Endogen AI

@接入/内生AI

从内到外构建专用AGI系统的实验性MCP框架——基于 人类大脑的已知结构，旨在从形态发生种子中构建和扩展自己。

快速开始

git clone https://github.com/AccessiTech/EndogenAI.git
cd EndogenAI
pnpm install
docker compose up -d
pnpm run dev

然后访问 http://localhost:3001 有关web界面（网关+浏览器客户端），请参阅 docs/guides/getting-started.md 了解完整的环境设置演练。

指导原则

基础的

• 神经形态设计：该框架中的每个设计决策都基于

哺乳动物大脑——模块化、并行处理、分层组织和适应性学习。生物的 组织是主要的设计隐喻，而不是事后应用的类比。

- 评估尖峰神经元和事件驱动计算框架作为模块的候选基板，其中 生物启发的加工模式是有益的。根据社区活动、硬件路径进行选择 以及与MCP通信层的可用性和兼容性： - 能哥 - 英特尔熔岩 （为Loihi） - SpiNNaker/PyNN - 巢 - Brian2 - BindsNET

• 代理模块化：每个模块都体现了一个单一的、定义明确的认知功能——感知、记忆、，

决策、运动控制——反映了大脑区域的功能特化。开发模块 独立并无缝集成到整个框架中。

- 模块可以用不同的编程语言实现；所有通信都通过标准化协议进行 由MCP框架定义。 - 最小化模块间的依赖关系：模块只交换其定义功能所需的上下文， 保持独立性和可替换性。

• 内生生长：该框架旨在从内部生成和扩展自身，就像一颗携带

它将成为生物体的蓝图。存储库结构、模块脚手架和知识库是 不是由人类建筑师独自自上而下组装的；它们从系统自己的编码模式、惯例和规则中出现， 以及自我参考文件。这一原则是以 自创生 --系统的生物学性质 其不断产生其自身连续性所需的组件。

- 基于自动生成对存储库生命周期进行建模：进入系统的每个组件都应该为 系统生产更多组件的能力。 - 对待 resources/static/knowledge/ 和 brain-structure.md 随着 形态发生种子 --初始编码 所有模块类比、接口和约定都从中推导出来。 - 更喜欢 内源性支架：新的模块模板、模式和存根应该可以从现有的生成 系统知识，不是孤立地从头开始编写的。 - 框架应该能够推理自己的架构，并提出自己的扩展—— 任何追求通用智能的系统的必要前提。

建筑的

• 本地计算优先：优先考虑模块内的本地计算和数据存储，尽量减少对

外部API或云服务。与大脑一样，该系统应该通过以下方式最大限度地提高单位能量的有用认知 保持处理接近信号的来源。

- 执行a 本地优先执行政策：在设备上执行推理、检索、规划和编排，或 默认情况下为本地主机；仅当某项功能在本地确实不可用或 政策明确要求。 - 评估 WebMCP 对于从低延迟本地上下文处理和 减少往返次数。 - 将外部服务视为 增强，而非依赖：当需要云API时（专用模型， 重批处理工作负载），通过显式接口、策略门和可审计的回退行为进行集成。 - 优化为 延迟、隐私、弹性和能效：本地处理减少了网络瓶颈， 限制数据暴露，并在远程系统不可用时保持优雅的降级。 - 应用 缓存、负载平衡和并行处理 最大限度地提高吞吐量并保持响应速度 系统在复杂性上具有可扩展性。

• 可扩展性和可扩展性：该架构适应日益增长的复杂性，并支持持续

新模块和功能的集成。可以添加新模块，而不需要对 现有的。

- 使用微服务架构、容器化和编排（例如Kubernetes）来支持分布式 部署和横向扩展。 - 设计模块接口，使其版本化并向后兼容，从而实现增量升级，而无需整个系统 中断。

技术的

• 标准化通信协议：所有模块间通信均遵循MCP定义的标准

A2A框架。看 模块上下文协议（MCP）框架 和 代理到代理协议（A2A）框架.

- 使用 mdn-mcp 作为主要的通信骨干；层 A2A 负责代理之间的任务协调和委托。 - 支持同步和异步通信模式，以适应各种模块间通信 交互类型。

• 稳健性和容错性：通过错误检测机制，优雅地处理每一层的故障，

恢复和冗余。

- 在模块边界实施结构化日志记录、分布式跟踪和实时监控，以检测和 及时诊断故障。 - 复制关键模块并定义明确的回退行为，以确保在单独操作时继续运行 模块或依赖关系失败。

交叉切割

• 安全与隐私设计：安全和隐私从一开始就嵌入到架构中，而不是

改装。每个模块接口都被视为潜在的攻击面，并相应地硬化。

- 强制模块沙盒、严格的功能隔离和最低权限访问控制：任何模块都不应访问 超出其定义功能所需的资源或上下文。 - 验证并净化层边界处的所有输入；强化模块间接口，防止快速注入数据 例如焦虑、渗出和上下文中毒。 - 尽量减少对个人和敏感数据的处理：首选设备上处理，在可行的情况下匿名化，并应用 明确的数据保留和删除策略。

• 可观察性设计：系统公开了理解、调试和改进自身所需的信息

运行时的行为——一个一流的架构要求，而不是事后的想法。这一原则强化了 元认知与监控层.

- 通过一致的可查询界面从所有模块发出结构化遥测（日志、指标、跟踪）。 - 仪器层间信号流，实现从感觉输入到效应器的端到端决策跟踪 输出。 - 维护代理决策、上下文状态和工具调用的可审计记录，以支持调试、事后分析 分析和问责制。

• 伦理考量：AGI系统的开发和部署必须以透明度为指导，

问责制和尊重人类价值观。

- 清晰地记录系统的架构、决策过程和数据使用策略，并加以保存 所有利益相关者都可以访问。 - 实施审计和监督机制，以便利益相关者能够审查行动、质疑结果并保持 系统负责。 - 主动评估潜在的社会影响；包括减轻危害和确保技术的规定 服务于人类的利益。

架构概述

该架构被组织成分层组，反映了大脑自下而上的双向信号处理 认知反馈和适应性学习。MCP和A2A是 跨领域基础设施 --它们不是按顺序排列的 层，而是跨越所有组的通信骨干。看 模块上下文协议（MCP）框架 和 代理到代理协议（A2A）框架.

信息流 自下而上的 （输入→ 感知→ 认知→ 动作）用于刺激驱动的处理，以及 自上而下的 （执行→ 决策→ 注意力→ 感官）用于目标导向的调节——反映大脑的运作方式 同时连续使用这两种途径。

第一组：信号处理

• 感官/输入层：从环境中获取原始输入-文本、图像、音频、API事件和传感器

溪流。类似于感觉皮层（视觉、听觉、体感）。此层的模块不执行任何操作 语义解释；它们对信号进行归一化、时间戳和向上转发。

• 注意力和过滤层：根据显著性、相关性和当前目标来屏蔽和路由传入信号。

类似于丘脑和注意力网络。防止较低级别的噪声饱和较高级别的处理和 支持从执行/代理层自上而下的注意力调节。

• 感知层：从过滤后的信号中提取有意义的特征和模式——对象识别、语言

理解、场景解析和多模态融合。类似于联合皮层。向上馈入记忆 并从更高层接收自上而下的先验信息。

第二组：认知加工

• 内存层：跨多个时间尺度存储和检索信息——工作记忆（即时上下文），

短期记忆（会话状态）、长期记忆（持久知识）和情景记忆（事件序列）。 类似于海马体和相关结构。与感知（编码）双向耦合 决策（检索）。

• 情感/动机层：为信息和目标分配情感权重、紧迫感和动力。生产

奖励信号和优先级线索，调节记忆巩固和决策。类似于边缘 系统（杏仁核、下丘脑、伏隔核）。对现实的目标导向行为至关重要，在 纯逻辑架构。

• 决策与推理层：整合来自记忆、情感和感知层的信号，以产生

选择、计划和判断。涵盖逻辑推理、因果推理、不确定性下的规划和冲突 决心类似于前额叶皮层。从执行/代理层接收自上而下的约束。

第三组：执行和产出

• 执行/代理层：保持代理的身份、持久目标、价值观、政策和高级推理

战略。以自上而下的方式引导注意力并调节下层。涵盖自我意识、社会认知、， 以及元级目标管理。类似于额叶。

• 代理执行（运行时）层：根据决策编排和执行功能——函数调用，

工具使用、技能管道和自动化工作流程。处理任务分解、工具/功能选择、排序、， 以及模块间协调。一个专注的执行和编排层，与目标设定和策略不同 它上面的执行/代理层的担忧。

• 电机/输出/效应器层：将操作传递到环境中—API调用、消息调度、文件写入、，

输出信号、渲染输出和控制信号。类似于运动皮层和小脑。负责可靠， 低延迟动作执行和反馈确认备份堆栈。

第四组：自适应系统 _（横向）_

这些层次在所有群体中运作，提供持续的反馈和自我提升，不受任何单一群体的限制 加工阶段。

• 学习和适应层：处理反馈信号（错误、奖励、结果）以改进模块行为

时间。涵盖强化信号、参数更新、行为调节和技能习得。类似于 基底节和小脑。

• 元认知与监控层：观察系统自身的处理过程——跟踪置信度、检测错误、，

评估性能并触发纠正措施。类似于前扣带皮层和前额叶 监控电路。馈入学习和适应层，并可将异常情况直接上报给高管/ 代理层。

第五组：接口

• 应用层：终端用户或外部系统交互的界面——聊天机器人、API、仪表板、，

以及特定领域的应用。将请求路由到传感器/输入层，并处理电机的输出/ 输出/效应器层。

______________________________________________________________________

基础设施说明MCP和A2A不是认知层。他们构成了沟通和协调的支柱 涵盖上述所有组的协议。看 模块上下文协议（MCP）框架 和 代理到代理协议（A2A）框架.

模块上下文协议（MCP）框架

MCP框架为不同代理模块之间的通信和交互提供了一个标准化的协议。 它定义了消息的结构和格式，以及模块如何请求和共享的规则 信息。

• 主干标准： mdn-mcp：该框架应通过

mdn mcp 作为所有模块间上下文交换的核心通信骨干。

• 所有代理模块都应该实现 mdn-mcp-用于请求/响应处理、上下文的兼容接口

传播、能力发现和状态同步。

• 任何附加协议（包括A2A模式）都应该分层 mdn-mcp 确保一致性

互操作性、更简单的工具和降低整个系统的集成复杂性。

代理到代理协议（A2A）框架

A2A框架应使用 A2A项目规范 作为标准 直接代理到代理交互、任务委托和多代理协调。

• 主要A2A标准： A2A：实现自主模块之间结构化通信的A2A协议

作为代理人。

- 定义明确的代理标识、通告的功能和支持的任务模式。 - 使用A2A消息模式进行发现、协商、委托、进度更新和结果交付。 - 支持跨分布式模块的异步执行和长时间运行的任务编排。 - 包括标准化的错误处理、重试和超时行为，以实现健壮的代理间工作流。

• MCP+A2A互操作性模型:

- 保持 mdn-mcp 作为共享上下文骨干和全系统状态交换层。 - 上层A2A交互，用于以代理为中心的协调和协作执行。 - 提供适配器组件，以便每个模块都可以参与MCP上下文交换和A2A任务协议 没有重复的逻辑。

• 实施指南:

- 将消息格式、生命周期事件和能力元数据与上游A2A参考实现和 文档。 - 随着A2A的发展，添加一致性测试以验证协议兼容性。 - 版本锁定并定期审查A2A依赖关系，以维护兼容性和安全性。

文件目录

项目文件目录结构的概述，包括每个文件的描述及其在 总体框架。

根

• README.md --项目概述、快速入门指南和详细文档链接
• CONTRIBUTING.md --贡献指南、编码标准和PR流程
• CHANGELOG.md --版本历史和发行说明
• LICENSE --开源许可证
• .gitignore --存储库范围内的忽略规则
• docker-compose.yml --用于开发和集成测试的本地多服务编排

______________________________________________________________________

文档

docs/ --项目范围内的文件

• architecture.md --完整的架构概述、层描述和信号流图

protocols/

• mcp.md --MCP（mdn-MCP）集成指南：消息格式、上下文传播、能力发现
• a2a.md --A2A协议指南：代理身份、技能模式、任务生命周期和互操作性模型

guides/

• getting-started.md --环境设置和首次运行演练
• toolchain.md --开发者工具链参考：linting、类型检查、预提交钩子、buf和提交约定
• adding-a-module.md --创建新认知模块的分步指南
• deployment.md --容器化、Kubernetes和扩展指南
• security.md --安全模型、沙盒策略和最低权限模式
• observability.md --遥测设置、跟踪和仪表板使用

______________________________________________________________________

共享

shared/ --跨模块资产在所有层组之间共享

schemas/ --MCP上下文信封和A2A消息类型的规范JSON/Protobuf模式

• mcp-context.schema.json --MCP上下文对象模式
• a2a-message.schema.json --A2A消息信封模式
• a2a-task.schema.json --A2A任务生命周期模式

types/ --共享类型定义（与语言无关的IDL或JSON模式）

• signal.schema.json --层间传递的公共信号包络
• memory-item.schema.json --统一的内存记录结构
• reward-signal.schema.json --奖励/情感权重结构

utils/ --与语言无关的实用程序规范和参考实现

• logging.md --结构化日志格式规范
• tracing.md --分布式跟踪上下文传播规范
• validation.md --输入净化和边界验证模式

vector-store/ --后端无关的矢量存储适配器接口 _（由所有具有嵌入式状态的模块使用）_

• adapter.interface.json --语言无关的接口契约： upsert, query, delete, create-collection,

drop-collection, list-collections

• collection-registry.json --跨模块的所有命名集合的规范注册表；命名规范

brain.；启动时集合配置的真实来源

• chroma.config.schema.json — 色度数据库 适配器配置模式 _（默认；嵌入式本地模式，

零基础设施）_

• qdrant.config.schema.json — Qdrant 适配器配置模式 _（推荐用于生产；

高性能、可过滤）_

• pgvector.config.schema.json — pg向量 适配器配置模式 _（适用于Postgres本地人

部署）_

• embedding.config.schema.json --嵌入提供程序配置模式：提供程序、模型、基本URL、维度和

后备策略

• README.md --适配器模式、集合命名空间约定、后端选择指南、，

奥拉马 集成，以及本地与生产建议

______________________________________________________________________

基础设施

infrastructure/ --MCP和A2A通信骨干网 _（不是认知层；跨领域基础设施）_

mcp/ --mdn-mcp骨干网实现

• src/ --MCP服务器、上下文代理、能力注册表和状态同步
• tests/ --MCP上下文交换的单元和集成测试
• config/ --特定于环境的MCP配置
• README.md --MCP模块用途、接口合同和使用

a2a/ --A2A协议实现

• src/ --A2A服务器、请求处理程序、代理卡端点和任务编排器
• tests/ --单元和集成测试；A2A一致性测试套件
• config/ --A2A环境配置和版本锁定设置
• README.md --A2A模块用途、代理卡格式和用法

adapters/ --MCP+A2A互操作性网桥

• src/ --适配器组件使模块能够参与MCP上下文交换和A2A任务协议

没有重复逻辑

• tests/ --适配器单元和集成测试
• README.md --适配器架构和集成模式

______________________________________________________________________

模块

modules/ --所有认知模块，按架构层组组织

group-i-signal-processing/ --第一组：信号处理

sensory-input/ — _感官/输入层_ --类似于感觉皮层（视觉、听觉、体感）；接收并规范原始环境信号

• src/ -信号接收、规范化、时间戳和上行调度（文本、图像、音频、API事件、传感器

流）

• tests/ --单元和集成测试
• config/ --输入源配置和信号格式映射
• docs/ --层描述、接口契约和信号模式引用
• agent-card.json --A2A代理人身份和能力声明（送达至 /.well-known/agent-card.json)
• README.md --模块用途、输入/输出和使用

attention-filtering/ — _注意力和过滤层_ --类似于丘脑和注意网络；基于显著性、相关性和当前目标的门和路线信号

• src/ --显著性评分、相关性过滤、信号路由和自上而下的注意力调制接口
• tests/ --单元和集成测试
• config/ --阈值和路由策略配置
• docs/ --层描述和注意浇口设计注意事项
• agent-card.json --A2A代理身份和能力声明
• README.md --模块用途、输入/输出和使用

perception/ — _感知层_ --类似于联合皮层；从滤波信号中提取特征和模式

• src/

- feature-extraction/ --特征提取、模式识别、语言理解、场景解析和 多模态融合 - vector-store/ --管理 brain.perception 收藏；嵌入提取的跨会话特征表示 模式检索与相似性搜索

• tests/ --单元和集成测试
• config/

- pipeline.config.json --模型参考和感知管道配置 - vector-store.config.json --后端和集合配置 brain.perception

• docs/ --层描述、支持的模式和融合策略
• agent-card.json --A2A代理身份和能力声明
• README.md --模块用途、输入/输出和使用

group-ii-cognitive-processing/ --第二组：认知加工

memory/ — _内存层_ --类似于海马体和相关结构；跨时间尺度存储和检索信息

• working-memory/ --即时上下文缓冲区；活动LLM上下文窗口。纯进程内键值存储--否

矢量数据库（客户流失率过高，延迟严重）。每转一圈，查询 brain.short-term-memory 和 brain.long-term-memory 通过检索增强查找，用最相关的会话填充上下文窗口 以及持久的知识，使令牌的使用最小化。项目在驱逐时向上巩固为偶发/长期。 - src/ - context-store/ --进程中KV存储：读、写、驱逐操作 - retrieval-augmented-loader/ --查询短期和长期记忆集合以组装上下文窗口 每次转弯；管理代币预算和相关性排名 - consolidation/ --推广渠道：被驱逐的物品被分发到情景或长期记忆中以供持久保存 - tests/ --单元和集成测试 - config/ - capacity.config.json --代币预算、最大项目数和驱逐政策 - retrieval.config.json --短期和长期查询权重、top-k和相关性阈值 - agent-card.json --A2A代理身份和能力声明 - README.md --模块用途、上下文窗口管理模型、检索增强加载和整合策略

• short-term-memory/ --会话范围状态；在交互期间持续存在。轻量级矢量索引

(brain.short-term-memory)在当前会话中启用语义搜索，以便工作内存可以检索 最相关的最近上下文，而不是最近的N个项目。 - src/ - session-store/ --具有TTL管理的会话范围记录存储 - vector-store/ --管理 brain.short-term-memory 收藏；通过以下方式嵌入会话记录 奥拉马 nomic-embed-text 用于会话内语义检索 - retrieval/ --当前会话的语义搜索；处理工作内存加载器请求 - tests/ --单元和集成测试 - config/ - ttl.config.json --会话TTL和到期策略 - vector-store.config.json --后端和集合配置 brain.short-term-memory - embedding.config.json --继承 奥拉马 nomic-embed-text 从 shared/vector-store/ - agent-card.json --A2A代理身份和能力声明 - README.md --模块用途、会话生命周期和语义检索模型

• long-term-memory/ --持久的知识库（事实、技能、习得的联想）。完全可配置矢量

DB(brain.long-term-memory)；整合知识和启动时种子语料库的主要目的地 resources/static/knowledge/. - src/ - vector-store/ --可配置的矢量数据库适配器实现 shared/vector-store/adapter.interface.json; 管理 brain.long-term-memory 收藏(色度数据库 违约， Qdrant 为了 生产） - graph-store/ --知识图适配器（例如。， Neo4j, 立体主义)对于结构化 关系知识 - relational-store/ --用于结构化事实存储的SQL适配器 - indexing/ --嵌入具有前体感知段分块的管道（方面 brain-structure.md 区域 边界）、重叠配置和索引管理 - retrieval/ --语义搜索、混合检索（向量+关键字）和重新排名；为工作内存加载器提供服务 推理层 - seed/ --启动时摄入管道：块并嵌入所有 resources/static/knowledge/ 文件（包括 brain-structure.md 和 neuroanatomy/)进入 brain.long-term-memory 通过 奥拉马 nomic-embed-text _（参见 RAG和文件摄入 — Llama索引)_ - tests/ --单元和集成测试；每个后端适配器一致性测试 - config/ - vector-store.config.json --主动后端选择(chroma | qdrant | pgvector)和连接设置 - embedding.config.json --提供商： ollama，型号： nomic-embed-text，基本URL: http://localhost:11434，尺寸：768；仅显式云回退 _（参见 文学硕士 LLM电话）_ - indexing.config.json --分块策略、重叠、集合名称和前体感知部分拆分 规则 - agent-card.json --A2A代理身份和能力声明 - README.md --模块用途、后端选项、适配器模式、Ollama设置和种子管道使用

• episodic-memory/ --事件序列存储；过去互动和结果的有序记录。双索引：

时序回放的有序事件日志+语义向量索引(brain.episodic-memory)基于内容的剧集 检索。启用“查找与此情况类似的事件”以及“回放会话中发生的事情”等查询 十、 - src/ - event-log/ --有序事件摄取、存储和时间索引 - vector-index/ --管理 brain.episodic-memory 收藏；嵌入事件记录以实现语义和 时态+语义复合查询 - retrieval/ --时间回放、语义事件搜索和复合时间+相似性查询 - tests/ --单元和集成测试 - config/ - vector-store.config.json --后端和集合配置 brain.episodic-memory - embedding.config.json --继承 奥拉马 nomic-embed-text 从 shared/vector-store/ - retention.config.json --保留窗口、压缩策略和驱逐规则 - agent-card.json --A2A代理身份和能力声明 - README.md --模块用途、时态+语义检索模型和整合管道

• docs/ --记忆层概述：时间尺度模型、编码/检索流和海马类比
• README.md --内存层入口点和子模块索引

affective/ — _情感/动机层_ --类似于边缘系统（杏仁核、下丘脑、伏隔核）；为信息和目标分配情感权重、紧迫性和动力

• src/

- signal-generation/ --奖励信号生成、情绪加权、紧迫性评分和优先级提示 派遣 - vector-store/ --管理 brain.affective 收藏；嵌入基于模式的奖励和情绪状态历史 驱动调节与情感记忆

• tests/ --单元和集成测试
• config/

- drive.config.json --奖励整形和驱动参数配置 - vector-store.config.json --后端和集合配置 brain.affective

• docs/ --边缘系统类比、奖励模型描述以及与记忆/决策的整合
• agent-card.json --A2A代理身份和能力声明
• README.md --模块用途、输入/输出和使用

reasoning/ — _决策与推理层_ --类似于前额叶皮层；整合记忆、情感和感知信号，以产生选择、计划和判断

• src/

- inference/ --逻辑推理、因果推理、不确定性下的规划和冲突解决 _（参见 推理与规划 — DSPY, 指导)_ - vector-store/ --管理 brain.reasoning 收藏；嵌入推理痕迹、计划和因果模型 检索增强推理和决策历史

• tests/ --单元和集成测试
• config/

- strategy.config.json --推理策略和推理机配置 - vector-store.config.json --后端和集合配置 brain.reasoning

• docs/ --前额叶皮层类比、推理管道设计和不确定性处理
• agent-card.json --A2A代理身份和能力声明
• README.md --模块用途、输入/输出和使用

group-iii-executive-output/ --第三组：执行和产出

executive-agent/ — _执行/代理层_ --类似于额叶；持有代理身份、持久目标、价值观、策略和高级推理策略

• src/

- identity/ --代理身份管理与自我模型 - goal-stack/ --持续的目标管理、优先级和生命周期 - policy-engine/ --价值和政策评估、自上而下的调制调度和社会认知界面 - vector-store/ --管理 brain.executive-agent 收藏；嵌入持久的目标、价值观、政策和 语义检索和目标相似性搜索的身份状态

• tests/ --单元和集成测试
• config/

- identity.config.json --代理标识、值和策略配置 - vector-store.config.json --后端和集合配置 brain.executive-agent

• docs/ --额叶类比、目标和政策模型以及自我意识设计说明
• agent-card.json --A2A代理身份和能力声明
• README.md --模块用途、身份模式和使用

agent-runtime/ — _代理执行（运行时）层_ --根据决策协调和执行能力 _（参见 代理运行时和编排 — 时序, 完美)_

• src/ --任务分解、工具/功能选择、技能管道执行、排序和模块间

协调

• tests/ --单元和集成测试
• config/ --运行时环境和工具注册表配置
• docs/ --执行模型、任务分解策略和工具集成模式
• agent-card.json --A2A代理身份和能力声明
• README.md --模块用途、编排模型和使用

motor-output/ — _电机/输出/效应器层_ --类似于运动皮层和小脑；将操作传递到环境中

• src/ -API调用调度、消息传递、文件写入、渲染输出生成、控制信号发射，以及

向上反馈确认

• tests/ --单元和集成测试
• config/ --输出通道和效应器配置
• docs/ --运动皮层/小脑类比、输出通道描述和反馈模型
• agent-card.json --A2A代理身份和能力声明
• README.md --模块用途、支持的输出通道和使用情况

group-iv-adaptive-systems/ --第四组：自适应系统 _（跨领域——在所有群体中运作）_

learning-adaptation/ — _学习和适应层_ --类似于基底神经节和小脑；处理反馈以随着时间的推移改进模块行为

• src/learning_adaptation/

- env/ — BrainEnv 健身房适配器：包装 MotorFeedback 溪流；目标优先级权重动作空间 _（参见 稳定的基础3)_ - training/ --PPO训练循环（BG演员评论家）+小脑监督纠正回调 - replay/ --ChromaDB支持 ReplayBuffer；优先抽样 |reward_value|；异步背景训练 - habits/ — HabitManager：检测稳定的策略；促进习惯检查点（纹状体背外侧类似物） - interfaces/ --MCP服务器（资源+工具）和A2A处理器

• tests/ --单元和集成测试
• learning.config.json --算法、时间步长、回放缓冲区大小、习惯阈值、影子策略配置和

矢量存储连接（集合 brain.learning-adaptation, nomic-embed-text)

• docs/ --基底神经节/小脑类比、RL模型和适应策略
• agent-card.json --A2A代理身份和能力声明（端口8170）
• README.md --模块目的、反馈模型和使用

metacognition/ — _元认知与监控层_ --类似于前扣带皮层和前额叶监测电路；观察系统自身的处理过程

• src/metacognition/

- evaluation/ — MetacognitionEvaluator：滚动置信度、偏差z分数、错误检测；ACC/PFC模拟 _（参见 开放遥测, 普罗米修斯, 格拉法纳)_ - instrumentation/ --旅馆 TracerProvider + MeterProvider 设置；8. brain_metacognition_* 公制仪表 - store/ --ChromaDB brain.metacognition 适配器（仅可追加；趋势查询） - interfaces/ --MCP服务器（资源+工具）和A2A处理器(evaluate_output 入境， request_correction 出境）

• tests/ --单元和集成测试
• observability/prometheus-rules/ — metacognition.yml 普罗米修斯警报规则

(TaskConfidenceLow, DeviationAnomalyHigh, EscalationRateElevated, PolicyDenialRateHigh)

• monitoring.config.json --置信阈值、异常z分数阈值、滚动窗口大小、，

警报窗口、OTel/Peotheus导出配置和向量存储连接（集合 brain.metacognition)

• docs/ --ACC/PFC类比、自我监控模型和升级设计
• agent-card.json --A2A代理身份和能力声明（端口8171；普罗米修斯抓取端口9464）
• README.md --模块用途、监控模型和使用

______________________________________________________________________

矢量存储架构：所有模块集合共享一个可配置的后端实例 (色度数据库 默认嵌入； Qdrant 用于生产），命名空间为 brain.工作内存是唯一的例外——它是一个纯粹的进程内KV存储，用于查询 brain.short-term-memory 和 brain.long-term-memory 通过检索增强加载来组装每个上下文 窗口，将令牌使用量降至最低。活动后端，嵌入模型（默认值： 奥拉马 > nomic-embed-text 在 localhost:11434)，中定义了仅显式的云回退策略 shared/vector-store/。参见 shared/vector-store/collection-registry.json 完整的收藏索引。

______________________________________________________________________

应用层

apps/ --第五组：界面——终端用户和外部系统的应用层表面

default/ -参考应用程序外壳（聊天机器人程序/API/仪表板入口点）

• src/ --请求从电机/输出/效应器层路由到传感器/输入层和输出表面
• tests/ --单元和集成测试
• config/ --应用环境配置
• docs/ --应用层设计与集成指南
• README.md --应用目的和用途

______________________________________________________________________

observability/ --跨领域遥测基础设施 _（支持设计原则的可观察性）_

• src/ --结构化日志发射器、度量收集器、分布式跟踪上下文传播和可查询遥测

接口

• config/ --遥测后端配置（日志聚合、指标、跟踪）
• dashboards/ --预构建的可观察性仪表板（例如。， 格拉法纳 JSON定义）
• README.md --观测堆栈概述和仪器指南

security/ --跨领域安全基础设施 _（支持安全和隐私设计原则）_

• policies/ --模块沙盒策略、功能隔离规则和最低权限访问定义
• sandboxing/ --沙盒配置模板和执行工具
• README.md --安全模型概述和强化指南

deploy/ --部署和基础设施即代码

• docker/ --每个模块和基座 Dockerfile 定义
• kubernetes/ --Kubernetes用于模块部署、服务定义和水平扩展配置的清单
• README.md --部署指南：本地、暂存和生产目标

______________________________________________________________________

资源

MCP资源是服务器向客户端公开的URI寻址数据对象。在frankenbrAIn，资源分为两类 级别：顶级 resources/ 共享跨模块资源目录（按认知层组组织），以及 a每个模块 resources/ 每个认知模块内的子目录，用于模块范围的资源定义，动态 提供商和访问控制规则。

resources/ --跨领域MCP资源注册表和共享资产

• uri-registry.json --系统中所有资源URI模式的规范注册表；权威参考

资源发现

• access-control.md --系统范围的资源访问控制策略：哪些模块和客户端可以读取或写入哪些

资源URI

• README.md --资源系统概述、URI命名约定和每个模块的资源编写指南

static/ --共享静态资产

prompts/ --跨模块共享的提示模板

• system.md --基础系统提示和代理身份脚手架
• reasoning.md --思维链和结构化推理提示支架
• memory-retrieval.md --内存查询和检索提示模板
• metacognition.md --自我监控和信心评估提示模板

knowledge/ --种子知识和参考夹具；所有文档都带有YAML frontmatter(id, version, status, maps-to-modules)然后被切成块 brain.long-term-memory 通过种子管道启动

• brain-structure.md — 权威的 人脑结构参考。YAML前端很重要 maps-to-modules

将每个区域链接到其相应模块的声明。每个区域部分使用一致的结构： 功能、输入、输出、模块类比和关键设计说明。主要种子文件 brain.long-term-memory. _（描述性——驱动类比和模块映射，而不是实现）_

• brain-architecture.md --面向框架的架构概述：frankenbrAIn的认知层如何映射到大脑区域；

参考文献 brain-structure.md 作为真理的源泉

• cognitive-models.md --认知科学参考资料为模块设计决策提供信息
• signal-taxonomy.md --整个系统中使用的信号类型、模态和编码约定的分类

neuroanatomy/ --扩展的人脑维基；逐区域参考页面，每个YAML frontmatter都被分块到 brain.long-term-memory 在靴子旁边 brain-structure.md

• cortex.md --大脑皮层：脑叶、功能区和层类比
• limbic-system.md --杏仁核、下丘脑、伏隔核：情感和动机类比
• basal-ganglia.md --基底神经节：学习、习惯形成和奖励回路类比
• cerebellum.md --小脑：时间、协调和微调类比
• thalamus.md --丘脑：注意门控和信号通路类比
• hippocampus.md --海马：记忆编码、检索、巩固和时间尺度类比
• prefrontal-cortex.md --前额叶皮层：推理、计划和执行控制类比
• anterior-cingulate.md --前扣带皮层：错误检测和元认知监控类比

fixtures/ --种子和试验数据

• signal-samples/ -每个模态（文本、图像、音频、API事件）的样本输入信号，用于开发和

集成测试

• memory-seeds/ --工作、短期、长期和情景记忆存储的种子记录
• reward-signals/ --学习和适应测试的参考奖励和情感加权示例

external/ --专业级参考文件

• mcp-spec/ --MCP协议规范参考、功能示例和一致性说明
• a2a-spec/ --A2A协议规范参考、代理卡示例和任务生命周期参考
• mdn/ -浏览器本地模块和Web API相邻模块的相关MDN Web文档参考
• README.md --所有外部引用的源代码来源、版本控制策略和更新节奏

schemas/ --资源类型合同

• resource-envelope.schema.json --所有MCP资源响应有效载荷的通用包装器模式
• uri-pattern.schema.json --用于定义和验证资源URI模式的模式
• access-policy.schema.json --每个模块和全系统资源访问控制策略文档的架构

group-i-signal-processing/ --信号处理层资源定义

• sensory-input.resources.json --原始和规范化信号资源的URI模式和资源模式
• attention-filtering.resources.json --用于显著性得分、路由状态和过滤器的URI模式和模式

配置资源

• perception.resources.json --用于提取特征、场景表示和感知的URI模式和模式

模型输出资源

group-ii-cognitive-processing/ --认知处理层资源定义

• memory.resources.json --用于所有存储器子模块资源（工作、短期、长期和长期）的URI模式和模式，

长期、偶发）

• affective.resources.json --奖励信号、情绪权重和驱动状态资源的URI模式和模式
• reasoning.resources.json --用于推理跟踪、计划和因果模型资源的URI模式和模式

group-iii-executive-output/ --执行层和输出层资源定义

• executive-agent.resources.json --代理标识、目标堆栈、策略状态和值的URI模式和模式

资源

• agent-runtime.resources.json --活动任务状态、工具注册表和执行跟踪的URI模式和模式

资源

• motor-output.resources.json --输出通道状态、挂起操作和传递的URI模式和模式

确认资源

group-iv-adaptive-systems/ --自适应系统层资源定义

• learning-adaptation.resources.json --用于反馈日志、参数更新历史和技能的URI模式和模式

获取状态资源

• metacognition.resources.json --用于置信度评分、错误检测日志和性能的URI模式和模式

评估资源

______________________________________________________________________

每个模块资源：每个认知模块还包含一个 resources/ 提供模块范围MCP的子目录 资源定义、动态资源提供者（通过MCP端点提供实时状态服务）、模块本地静态 模板和访问控制规则。请参阅每个模块 README.md 对于特定的资源目录和URI模式 该模块。

相关技术

语言策略

此存储库是 具有明确惯例的多语者 --不是无代码意义上的语言不可知论，而是 为堆栈中的每种语言定义角色。

LLM抽象：使用 文学硕士 作为与提供者无关的LLM层。单个Python接口路由相同 Ollama、OpenAI、Anthropic、HuggingFace Inference等100多家公司。任何模块都不应调用LLM提供程序SDK 直接——所有LLM调用都通过LiteLLM。

______________________________________________________________________

通信和协议

______________________________________________________________________

法学硕士论文摘要（提供者不可知）

______________________________________________________________________

嵌入（本地优先）

______________________________________________________________________

矢量存储

所有集合共享一个可配置的后端实例，命名空间为 brain.。参见 shared/vector-store/ 对于适配器接口和 shared/vector-store/collection-registry.json 对于完整 收集指数。

______________________________________________________________________

RAG和文件摄入

______________________________________________________________________

内存和状态

______________________________________________________________________

推理与规划

______________________________________________________________________

代理运行时和编排

______________________________________________________________________

学习与适应

______________________________________________________________________

神经形态（可选/可插拔）

适用于生物启发的尖峰计算有益的模块。作为可选项目独立实施 可部署模块；不要耦合到核心信号路径。

______________________________________________________________________

可观测性

______________________________________________________________________

验证和模式

______________________________________________________________________

安全和沙盒

______________________________________________________________________

测试

______________________________________________________________________

Monorepo工具