ 验证重规│ │
│ │ 图DB/向量 │ │ 划/错误│ │
│ │ /文本 │ │ 追溯 │ │
│ └──────────┘ └────────┘ │
└──────────────────────────┘
```
### 边界规则
| 方向 | 路径 | 说明 |
|------|------|------|
| **输入** | 用户 → 路由与压缩子网（唯一） | 所有图像/文本/语音必须经过路由子网，且仅此一路 |
| **输出** | LLM 子网 → 用户（唯一） | 当前仅 LLM 输出自然语言，可扩展图像/视频输出子网 |
| **内部** | 调度 Core + 子网 | Core 是内部调度层，不直接与用户交互 |
| **记忆** | 记忆子网（自治） | 唯一记忆模块。Core 仅传递查询张量+新信息张量，如何更新/删除/修改由记忆子网自行决策 |
### Mermaid 架构图
```mermaid
graph TB
User["用户"] -->|"图像/文本/语音"| RCN["路由与压缩子网
(唯一输入路径)"]
subgraph Internal ["系统内部"]
direction TB
Core["调度 Core
(内部调度层)"]
MEM["记忆子网
(唯一记忆模块·自治)"]
LTC["逻辑链路追踪子网
(推理回路)"]
end
RCN -->|"标签张量"| Core
Core -->|"查询张量+新信息"| MEM
MEM -->|"记忆张量"| Core
Core -->|"推理请求"| LTC
LTC -->|"推理路径张量"| Core
Core -->|"推理路径"| LLM["LLM 子网
(唯一输出路径)"]
LLM -->|"自然语言"| User
LLM -.->|"表达验证张量"| Core
RCN -.->|"滑动窗口保留原始数据"| Raw["临时原始数据"]
Core -.->|"一轮结束后调度处理"| RCN
```
## 通信机制：统一张量协议 (Unified Tensor Protocol)
所有子网间不传递自然语言，而是通过**统一张量协议**通信。该协议基于**适配器模式（Adapter Pattern）**和**门面模式（Facade Pattern）**设计，旨在解决模块异构性与通信效率问题。
### 核心设计模式
#### 适配器模式（编解码层）
每个子网通过一个**编解码层（Codec Layer）**与外部通信，负责将子网内部的私有数据格式（如 PyTorch Tensor、自定义结构等）转换为统一的标准张量格式：
```
┌─────────────┐ ┌───────────────────┐ ┌─────────────┐
│ 子网内部 │ ──→ │ 编码器 (Encoder) │ ──→ │ 标准张量 │
│ 私有格式 │ │ 适配器: 内部→标准 │ │ (统一格式) │
└─────────────┘ └───────────────────┘ └─────────────┘
│
▼
┌─────────────┐ ┌───────────────────┐ ┌─────────────┐
│ 子网内部 │ ←── │ 解码器 (Decoder) │ ←── │ 标准张量 │
│ 私有格式 │ │ 适配器: 标准→内部 │ │ (统一格式) │
└─────────────┘ └───────────────────┘ └─────────────┘
```
**作用**：屏蔽不同子网/框架的实现差异。新的子网只要实现编解码适配器，就能接入系统，无需修改调度 Core 或其他已有模块。
#### 门面模式（统一张量接口）
协议对外暴露统一的、简单的接口，隐藏底层复杂的通信过程：
```python
# 统一接口门面 (Facade)
interface TensorBus:
def send(tensor: StandardTensor, target: str) -> None
def recv(source: str) -> StandardTensor
```
调度 Core 和各子网无需关心数据是通过共享内存、NPU 显存直传还是 TCP/IP 传输，只需与统一的张量门面交互。
### 标准张量格式
```
┌─────────────────────────────────────────────┐
│ 标准张量 (Standard Tensor) │
├─────────────────────────────────────────────┤
│ Header: 源子网 · 目标子网 · 类型 · 时间戳 │
│ Metadata: 维度 · 精度 · 压缩率 · 置信度 │
│ Payload: 实际数据（向量/结构化数据） │
│ Signature: SHA-256 校验 │
└─────────────────────────────────────────────┘
```
### 核心优势
#### 动态并网与即插即用
- 新的子网只需实现编解码适配器即可向 Core 注册，支持**运行时热插拔**
- 各子网独立迭代算法，接口不变即不影响系统稳定性
- 支持运行时根据需求动态创建/销毁子网
#### 零拷贝（Zero-Copy）
在支持分布式能力的系统上，张量可通过**内核旁路技术**直接在设备间传递内存地址，避免将数据从 NPU/GPU 搬回 CPU 再打包的昂贵序列化开销。
#### 硬件亲和性
张量是 NPU/GPU 的**原生计算单元**，协议允许数据在设备内存池中直接流转，无需格式转换，大幅降低延迟和 CPU 占用。
#### 高数据保真度
相比于文本或 JSON 协议，张量能**无损传递高维特征图、注意力权重矩阵**等复杂数值结构，确保传递的是完整的"思维向量"而非降维后的符号化描述。
## 调度方式：启发式调度
Core 的调度是启发式的，非流式管线。每次收到数据包后动态决策：
1. 路由子网处理输入 → 生成标签张量 → 交给 Core
2. Core 根据标签判断任务类型，调用记忆子网检索上下文
3. 根据记忆结果决定下一步——可能再次调路由提取、送逻辑推理、再查记忆……
4. 反复、多方式调用子网，逐步收敛
5. 将子网结果聚合 → 交记忆子网自主更新
6. 本轮结束后，Core 再调度路由子网对暂存的原始数据进行处理（标签生成、压缩、归档）
## 子网职责
| 子网 | 角色 | 核心职责 |
|------|------|---------|
| **路由与压缩子网** | 🚪 唯一输入路径 | 处理多模态输入，生成标签张量，滑动窗口暂存原始数据 |
| **记忆子网** | 🧠 唯一记忆模块（自治） | 独立管理图数据库+向量数据库+文本三级存储，自行决策如何更新/删除/修改 |
| **逻辑链路追踪神经网络** | 🔗 推理回路 | 逻辑验证、错误追溯、路径重规划、自我修正 |
| **LLM 子网** | 📤 唯一输出路径 | 结构化→自然语言给用户 + 表达验证张量给Core |
| **调度 Core** | 🎯 内部调度层 | 启发式统筹调度，不直接与用户交互 |
## 设计哲学
### 🧠 认知解耦 — 解决"幻觉"问题
传统单一 LLM 的幻觉根源：**知识存储与语言表达在同一网络中耦合**。NextAgent 将两者解耦：
- **记忆子网** 独立负责知识存储与检索
- **逻辑推理子网** 独立负责推理验证
- **LLM 子网** 只负责语言表达，**从不"猜测"事实**
- Core 通过分析 LLM 返回的表达验证张量来判断输出正确性
### 🔒 严格的输入/输出边界
```
输入 → [路由子网] → [Core+记忆+逻辑] → [LLM] → 输出
唯一入口 内部 唯一出口
```
- 路由子网是**唯一**与外部输入交互的组件
- LLM 子网是**唯一**与外部输出交互的组件
- Core 是**纯内部层**，不暴露给用户
- 记忆子网是**唯一记忆模块**，Core 不越权直接操作记忆
### ⚡ 效率与灵活性
- **张量通信**：子网间传递轻量级张量
- **滑动窗口**：路由子网暂存原始数据，一轮结束后再处理
- **记忆自治**：记忆子网自主决定存储策略
## 快速开始
```bash
# 克隆仓库
git clone ssh://git@jianfgit.xyz:220/jianf/NextAgent.git
cd NextAgent
# 查看文档
# 架构总览：docs/architecture-overview.md
# 子网细节：docs/routing-compression-subnet.md
# docs/memory-subnet.md
# docs/logic-trace-subnet.md
# docs/llm-subnet.md
```
## 目录结构
```
NextAgent/
├── README.md # 项目概述（本文件）
├── docs/
│ ├── architecture-overview.md # 架构总览（核心）
│ ├── routing-compression-subnet.md # 路由与压缩子网
│ ├── memory-subnet.md # 记忆子网
│ ├── logic-trace-subnet.md # 逻辑链路追踪神经网络
│ └── llm-subnet.md # LLM 子网
├── src/
│ ├── core/ # 调度 Core
│ │ ├── scheduler.py # 启发式调度引擎
│ │ ├── task_parser.py # 任务解析器
│ │ └── memory_aggregator.py # 记忆聚合器
│ ├── protocol/ # 张量协议层
│ │ ├── tensor_schema.py # 标准张量定义
│ │ ├── encoder.py # 编码器基类
│ │ └── decoder.py # 解码器基类
│ ├── subnets/ # 子网实现
│ │ ├── routing_compression/ # 路由与压缩子网（唯一输入）
│ │ ├── memory/ # 记忆子网（图DB+向量DB+文本）
│ │ ├── logic_trace/ # 逻辑链路追踪子网
│ │ └── llm_expression/ # LLM 表达子网（唯一输出）
│ └── storage/ # 存储层
│ ├── graph_db/ # Neo4j 图数据库客户端
│ ├── vector_db/ # 向量数据库客户端
│ └── text_store/ # 文本记忆存储
├── tests/
├── config/
└── requirements.txt
```
## 文档索引
| 文档 | 内容 |
|------|------|
| [架构总览](docs/architecture-overview.md) | 整体设计、张量协议、启发式调度、边界规则 |
| [路由与压缩子网](docs/routing-compression-subnet.md) | 唯一输入路径、滑动窗口、标签张量、两阶段处理 |
| [记忆子网](docs/memory-subnet.md) | 唯一记忆模块、自治读写、三级存储（参考 TrulyMEM）|
| [逻辑链路追踪神经网络](docs/logic-trace-subnet.md) | RLHF+PRM、MCTS、自我修正训练 |
| [LLM 子网](docs/llm-subnet.md) | 唯一输出路径、双输出通道、表达验证训练 |
---
> NextAgent — 让智能体像人脑一样思考，模块化、可解释、可信赖。