NextAgent/docs/architecture-overview.md

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

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：

{
  "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

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

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