bf0af3709c
Key corrections: - Subnets communicate via Standard Tensor Protocol, not natural language - Core scheduling is heuristic (non-linear), not pipeline-based - LLM subnet has dual output: natural language→user, expression tensor→Core - Core aggregates subnet results → memory update parameter tensor → memory subnet - Added TrulyMEM-style graph DB (Neo4j) reference in memory-subnet.md - LLM is demoted to specialized language generation engine - All docs include correct tensor schemas, architecture diagrams, and training plans
202 lines
11 KiB
Markdown
202 lines
11 KiB
Markdown
# 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
|
||
|
||
```mermaid
|
||
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：自定义张量协议
|
||
|
||
所有子网间不传递自然语言，而是通过**标准张量协议（Standard Tensor Protocol）**通信：
|
||
|
||
```
|
||
┌─────────────────────────────────────────────┐
|
||
│ 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 │
|
||
└─────────────────────────────────────────────┘
|
||
```
|
||
|
||
各模型通过**编码层（Encoder）**将内部张量转换为标准张量，通过**解码层（Decoder）**将标准张量还原为内部张量。
|
||
|
||
## 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
|
||
|
||
```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](docs/architecture-overview.md) | 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](docs/routing-compression-subnet.md) | 多模态编码、压缩训练、张量化训练 |
|
||
| [记忆子网](docs/memory-subnet.md) | 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](docs/logic-trace-subnet.md) | RLHF+PRM、MCTS、自我修正训练 |
|
||
| [LLM 子网](docs/llm-subnet.md) | 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。
|