Autonomous Thought Graph Dspy

🧠 自主思维图生成器

一个由DSPy驱动的系统，能够自主生成思维图，并通过Pydantic基础模型进行LLM驱动的状态管理。具有带有GraphVis可视化的web UI和用于集成的MCP服务器。

🌟 主要特点

自主处理

• 单DSP签名: ReactSignature 通过推理处理所有操作
• 单个模块: AutonomousThoughtReactor 自主管理自己的状态
• LLM状态管理：系统通过基本模型决定自己的处理流程
• Try/Except/Finally循环：具有恢复机制的强大错误处理

灵活的输入/输出

• 扩展输入：灵活的输入模型，可接受任何其他字段
• 统一输出：将所有可能的输出与嵌套的基本模型结合起来
• 粒度基础模型：思维、连接、思维图、处理上下文、验证结果

Web UI和可视化

• 要求掌握交互图：HTML5+GraphVis可视化
• 实时处理：显示自主决策过程
• 漂亮的UI：具有悬停效果的现代渐变设计

MCP服务器

• 4工具：生成、验证、扩展想法并获取统计数据
• 应用程序接口：与MCP协议完全集成
• 异步支持：非阻塞操作

🚀 快速开始

安装

cd thought_graph
pip install -r requirements.txt

运行模式

1.演示模式（自主处理）

python main.py demo

显示自治系统处理不同输入的完整日志记录。

2.Web UI模式

python main.py web

在以下位置启动web服务器http://localhost:52336

3.MCP服务器模式

python main.py mcp

启动MCP服务器以与其他工具集成。

🏗️ 建筑

核心组件

1.自主反应堆(AutonomousThoughtReactor)

class AutonomousThoughtReactor(dspy.Module):
    def forward(self, expanded_input: ExpandedInput, use_fake_data: bool = True) -> UnifiedOutput:
        # Main autonomous loop with try/except/finally
        while context.should_continue and context.iteration_count < context.max_iterations:
            try:
                # LLM decides next action based on current state
                result = self._process_with_llm(expanded_input, context, graph)
                # Update state based on LLM decision
            except Exception as e:
                # Error handling and recovery
            finally:
                # Always update output with current state

2.单一签名(ReactSignature)

class ReactSignature(dspy.Signature):
    """React to input and context, managing own state autonomously through reasoning."""
    input_data = dspy.InputField(desc="Input data as JSON string containing ExpandedInput model")
    context = dspy.InputField(desc="Current processing context as JSON string")
    reasoning = dspy.OutputField(desc="Step-by-step reasoning about what to do next")
    action = dspy.OutputField(desc="Next action to take")
    output_data = dspy.OutputField(desc="Output data as JSON string containing UnifiedOutput model")
    updated_context = dspy.OutputField(desc="Updated processing context as JSON string")

3.带嵌套的基础模型

class ProcessingContext(BaseModel):
    """Context for LLM to manage its own state"""
    current_state: SystemState = SystemState.INITIALIZING
    iteration_count: int = 0
    should_continue: bool = True
    reasoning: str = ""
    next_action: str = ""

class UnifiedOutput(BaseModel):
    """Union of all possible outputs with nesting"""
    graph: Optional[ThoughtGraph] = None
    validation: Optional[ValidationResult] = None
    context: Optional[ProcessingContext] = None
    thoughts: Optional[List[Thought]] = Field(default_factory=list)
    connections: Optional[List[Connection]] = Field(default_factory=list)
    
    class Config:
        extra = "allow"  # Allow additional fields

状态流

1. 初始化 → 设置初始上下文
2. 处理 → 产生初步想法
3. 扩大 → 建立联系和更深入的思考
4. 确认 → 检查质量和完整性
5. 完成 → 最终确定输出
6. 错误 → 处理错误并尝试恢复

🎨 Web UI功能

• 交互式图形可视化：单击节点查看详细信息
• 实时生成：观察自主过程的展开
• 漂亮的设计：带有渐变和动画的现代UI
• 响应式：适用于台式机和移动设备
• 输入示例：从预定义的示例快速开始

🔧 MCP服务器工具

1. generate_thought_graph

根据输入文本生成完整的思维图。

2. validate_thought_graph

验证现有图表并提供反馈。

3. expand_thought

用相关概念扩展特定的思想。

4. get_graph_statistics

获取关于思维图的详细统计数据。

📊 输出示例

{
  "success": true,
  "input_text": "artificial intelligence",
  "graph": {
    "thoughts": [
      {
        "id": "abc123",
        "content": "Machine learning algorithms that can adapt and learn",
        "thought_type": "concept",
        "confidence": 0.85,
        "depth": 1
      }
    ],
    "connections": [
      {
        "source_id": "abc123",
        "target_id": "def456",
        "relationship": "leads to",
        "strength": 0.7
      }
    ]
  },
  "processing_log": {
    "iterations": 5,
    "final_state": "completed",
    "reasoning": "Generated comprehensive thought network with balanced coverage"
  }
}

🧪 测试

# Test MCP tools
python test_mcp.py

# Test web API
curl http://localhost:52336/api/generate/creativity

# Test autonomous processing
python main.py demo

🔮 高级用法

自定义上下文

expanded_input = ExpandedInput(
    original_text="quantum computing",
    context={
        "focus": "technical_depth",
        "style": "academic"
    },
    preferences={
        "max_depth": 4,
        "creative_mode": False
    },
    domain_knowledge="physics"  # Extra field allowed
)

真正的LLM集成

更换模拟LM dspy_program.py:

import dspy
lm = dspy.OpenAI(model="gpt-4", max_tokens=500)
dspy.settings.configure(lm=lm)

🤝 贡献

1. 分叉存储库
2. 创建要素分支
3. 添加新功能的测试
4. 提交拉取请求

📝 许可证

MIT许可证-有关详细信息，请参阅许可证文件。

______________________________________________________________________

内置于❤️ 使用DSPy、Pydantic、FastAPI和GraphVis