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，子网间通过自定义张量协议通信，从根本上解决大模型的幻觉问题与效率瓶颈。

核心架构

┌─────────────────────────────────────────────────────────────────────┐
│                          应用层 (CLI/API/SDK)                        │
└──────────────────────────────┬──────────────────────────────────────┘
                               │
┌──────────────────────────────▼──────────────────────────────────────┐
│                       调度 Core (前额叶皮层)                          │
│              启发式调度 · 逻辑判断 · 任务解析 · 记忆聚合              │
│    ┌──────────────┐ ┌──────────────┐ ┌────────────────────────┐    │
│    │  任务解析器    │ │ 调度策略引擎  │ │    记忆聚合器           │    │
│    │  拆解用户意图  │ │ 启发式调度规则 │ │ 汇总子网结果→记忆参数包 │    │
│    └──────────────┘ └──────────────┘ └────────────────────────┘    │
└──────┬──────┬──────┬──────┬──────┬──────┬──────┬───────────────────┘
       │      │      │      │      │      │      │
       │      └──张量通信层──┐      │      │      │
       │     (Standard Tensor Protocol)   │      │
       ▼                      ▼          ▼      ▼
┌──────────┐          ┌──────────┐ ┌──────────┐ ┌──────────┐
│ 路由与压缩 │  ←──→   │  记忆子网  │ │ 逻辑链路  │ │ LLM 子网  │
│(感觉中枢)  │ 张 量    │(海马体/皮层)│ │追踪神经网络│ │(布洛卡区) │
│           │         │           │ │ (推理回路) │ │          │
│ 多模态     │         │ 图数据库    │ │ 逻辑验证  │ │ 自然语言→用户 │
│ 特征提取   │         │ 向量数据库  │ │ 自我修正  │ │ 表达张量→Core │
│ 信息压缩   │         │ 文本记忆    │ │ 路径重规划 │ │          │
└──────────┘          └──────────┘ └──────────┘ └──────────┘
                               │
                               ▼
                    ┌────────────────────┐
                    │  存储层 (冷区存储)   │
                    │  原始数据 · 索引     │
                    └────────────────────┘

Mermaid 架构图

graph TB
    User["用户"] -->|"自然语言/多模态输入"| Core["调度 Core<br/>(前额叶皮层)"]
    
    subgraph TensorLayer ["张量通信层 (Standard Tensor Protocol)"]
        direction LR
        TE["编码层<br/>Encoder: 内部张量→标准张量"]
        TD["解码层<br/>Decoder: 标准张量→内部张量"]
    end

    subgraph Subnets ["四大子网"]
        RCN["路由与压缩子网<br/>(感觉中枢)<br/>多模态→标准张量"]
        MEM["记忆子网<br/>(海马体与皮层)<br/>图DB+向量DB+文本"]
        LTC["逻辑链路追踪<br/>神经网络<br/>(推理回路)"]
        LLM["LLM 子网<br/>(布洛卡区/表达核)"]
    end
    
    Cold["冷区存储<br/>原始数据"]

    Core -->|"启发式调度"| RCN
    Core -->|"启发式调度"| MEM
    Core -->|"启发式调度"| LTC
    Core -->|"启发式调度|张量"| LLM

    RCN -.->|"标准张量"| Core
    MEM -.->|"记忆检索张量"| Core
    LTC -.->|"推理路径张量"| Core
    LLM -.->|"表达验证张量"| Core

    LLM -->|"自然语言"| User
    
    Core -->|"记忆更新参数张量"| MEM
    MEM -->|"读写"| Cold

    RCN -.-> Cold
    LTC -.-> Cold

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、MindSpore Tensor 或自定义结构）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。新的子网只要实现对应的编解码器（Adapter），就能接入系统，无需修改调度 Core 或其他已有模块的代码。

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：

# 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鸿蒙软总线、NPU 共享显存还是 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器即可向 Core 注册，实现运行时热插拔
• 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

调度方式：启发式调度

Core 的调度不是线性流式的。每次收到数据包后：

1. 解析输入 → 判断任务类型
2. 调用记忆子网检索上下文
3. 根据记忆结果决定：是否再次调用路由提取输入 → 送逻辑推理 → 再查记忆 → ...
4. 反复、多方式调用子网，逐步收敛到最终结果
5. 将所有子网结果聚合，打包为记忆更新参数包 → 送记忆子网更新

四大子网概述

子网	类比人脑	核心职责	通信方式
路由与压缩子网	感觉中枢	多模态特征提取、信息压缩、引用张量生成	标准张量
记忆子网	海马体与皮层	图数据库+向量数据库+文本三级记忆存储与检索	记忆检索张量 / 记忆更新参数张量
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	推理路径张量
LLM 子网	布洛卡区/表达核	结构化→自然语言（给用户）+ 表达验证张量（给Core）	表达验证张量

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 负责存储和检索事实知识（图数据库 + 向量数据库）
• 逻辑推理子网 负责验证推理链的正确性
• LLM 子网 只负责将结构化信息转换为自然语言，从不"猜测"事实
• Core 收到 LLM 返回的表达验证张量来判断 LLM 是否正确表达了推理结果

⚡ 效率与灵活性 — 冷热数据分离

• 热区（张量通信层）：子网间传递轻量级张量，仅携带元数据和向量
• 温区（图数据库）：结构化知识图谱，支持 Cypher 查询
• 冷区（原始存储）：完整原始数据，按需拉取

🎯 LLM 下位化

LLM 不再是"全知怪物"，而是降级为专业的语言生成引擎：

• 知识来源：记忆子网 → 不依赖 LLM 自身参数知识
• 逻辑来源：推理子网 → LLM 不负责推理
• 输入：结构化推理路径张量 → 不是原始问题

快速开始

# 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                 # 编码层
│   │   └── decoder.py                 # 解码层
│   ├── subnets/                       # 四大子网实现
│   │   ├── routing_compression/       # 路由与压缩子网
│   │   ├── 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
│   └── 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/                             # 测试套件
├── config/                            # 配置文件
└── requirements.txt                   # 依赖

文档索引

文档	内容
架构总览	整体设计、张量协议、启发式调度、记忆更新机制
路由与压缩子网	多模态编码、压缩训练、张量化训练
记忆子网	三级存储、图数据库设计、训练计划（参考 TrulyMEM）
逻辑链路追踪神经网络	RLHF+PRM、MCTS、自我修正训练
LLM 子网	双输出通道、SFT/RLHF 微调、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。