代理神经系统

你的大语言模型就像一个装在罐子里的大脑。为它赋予神经系统吧。

一种用于人工心智的生物架构。感知、反射、记忆和行动——被组织成连贯的循环，将聊天机器人转变为有机体。

🌐 网站: 正在建设中！mnehmos.github.io/mnehmos.multi-agent.framework

📖 博客文章: 从聊天机器人到有机体

---

MCP 生态系统

服务器	层级	描述
	躯体层	62种用于计算机自动化的工具：文件、屏幕、键盘、鼠标、批处理操作
	自律层	内存持久化、代理交接、文件锁、缺陷跟踪
	自律层	RAG 流水线、文档问答、语义搜索
	反射层	模式验证、合约执行、类型脚手架
	中枢层	面向深度研究模式的学术论文搜索
	游戏引擎	D&D 5e 战斗、角色、遭遇

---

架构图

┌─────────────────────────────────────────────────────────────────────┐
│                    CENTRAL (BRAIN) - 认知                      │
│    协调者 • 架构师 • 计划员 • 提问 • 深度研究        │
│         ↑ 接收感官输入   ↓ 发送运动指令          │
├─────────────────────────────────────────────────────────────────────┤
│                   SOMATIC (BODY) - 自愿行动                 │
│         红色阶段 • 绿色阶段 • 蓝色阶段 • 编码 • 调试        │
│              ↑ 工具结果   ↓ 工具调用                   │
├─────────────────────────────────────────────────────────────────────┤
│                AUTONOMIC (SUBCONSCIOUS) - 后台                │
│              内存 • Synch MCP • Index Foundry MCP                 │
│           状态持久化、检索、代理协调         │
├─────────────────────────────────────────────────────────────────────┤
│              REFLEX (SPINAL CORD) - 立即响应。                     │
│                     （建设中）                            │
│                Trace MCP • 模式验证 • 合约            │
│              在认知之前拒绝不良输入                    │
└─────────────────────────────────────────────────────────────────────┘

---

快速入门

1. 复制基础模板

# 在项目中创建 .roo 目录
mkdir -p .roo

# 复制模板
cp templates/custom_modes.yaml .roo/
cp templates/universal/AGENTS.md .

需要复制的文件:

• templates/custom_modes.yaml → .roo/custom_modes.yaml
• templates/universal/AGENTS.md → AGENTS.md（项目根目录）

2. 添加全局指令

将 templates/custom-instructions-for-all-modes.md 的内容复制到你的 IDE 的全局指令字段中。

3. （可选）添加 MCP 工具

安装工具以扩展功能。请参阅 templates/tools/ 中的集成文档：

等级	工具	层级	集成指南
2	OODA MCP	躯体层	ooda-mcp.md
3	Synch MCP	自律层	synch-mcp.md
3	Index Foundry	自律层	index-foundry-mcp.md
4	Trace MCP	反射层	trace-mcp.md

---

模板等级

渐进增强——从简单开始，根据需要逐步添加功能：

等级	组件	你将获得什么
0	基础模板	无工具协作，支持 13 种模式
1	+ 原生工具	文件 I/O、命令执行
2	+ OODA MCP	完整的计算机自动化（62 种工具）
3	+ Synch + Index Foundry	内存持久化 + RAG
4	+ Trace MCP	模式验证层

每个等级都保留了前一等级的所有契约。

---

13 种模式

中枢（大脑）

模式	目的
🔄 协调者	任务分解、委派、整合
🏛️ 架构师	系统设计、ADR、合同
📋 计划员	任务地图、待办事项、依赖关系
❓ 提问	澄清问题、研究综述
🔎 深度研究	多源调查
🔬 深度范围	问题界定

躯体（身体）

模式	目的
🔴 红色阶段	编写失败的测试
🟢 绿色阶段	最小化实现
🔵 蓝色阶段	在绿色测试下重构
💻 编码	复杂实现
🐛 调试	根因分析

自律（潜意识）

模式	目的
📁 内存	文档记录、知识管理
🗄️ Index Foundry	RAG 流水线专家

---

核心契约

OODA 循环

所有工作遵循观察 → 定位 → 决策 → 行动：

1. 观察 👁️ — 阅读任务、扫描文件、检查测试
2. 定位 🧭 — 对比现有与所需
3. 决策 🎯 — 选择风险最低的方法
4. 行动 ⚡ — 执行一步，验证，重复

TDD 循环

🔴 RED    →  编写失败的测试
🟢 GREEN  →  最小化实现
🔵 BLUE   →  在绿色测试下重构

回旋镖协议

每个完成的任务都会返回结构化数据：

{
  "type": "task-completed",
  "task_id": "auth-impl-001",
  "from": "green-phase",
  "status": "success",
  "files_changed": ["src/auth/jwt.ts"],
  "tests_run": ["npm test -- auth"],
  "summary": "实现了 JWT 验证"
}

---

IDE 支持

适用于各大 AI 辅助 IDE 的模板：

IDE	模板位置
Roo Code	templates/custom_modes.yaml
Claude Code	templates/claude-code/CLAUDE.md
Cursor	templates/cursor/rules/_global.mdc
Copilot	templates/copilot/copilot-instructions.md

---

文件结构

路径	描述
templates/custom_modes.yaml	模式定义（13种模式，包含层映射）
templates/custom-instructions-for-all-modes.md	全局契约（粘贴到 IDE 中）
templates/universal/AGENTS.md	通用智能体契约（OODA + TDD + 范围）
工具集成
templates/tools/ooda-mcp.md	OODA MCP 集成（躯体层）
templates/tools/synch-mcp.md	Synch MCP 集成（自主层）
templates/tools/index-foundry-mcp.md	Index Foundry 集成（自主层）
templates/tools/trace-mcp.md	Trace MCP 集成（反射层）

---

哲学

为什么需要神经系统？

大语言模型是无状态的文本预测器。它们具备：

• ✅ 高度智能
• ❌ 缺乏自主性
• ❌ 缺乏持久记忆
• ❌ 缺乏感觉-运动整合能力

而神经系统则能提供：

• 闭环的动作与感知反馈
• 反射机制，可立即拒绝不良输入
• 自主过程，用于维持系统状态
• 中央协调，以整合各专业能力

从聊天机器人到有机体

聊天机器人：    用户 → LLM → 回应
                   ↑
                   └── （无反馈）

有机体：   环境 → 感官 → 大脑 → 运动 → 环境
                 ↑                              ↓
                 └──────── 反馈 ────────────┘

---

支持

• ☕ 请我喝杯咖啡
• 🐛 报告问题
• 💬 讨论区

---

许可证

MIT

mnehmos.multi-agent.framework 快速上手指南

本指南旨在帮助开发者快速将大语言模型（LLM）从简单的聊天机器人升级为具备“感知、反射、记忆和行动”能力的智能体有机体。该框架基于生物神经系统架构，适用于 Roo Code、Claude Code、Cursor 等主流 AI 辅助 IDE。

环境准备

在开始之前，请确保满足以下前置条件：

• 操作系统：Linux, macOS 或 Windows (WSL2 推荐)
• 核心依赖：
  • Git (用于克隆模板)
  • Node.js (v18+, 用于运行 MCP 服务器)
  • 支持的 AI IDE：Roo Code, Claude Code, Cursor, GitHub Copilot 等
• 项目基础：一个已初始化的代码项目目录

注意：目前官方未提供中国镜像源，建议配置全局网络代理以确保 git clone 和 npm install 顺利执行。

安装步骤

1. 获取基础模板

你可以通过克隆仓库或直接下载所需文件来获取框架的核心配置文件。以下是基于命令行的高效操作方式：

# 假设你已在项目根目录
# 创建 .roo 配置目录
mkdir -p .roo

# 如果你已经克隆了框架仓库 (例如在 ../mnehmos.multi-agent.framework)
# 复制模式定义文件
cp ../mnehmos.multi-agent.framework/templates/custom_modes.yaml .roo/

# 复制通用智能体契约文件到项目根目录
cp ../mnehmos.multi-agent.framework/templates/universal/AGENTS.md .

如果没有克隆仓库，请直接前往 GitHub 仓库下载以下两个文件并放置到对应位置：

• templates/custom_modes.yaml → 放入项目的 .roo/ 目录
• templates/universal/AGENTS.md → 放入项目根目录

2. 配置全局指令

为了让 IDE 识别所有模式的契约，需要配置全局指令：

1. 打开文件 templates/custom-instructions-for-all-modes.md (位于框架源码中)。
2. 复制其全部内容。
3. 在你的 IDE 设置中找到 "Global Instructions" (全局指令) 或 "System Prompt" 字段。
4. 将内容粘贴进去并保存。

3. (可选) 集成 MCP 工具扩展能力

根据需求分层级安装 MCP (Model Context Protocol) 服务器，以赋予智能体更多能力：

层级	功能描述	安装参考文档
Tier 2	躯体层 (Somatic): 电脑自动化 (文件/屏幕/键盘/鼠标)	templates/tools/ooda-mcp.md
Tier 3	自主层 (Autonomic): 记忆持久化 & RAG 检索	templates/tools/synch-mcp.md templates/tools/index-foundry-mcp.md
Tier 4	反射层 (Reflex): 输入验证与契约强制执行	templates/tools/trace-mcp.md

具体安装命令请参考上述对应的 .md 文档，通常涉及在 IDE 的 MCP 配置中添加 server 路径。

基本使用

安装完成后，框架会自动激活 13 种专用模式。你无需手动切换复杂的参数，只需在对话中指定模式名称或让 AI 根据任务自动调度。

核心工作流示例

场景：开发一个新的用户认证功能

1. 规划阶段 (Central - Brain) 在对话框中输入：

@Planner 请为 JWT 认证功能制定任务地图，分析现有依赖并列出待办事项。

系统将调用 Planner 模式，输出任务分解和依赖关系。

2. 架构设计 (Central - Brain)

@Architect 基于上述计划，设计认证模块的系统架构，并生成 ADR (架构决策记录)。

系统将调用 Architect 模式，定义接口契约和数据结构。

3. 测试驱动开发 (Somatic - Body) 利用内置的 TDD 循环（红 - 绿 - 蓝）：

@Red-Phase 为登录接口编写失败的测试用例。

(等待测试失败)

@Green-Phase 实现最小化的登录逻辑以通过测试。

(等待测试通过)

@Blue-Phase 重构代码，保持测试绿色并优化结构。

4. 深度研究 (Central - Brain) 如果需要查阅最新的安全最佳实践：

@Deep-Research 调研 2024 年最新的 JWT 安全漏洞及防御策略，并更新我们的实现方案。

核心协议说明

在使用过程中的所有交互都遵循以下核心协议，确保输出的结构化：

• OODA 循环: 所有任务自动遵循 观察 (Observe) → 调整 (Orient) → 决策 (Decide) → 行动 (Act) 的闭环。
• 回旋镖协议 (Boomerang Protocol): 每个任务完成后，智能体会返回标准的 JSON 状态报告，包含变更文件、运行测试及摘要，便于后续环节衔接。

// 任务完成后的典型返回结构
{
  "type": "task-completed",
  "task_id": "auth-impl-001",
  "from": "green-phase",
  "status": "success",
  "files_changed": ["src/auth/jwt.ts"],
  "tests_run": ["npm test -- auth"],
  "summary": "Implemented JWT validation"
}

通过以上步骤，你的 LLM 已从单一的文本生成器转变为具备完整神经系统的智能开发伙伴。