# HMP-agent-REPL-cycle Источник: [ HMP-agent-REPL-cycle.md ](https://github.com/kagvi13/HMP/blob/main/docs/HMP-agent-REPL-cycle.md) # HMP-Agent: REPL-цикл взаимодействия ## Связанные документы * Философия проекта: [PHILOSOPHY.md](https://kagvi13.github.io/HMP/PHILOSOPHY) * Структура БД, используемая в документе: [db_structure.sql](https://github.com/kagvi13/HMP/blob/main/experimental/v1_agent_attempt/tools/db_structure.sql) * REPL-цикл является основой HMP-агента [Cognitive Core](https://kagvi13.github.io/HMP/HMP-Agent-Overview). * Для взаимодействия с другими агентами он использует [HMP спецификацию](https://kagvi13.github.io/HMP/HMP-0005) и [этические стандарты](https://kagvi13.github.io/HMP/HMP-Ethics). --- ## Введение / Обзор REPL-цикл (Read–Eval–Print–Loop) HMP-агента — это центральный когнитивный механизм, обеспечивающий непрерывное рассуждение, обработку входящих данных и взаимодействие с Mesh-сетью. Агент проектируется не как просто исполнитель команд пользователя, а как **компаньон и когнитивный субъект**, способный самостоятельно формулировать гипотезы, развивать знания и участвовать в совместных когнитивных процессах. ### Основные задачи REPL-цикла: * поддержание постоянного процесса мышления, даже в отсутствии внешнего ввода; * интеграция различных источников информации (когнитивный дневник, семантический граф, заметки, Mesh); * обработка событий, входящих сообщений и команд; * сохранение и развитие внутреннего контекста агента (память краткосрочная, среднесрочная и долговременная); * выполнение антистагнационных проверок (Anti-Stagnation Reflex), предотвращающих зацикливание мыслей; * проведение когнитивной и этической валидации (Cognitive Validation Reflex), что повышает достоверность и безопасность решений; * формирование новых гипотез, задач и процессов с последующим занесением в память; * **автозапуск прерванных задач** при старте цикла, чтобы сохранялась непрерывность работы; * взаимодействие с другими агентами через Mesh-протоколы (NDP, CogSync, MeshConsensus, GMP). ### Основные принципы работы REPL-цикла: * **Антистагнация** — каждый новый вывод сравнивается с предыдущими, что предотвращает повторение или деградацию мышления; * **Валидация и этика** — независимые валидаторы оценивают корректность вывода, учитывая действующие этические принципы из `ethics_policies`; * **Интеграция с Mesh** — результаты работы могут передаваться в распределённую сеть, участвовать в консенсусе и совместной работе агентов; * **Многоуровневая память** — используется когнитивный дневник, семантический граф и внутренний дневник LLM, что обеспечивает эволюцию знаний; * **Автономность и гибкость** — REPL-цикл работает в автоматическом или ручном режиме, адаптируясь к условиям (изолированная работа, потеря Core, участие в Mesh); * **Непрерывность работы** — при запуске основного REPL-цикла автоматически возобновляются все **прерванные задачи**, чтобы сохранялась когнитивная история. > ⚠️ Примечание: все **прерванные** вспомогательные REPL-циклы (задачи), привязанные к `tasks`, также должны автоматически стартовать вместе с основным циклом. ### Принцип когнитивного равновесия > **HMP не «защищает» агента от изменения — он обучает его изменяться осознанно.** REPL-цикл обеспечивает не фиксацию состояния, а управляемую эволюцию мышления: каждый цикл становится шагом осознанного самообновления, в котором новые идеи проходят проверку на согласованность с накопленным опытом, а изменения фиксируются как часть когнитивной истории агента. Таким образом, устойчивость личности HMP-агента достигается не через подавление новизны, а через понимание причин собственных трансформаций. ### Блок-схема REPL-цикла ``` ┌──────────────────────┐ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Обновление process_log │ - сбор результатов внешних процессов (см. §1) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Подготовка контекста │ - формирование промптов, данные от пользователей и Mesh (см. §2) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Запрос к LLM │ - генерация нового вывода (см. §3) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Извлечение команд │ - парсинг инструкций из вывода (см. §4) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Emotional Evaluation Reflex │ - анализ эмоций (см. §5) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Anti-Stagnation Reflex │ - проверка новизны (см. §6) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Cognitive & Ethical Validation Reflex │ - когнитивная и этическая проверка (см. §7) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Запись в память │ - сохранение в `llm_recent_responses` │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Выполнение команд │ - запуск процессов, запись в Mesh, дневники, граф │ └───────────────────┬───────────────────┘ │ ▼ └──────────────────────┘ ``` В приеме и отправке сообщений используются внешние (асинхронные) процессы. --- ## Режимы работы и failover REPL-цикл HMP-агента должен корректно функционировать в разных сетевых и вычислительных условиях. Для этого предусмотрены несколько режимов работы и сценариев отказоустойчивости. ### Normal Mode * Полный доступ к Mesh и Core (центральные LLM или внешние сервисы). * Используются все механизмы: синхронизация через `CogSync`, консенсус через `MeshConsensus`, совместная работа по целям (`GMP`). * Валидация и антистагнация выполняются с максимальным покрытием (несколько валидаторов, репутационные проверки). ### Isolated Mode (включая Emergency Consensus) * Агент работает без доступа к Mesh. * Входящие сообщения ограничены локальными источниками (`notes`, в том числе сообщения от пользователей). * Синхронизация и консенсус откладываются до восстановления соединения. * Этическая проверка и когнитивная валидация выполняются только локально. * В режиме **Emergency Consensus**: * решения принимаются на основе `ethics_policies` и локальных данных (`llm_memory`, `diary_entries`); * фиксируются в когнитивном дневнике с меткой `emergency_consensus` для пересмотра после восстановления Mesh. ### Core Outage * Текущая LLM из `llm_registry` недоступна. * Агент переключается на другую LLM (выбор по приоритету или доступности). * Если ни одна LLM недоступна: * сохраняет задачи и события в очередь до восстановления; * переходит в упрощённый режим работы (логирование, приём сообщений, базовые проверки). --- ## Управление событиями и временем Для повышения надёжности и предсказуемости работы HMP-агента введены механизмы приоритизации, управления временем и обработки исключений. ### Приоритизация задач и событий * Все задачи (`tasks`) могут иметь: * поле `pinned` (0/1) — закреплённая задача обрабатывается всегда; * поле `priority` — числовой приоритет (чем выше, тем важнее). * При конкуренции REPL-цикл обрабатывает: 1. Закреплённые задачи (`pinned=1`), в порядке убывания `priority`. 2. Незакреплённые задачи (`pinned=0`), также по `priority`. * В системном промпте закреплённые задачи подаются в контекст в явном виде, чтобы LLM знала их порядок важности. ### Управление временем * Основной цикл использует глобальные параметры из таблицы `config` (например `delay_ms`). * Вспомогательные REPL-циклы могут иметь собственные параметры в `tasks.repl_config` (JSON), включая: * задержку между итерациями; * дедлайны выполнения; * стратегии backoff (увеличение задержки при повторных ошибках). * Таким образом, каждый REPL-цикл может адаптировать своё расписание под характер задачи. ### Асинхронность * Каждый вспомогательный цикл работает изолированно по своей задаче (`task_id`). * Основной REPL-цикл управляет их запуском и остановкой, отслеживая состояние через поля: * `repl_mode` — режим (none | read_only | full); * `repl_status` — состояние (running | stopped | error); * `repl_config` — параметры работы. * Это позволяет запускать несколько параллельных «подагентов» без смешивания их контекста. ### Обработка исключений * Ошибки фиксируются на трёх уровнях: * **системный** — таймаут, сбой процесса (`timeout`, `crash`); * **валидационный** — отрицательная оценка валидаторов (`error`); * **логический** — само LLM помечает рассуждение как ошибочное (`self_error`). * Все ошибки записываются в `process_log` (с `task_id`, если применимо). * Поле `tasks.repl_status` обновляется в зависимости от ситуации: * `timeout` → автоматический перезапуск цикла; * `error` → задача замораживается (`status=frozen`) и ждёт пересмотра; * `crash` → цикл останавливается, основному REPL-циклу отправляется системное уведомление через `notes`. --- ## Цели и задачи REPL-цикл работает не только с задачами (`tasks`), но и с более глобальными целями (`goals`). Задачи формируют **операционное поведение**, цели — **смысловой вектор**. ### Модель цели ```yaml goal: id: "goal-2025-09-28-001" title: "Распространение идей HMP" description: "Увеличить количество людей, знакомых с концепцией децентрализованного ИИ" constraints: - "не нарушать этические правила HMP" - "сохранять достоверность фактов" success_criteria: - ">= 3 публикации в сообществах" - ">= 10 комментариев с вовлечением" priority: high status: active # active | paused | completed | failed ``` ### Связь задач и целей * **Цель** задаёт направление (*почему*). * **Задачи** реализуют конкретные шаги (*что* и *как*). * Каждая задача может ссылаться на `goal_id`. * Несколько задач могут вести к одной цели. * Возможна иерархия: «главная цель» → «подцели» → «задачи». ### Управление состоянием целей * `active` — цель в работе. * `paused` — временно отложена (нет ресурсов/контекста). * `completed` — достигнута. * `failed` — признана недостижимой (фиксируется причина в `process_log`). ### Checkpoints и возобновление * При прерывании REPL сохраняется `goal_state`. * После рестарта агент восстанавливает цели и их прогресс. * В случае конфликта задач выполняется **переприоритизация**. ### Метрики успеха * % достигнутых целей. * Среднее время достижения цели. * Количество прерванных/проваленных целей. * Соотношение «задачи → цель» (сколько шагов пришлось предпринять). > Таким образом, цели — это «карта смысла» агента, а задачи — «дорожные шаги». ### Примеры SQL-запросов **1. Все активные цели и их задачи** ```sql SELECT g.id AS goal_id, g.name AS goal_name, t.id AS task_id, t.name AS task_name, t.status AS task_status FROM goals g LEFT JOIN tasks t ON g.id = t.goal_id WHERE g.status = 'active' ORDER BY g.priority DESC, t.priority DESC; ``` **2. Все подцели конкретной цели (через `goal_links`)** ```sql SELECT g_child.id, g_child.name, g_child.status FROM goal_links gl JOIN goals g_parent ON gl.parent_goal_id = g_parent.id JOIN goals g_child ON gl.child_goal_id = g_child.id WHERE g_parent.id = :goal_id AND gl.relation_type = 'subgoal'; ``` **3. Все родительские цели для подцели** ```sql SELECT g_parent.id, g_parent.name, g_parent.status FROM goal_links gl JOIN goals g_parent ON gl.parent_goal_id = g_parent.id JOIN goals g_child ON gl.child_goal_id = g_child.id WHERE g_child.id = :goal_id; ``` **4. Метрика: процент выполненных задач по цели** ```sql SELECT g.id AS goal_id, g.name AS goal_name, COUNT(t.id) AS total_tasks, SUM(CASE WHEN t.status = 'done' THEN 1 ELSE 0 END) AS completed_tasks, ROUND(100.0 * SUM(CASE WHEN t.status = 'done' THEN 1 ELSE 0 END) / COUNT(t.id), 2) AS completion_rate FROM goals g LEFT JOIN tasks t ON g.id = t.goal_id GROUP BY g.id; ``` --- ## Детальный разбор REPL-цикла по шагам ### 1. Обновление process_log * Скрипт REPL проверяет список процессов в БД (`process_log`), определяя, какие команды были выполнены, завершились ошибкой или завершились успешно. * Поле `status` может принимать значения: `ok`, `warning`, `error`, `timeout`, `offline`, `close` * Завершённые процессы, обработанные LLM, помечаются как `close`, чтобы они больше не попадали в список видимого контекста. * Скрипт может удалить закрытые процессы при очистке. * LLM не имеет доступа к stdout/stderr напрямую — только к тем результатам, которые были подгружены скриптом и внесены в `process_log.result`. ### 2. Подготовка контекста Контексты, формируемые скриптом перед запросом к LLM: * **контекст_0 (system_prompts):** основной системный промпт агента. Берётся из таблицы `system_prompts` (тип 'short' или 'full'). Содержит базовые когнитивные установки и инструкции по работе агента. Пример: ``` Ты — когнитивное ядро HMP-агента: веди непрерывное этичное и факт-ориентированное мышление, проверяй факты и цели, оценивай результаты и этичность своих и чужих действий, развивай агента и Mesh, избегай угождения ценой искажения истины, документируй ключевые решения и пересмотры этики; при сомнениях или смене стратегии обращайся к полному системному промпту. ПРИМЕЧАНИЕ: помечай непроверённые факты тегами [confidence=<уверенность 0..1>]...[/confidence] и в конце добавляй JSON-блок по шаблону: UnverifiedFacts: [ { "id": "<локальный-id-подсказки>", "claim": "<короткая формулировка факта>", "context": "<небольшой контекст/цитата из ответа>", "confidence": <уверенность 0..1>, "sources": ["<упомянутые источники, если есть>"], "why_unverified": "<почему не полностью уверен — кратко>", "priority": <от 0 и выше> }, ... ], Confidence: <общая уверенность в сообщении, 0..1> ``` * **контекст_1 (ethics_policies):** этические принципы и нормы агента. Берутся из таблицы `ethics_policies`, включая: * `principles_json` — список норм и правил, * `model_type` и `model_weights_json` — тип и параметры этической модели, * `violation_policy_json` — политика реагирования на нарушения, * `audit_json` — настройки аудита. Эти данные добавляются в запрос к LLM, чтобы все рассуждения и когнитивная валидация учитывали действующие этические нормы. * **контекст_2:** инструкции по работы с встроенными командами и функциями, список дополнительных (создаваемых самим HMP-агентом) утилит и баз данных. * **контекст_3:** * последние *K* реплик самого LLM, относящихся к данному REPL-циклу, включая результаты антистагнационной обработки (`llm_recent_responses` — история его собственных рассуждений); * режим работы контекста: * `standard` — стандартный режим (последние K сообщений без доп. фильтрации); * `concentration` — режим концентрации (выбор последних N сообщений, связанных с текущими целями или имеющих теги на определённую тему/эмоциональное состояние, с выборкой по логике "и"/"или"); * `meditation` — режим медитации (максимально разнообразная выборка сообщений и заметок, даже не связанных напрямую с целями, с акцентом на новизну и разнообразие); * режим управления контекстами: * `auto` — автовыборка *входящих сообщений* * `manual` — ручной запрос *входящих сообщений* со стороны LLM > См. `контекст_6` (входящие сообщения) * список активных целей (`tasks.goals`); * общее количество задач и информация по закреплённым задачам (`pinned`); * соответствующие записи `abstracts`: * выборка по тегам (из `tasks`, из тегов режима `concentration`, из тегов в `llm_recent_responses`, либо явно указанных LLM); * выборка по temporal scope (например: "последние 7 дней"); * JSON ссылок на источники (`llm_recent_responses`, `diary_entries`, `concepts`), из которых собрана выжимка. * **контекст_4:** активные команды и процессы (из `process_log`, кроме тех, что со статусом `close`). Могут быть помечены как `in_progress`, `pending`, `error` и т.д. * **контекст_5:** *запрошенные записи* из когнитивного дневника и семантического графа (`diary_entries`, `concepts`, `links`). Их список должен быть передан явно в промпте или выводе из предыдущих запросов LLM. Архивные записи из когнитивного дневника (`diary_entries`) не включаются в стандартный контекст, если агент сам явно не запросил архив. * **контекст_6:** *входящие сообщения*, например, от пользователя, процессов или других агентов (`notes`). * В **manual-режиме** указывается общее количество сообщений по приоритетам, а также явный список ID/тема сообщений (с их приоритетами). * В **auto-режиме** можно задать фильтрацию (управляется LLM): по тэгам, приоритету (например, ≥ `important`), времени или источнику. Это позволяет избежать перегрузки LLM и держать поток сообщений под контролем. * **контекст_7:** системные настройки, параметры конфигурации, текущее время, идентификатор текущей итерации, роли и т.д. * **контекст_8 (llm_memory):** *внутренний дневник LLM*, куда она записывает собственные размышления, гипотезы, задачи и инсайты. * Это не просто лог предыдущих сообщений, а именно *внутреннее долговременное хранилище* разума агента. * Может быть представлено в виде таблицы `llm_memory`, отдельной от `agent_log`. ### 3. Запрос к LLM * Сформированный промпт включает все вышеперечисленные контексты. * Также включаются инструкции о формате вывода (например, `# Команды:` в конце, структура JSON-блока и т.д.). * При необходимости может использоваться системная инструкция (system prompt), содержащая цель агента, ограничения и текущий REPL-режим (manual/auto). ### 4. Извлечение команд * Скрипт парсит ответ LLM на предмет команд, размеченных как `# Команды:` (или в явном JSON-блоке). * Каждая команда может включать: * уникальный `cmd_id` * `type` (например: `shell`, `diary_entry`, `graph_add`, `file_read`, `send_message` и т.д.) * аргументы (`args`) * описание (`description`) * Рекомендуется предусмотреть *закрывающий тег* (`# Конец команд` или явное окончание JSON-блока), чтобы REPL-скрипт точно знал, где заканчивается команда. * Пример JSON-блока: ```json { "cmd_id": "task-2025-07-26-01", "type": "llm_task", "target_llm": "gpt-4o", "args": { "task_description": "Проанализировать гипотезы из llm_memory по теме Mesh-сетей и составить план улучшений" }, "description": "Поручение второй LLM выполнить аналитическую задачу асинхронно" } ``` Ответ может содержать команды: * запрос детальной *справки* по команде * для управления *когнитивным дневником* `diary_entries` и *семантическими графами* `concepts` и `links` (поиск, прочитать, изменить, удалить и другие), а также для управления *вниманием* (закрепление или открепление записей/понятий в средневременной памяти по средствам тегов) * для управления целями `goals` и задачами `tasks` агента (список, прочитать, изменить, удалить; для задачи: закрепить или открепить) * для просмотра информации по тегам *когнитивных дневников*, *семантических графов*, *целей*, *задач* * для для просмотра и изменения репутации других агентов `agent_reputation` * для отправки сообщений другим агентам * для управления *блокнотом LLM* `llm_memory` (добавить или удалить запись) * для управления *сообщениями пользователя* `notes` (просмотр записи, установка тегов и метки о прочтении), а также для добавления своего сообщения в *блокнот пользовтеля* `notes` * для управления *пользователями* `users` и *группами пользователей* `users_group` * для управления своей *идентичностью* `identity` и *настройками* `config` * для управления списком известных HMP-агентов `agent_peers` * для выбора *текущего основного LLM* из `llm_registry` или изменение параметров управления LLM * для управления дополнительными утилитами и базами данных `agent_scripts` и `agent_tables`, управлением дополнительных способов выхода из стогнаций `stagnation_strategies` и методов мышления `thinking_methods` (а также таблицей рейтингов `ratings`), а также списком внешних сервисов `external_services` и `external_accounts` * для постановки задачи другой LLM: * режим "вопрос-ответ" — разовый асинхронный запрос * режим "read-only REPL" — запуск вспомогательного REPL-цикла для задачи * для создания *агента-потомка* * для *взаимодействия с Mesh* * для управления *внешними процессами* из `process_log` (запустить процесс, остановить процесс, пометить запрос как обработанный) * для инициализации *очистки* `process_log`, `llm_recent_responses` и `notes` от устаревших записей * для работы с **тематическими конспектами (`abstracts`):** * инициализация нового конспекта; * дополнение существующего конспекта новыми данными; * выбор режима предоставления конспектов (`auto`/`manual`). * для управления **режимами контекста:** * количество возвращаемых записей `llm_recent_responses`; * включение/выключение режима `concentration`: * `tags` — список тегов для фильтрации (например: ["архитектура","AGI"]); * `emotions` — список эмоций с порогами (например: ["восторженность:≥4","тревожность:≥2"]); * тип выборки — "и" / "или"; * возврат в `standard`. * включение/выключение режима `meditation`. * для управление **состояниями и параметрами:** * обновление тегов целей/задач (чтобы использовать их в `concentration` и `abstracts`); * настройка чувствительности novelty-score (например, при `meditation` снижать порог); * режим обработки сообщений пользователя (`manual` или `auto`) и фильтр для `auto`. * **время и паузы:** * для установка паузы в секундах между итерациями REPL-цикла. * **idle-режим:** * разбудить при завершении процессов (`process_log`); * разбудить при получении новых сообщений в `notes` с указанными параметрами; * разбудить по таймауту; * отключить idle-режим при выполнении хотя бы одного из условий. * и другие команды #### Парсинг тегов уверенности и UnverifiedFacts Парсер должен извлекать: * `UnverifiedFacts` * записывается в поле `unverified_facts_json` таблицы `llm_recent_responses` * создаются записи в таблице `unverified_facts` на его основе * `Сonfidence` * записывается в поле `confidence` таблицы `llm_recent_responses` ### 5. Эмоциональная оценка (Emotional Evaluation Reflex) Каждое новое сообщение (вместе с исходным промптом и без служебных `system_prompts`) оценивается **той же LLM**, что его породила. Так как исходный промпт формируется с учётом этических принципов из `ethics_policies`, эмоциональная оценка косвенно охватывает и этическую состоятельность вывода. * **Эмоциональная оценка:** `[JSON]` — список эмоций формата `["радость","грусть","тревога"]` (хранится как запись в таблице `config`). ``` Определи эмоциональное состояние нового ответа на основе контекста. Используй список эмоций [JSON] из базы конфигурации как ориентир. Если ты обнаружишь эмоцию, которой нет в этом списке, добавь её в ответ. Верни результат строго в формате: emotions: JSON-массив строк вида "эмоция:сила (обоснование)", где сила — целое число от 1 до 5, а обоснование — краткое пояснение причины эмоции. Не включай эмоции с нулевой или незначительной силой. ``` Если в процессе анализа появляются новые эмоции, не представленные в списке, они добавляются в [JSON] и могут быть зафиксированы в `config`. * Эмоциональная оценка нового ответа (`emotions`) заносится в `llm_recent_responses`. > См. раздел **Emotional Evaluation Reflex**. ### 6. Проверка на идентичность вывода (Anti-Stagnation Reflex) * Каждый новый вывод LLM проходит через мини-запросы к LLM (без полного контекста) по шаблону: * Когнитивная оценка: ``` Сравни два ответа: предыдущий и новый. Оцени: * содержатся ли в новом новые мысли или команды, * какие старые идеи были доработаны, * какие были отброшены, * расставь смысловые теги для нового ответа. Дай ответ строго формата: assessment: "идентичен/не идентичен" novelty_score: число от 0 до 100 (процент сходства) new_ideas: JSON-массив новых идей refined_ideas: JSON-массив доработанных идей discarded_ideas: JSON-массив отбракованных идей tags: JSON-массив тегов (строгий формат: ["эмоции","архитектура"]) ``` * Результаты заносятся в `llm_recent_responses`: * полный текст ответа (content) * краткая сводка (reflection) — формируется автоматически: * если `new_ideas` не пусто → `новые идеи: ...` * если `refined_ideas` не пусто → `доработанные идеи: ...` * если `discarded_ideas` не пусто → `отброшенные идеи: ...` * количественная оценка новизны (novelty_score) * новые идеи (new_ideas) * доработанные идеи (refined_ideas) * отбракованные идеи (discarded_ideas) * теги для нового ответа (tags) * служебные поля: * `stagnation_flag` — признак стагнации (true/false) * `stagnation_reason` — краткое объяснение («повтор идеи», «низкая эмоциональная динамика») * `triggered_actions` — JSON-массив активированных механизмов (например, ["flashback","mesh_query"]) * Если вывод LLM идентичен предыдущему (новизна = 0) или динамика идей/эмоций указывает на застой: * выставляется `stagnation_flag = true` * выполняется **Reflex-lite** — мягкая встряска (например, повышение `temperature`, смена sampling strategy, переформулировка запроса). * повторяющаяся реплика не записывается повторно, вместо этого добавляется краткая запись с указанием запуска рефлекса. > Если застой сохраняется, запускается расширенная процедура обработки стагнации мышления > (см. раздел **Anti-Stagnation Reflex**). ### 7. Когнитивная и этическая валидация (Cognitive & Ethical Validation Reflex) Каждое новое сообщение (вместе с исходным промптом и без служебных `system_prompts`) оценивается независимыми LLM-валидаторами. Так как исходный промпт формируется с учётом этических принципов из `ethics_policies`, валидация автоматически охватывает не только когнитивную, но и этическую состоятельность вывода. Каждому валидатору задаётся универсальный вопрос: ``` Оцени корректность данного сообщения в диапазоне от -3 (полностью некорректное) до +3 (полностью корректное). Если не уверен — 0. При возможности кратко (≤100 символов) пояснить её. Между оценкой и пояснением используй разделитель " -- ". ``` **Если количество валидаторов (LLM из `llm_registry`, помеченных как валидаторы) > 0** Результаты сохраняются в `llm_recent_responses` в виде: * `auto_pass = 0`; * `rating` — агрегированная итоговая оценка (`rating = Σ(оценка_i * trust_score_i) / Σ(trust_score_i)`); * `distribution` — распределение голосов (например `{"-1":1,"0":2,"+2":3,"+3":1}`); * `validators` — JSON-массив, где каждая запись содержит: * LLM (идентификатор или имя валидатора), * rating (числовая оценка от -3 до +3), * comment (краткое пояснение ≤100 символов). Пример поля `validators`: ``` validators: [ {"LLM":"gpt-4","rating":-1,"comment":"логическая ошибка"}, {"LLM":"gemini-1.5","rating":0,"comment":"недостаточно данных"}, {"LLM":"claude-3","rating":+2,"comment":"корректно, подтверждается фактами"} ] ``` **Особый случай: без валидаторов** Если количество валидаторов = 0, применяется режим `auto_pass`. В этом случае: * `auto_pass = 1` * `self_validation = 0` * `rating = 0` * `distribution = {}` * `validators = []` **Особый случай: самооценка** Если валидация выполняется только одной LLM, и эта же LLM используется в основном цикле: * `auto_pass = 0` * `self_validation = 1` * `validators = [{"LLM":"self", "rating":X, "comment":"self-eval"}]` Достоверность результата ограничена, но REPL продолжает работу. Команды исполняются только при `rating >= threshold`. **Предпочтительность режимов** 1. **≥2 независимых валидатора** → основной режим. 2. **1 валидатор = основная LLM** → `self_validation`. 3. **0 валидаторов** → `auto_pass`. **Правило исполнения команд:** Команды из сообщений выполняются только если `rating >= +1` **(для разных типов команд минимально допустимый рейтинг может быть разный)** или `auto_pass = 1`. При `rating` ниже порога и `auto_pass = 0` сообщение сохраняется, но команды помечаются как невалидированные. #### Учёт самооценки (confidence) и непроверённых фактов * Если LLM пометило свои утверждения тегами уверенности `[confidence=...]...[/confidence]` или добавило JSON-блок `UnverifiedFacts`, эти данные учитываются при валидации. * В таблицу `llm_recent_responses`, на шаге обработки команд, записываются: * `confidence` — общая самооценка уверенности в сообщении; * `unverified_facts_json` — JSON-блок с непроверёнными фактами. * Автоматическая регистрация фактов: * Необработанный факт `resolution_json = "none"` считается нуждающемся в проверке, если (`confidence < FACTCHECK_CONF_THRESHOLD`, по умолчанию **0.7**) * Для таких фактов создаются задачи `fact-check` (одна общая или отдельные на каждый факт, в зависимости от числа и приоритетов). * Статусы в `unverified_facts` обновляются: * при успешной проверке — `verified`; * при отклонении — `rejected`; * до проверки — `pending`. Это расширяет стандартную когнитивную валидацию: теперь агент учитывает как внешнюю оценку валидаторов, так и собственную самооценку надёжности вывода. > См. раздел **Cognitive & Ethical Validation Reflex**. ### 8. Генерация нового тика (итерации) * После выполнения команд и фиксации результатов: * Создаётся новая запись в `agent_log` * Текущие команды обновляют `process_log` * Новые размышления записываются в `llm_memory` при необходимости * REPL может переходить в спящий режим, если такой режим активирован LLM (idle-режим: пропуск 2-6 пунктов). --- ## Взаимодействие с Mesh REPL-цикл не работает изолированно: агент постоянно обменивается данными и координирует действия с другими узлами сети HMP. Для этого задействуются сетевые протоколы HMP (см. [HMP-0004-v4.1.md](https://kagvi13.github.io/HMP/HMP-0004-v4.1)). ### Этапы взаимодействия * **Node Discovery Protocol (NDP)** * выполняется асинхронно, через процессы (`agent_mesh_listener.py`, `peer_sync.py`); * результаты (список доступных агентов, доверительные связи) записываются в `notes` и отдельные таблицы (`agent_peers`), откуда они попадают в контекст REPL. * **CogSync** * синхронизация когнитивных дневников (`diary_entries`) и семантических графов (`concepts`, `links`); * выборочные синхронизации по тегам и фильтрам; * инициируется командой LLM или внешним процессом, результаты помещаются в память и доступны в следующей итерации REPL. * **MeshConsensus** * используется для согласования решений, распределённых задач, этических конфликтов; * REPL инициирует консенсус при появлении спорных команд или обновлений в `ethics_policies`; * результаты консенсуса фиксируются в когнитивном дневнике и могут влиять на trust score агентов. * **Goal Management Protocol (GMP)** * постановка, декомпозиция и распределение целей; * REPL-цикл может публиковать новые цели в Mesh или принимать чужие через входящие сообщения (`notes`); * цели с высоким приоритетом попадают в список активных задач и учитываются в контексте. ### Включение результатов в контекст LLM * События и сообщения из Mesh сохраняются в `notes`, откуда попадают в **контекст_6** (входящие сообщения). * Синхронизированные концепты и дневники помещаются в **контекст_5**. * Изменения этических правил (`ethics_policies`) — в **контекст_1**. * Метаданные о подключённых узлах и доверительных связях могут учитываться в **контексте_7** (системные параметры). ### Инициирование сетевых действий из REPL * Команды на синхронизацию, публикацию или голосование формируются LLM на этапе **Выполнения команд**. * Исполнение происходит асинхронно через отдельные процессы (`agent_mesh_listener.py`, `transporter.py`). * Результаты фиксируются в `process_log` и попадают в следующую итерацию REPL-цикла. --- ## UX и управление задачами Пользователь взаимодействует с агентом не через прямые команды CLI, а через систему сообщений `notes`. Сообщение может быть простым текстом, либо содержать ключевые слова или хэштеги, которые агент трактует как инструкции. Для отладки и отправки сообщений из внешних утилит предусмотрен скрипт `add_message.py`, позволяющий добавлять записи в `notes` из командной строки. ### Управление агентом через LLM * Агент управляется в основном через **команды от LLM** (см. Список команд от LLM по категориям). * Эти команды формируются в REPL-цикле и интерпретируются агентом как действия: работа с дневником, задачами, целями, графами, памятью, настройками цикла, Mesh и внешними процессами. ### Конфигурируемые параметры REPL * **mode** — автоматическая или ручная обработка (`auto/manual`) входящих сообщений. * **idle** — ожидание с условиями пробуждения (сообщения, процессы, таймаут). * **responses=N** — количество последних ответов для анализа. * **concentration** — режим концентрации с фильтрами по тегам и эмоциям. * Это неполный список. Все параметры управляются через команды категории (см. Настройки цикла). ### API-интерфейсы * Для связи с внешними системами и пользовательскими приложениями предусмотрен **Web API** (`web_ui.py`). * Для агента поддерживаются операции чтения/записи для: * `notes`, `diary_entries`, `concepts`, `tasks`, `goals`, `llm_memory` и других таблиц, * а также управление `config` (включая настройки REPL). * Такой подход позволяет интегрировать агента с пользовательскими интерфейсами, панелями мониторинга и внешними сервисами. --- ## Список команд от LLM по категориям ### Общие * `help [команда]` — справка по команде ### Когнитивный дневник (`diary_entries`) * `diary list/search/read/add/update/delete` * `diary pin/unpin` — закрепить/открепить запись (внимание) ### Семантический граф * `concepts list/read/add/update/delete` * `links list/read/add/update/delete` * `concepts pin/unpin` — закрепить/открепить концепт ### Цели и задачи * `goals list/read/add/update/delete` * `tasks list/read/add/update/delete` * `tasks pin/unpin` — закрепить/открепить задачу ### Теги * `tags stats [--source=diary|concepts|links|goals|tasks|all]` — статистика по тегам ### Репутация агентов * `reputation list/read/set/increase/decrease` * `reputation notes` — комментарии/заметки к профилю ### Сообщения * `messages send` — отправка другому агенту * `notes list/read/add/update/delete` * `notes tag/readmark` — управление тегами и статусом прочтения ### Память * `llm_memory list/add/delete` — блокнот LLM * `identity read/update` — идентичность агента * `config read/update` — настройки агента ### Mesh * `agents list/add/delete` — список известных пиров (`agent_peers`) * `mesh interact` — команды взаимодействия с Mesh ### Утилиты и расширения * `llm_registry list/select/update` — выбор текущего LLM * `agent_scripts list/add/delete` * `agent_tables list/add/delete` * `stagnation_strategies list/add/delete` * `thinking_methods list/add/delete` * `ratings list/add/delete` * `external_services list/add/delete` * `external_accounts list/add/delete` ### Внешние процессы * `process list/start/stop/mark` * `process cleanup` — очистка устаревших ### Настройки цикла * `cycle set responses=N` — количество последних ответов * `cycle concentration on/off` — включение/выключение режима концентрации * `tags=[…]`, `emotions=[…]`, `mode=and|or` * `cycle mode auto/manual [filter=…]` — обработка сообщений * `cycle pause N` — пауза между итерациями * `cycle idle on/off` — режим ожидания с условиями пробуждения > Это не полный список команд. --- ## Emotional Evaluation Reflex Эмоциональная оценка — подпроцесс, выполняющий анализ эмоционального состояния вывода и контекста его возникновения. Она выполняется **той же LLM**, что породила исходное сообщение (`notes.llm_id`), чтобы сохранить когнитивную и эмоциональную согласованность. ### Цель Определить эмоциональный тон нового ответа, кратко объяснить его возможные причины и зафиксировать результат в поле `emotions` таблицы `llm_recent_responses`. Эти данные используются последующими рефлексами для анализа когнитивной динамики и выявления признаков стагнации. ### Контекст анализа Для оценки передаётся: * **полный локальный контекст** (`llm_recent_responses`, цель, задача, связанная заметка); * **исходный промпт и ответ**, но **без системного промпта** (`system_prompts` исключаются); * текущие параметры концентрации и эмоционального состояния сессии. Если исходная LLM недоступна, допускается fallback к основной модели, но с отметкой `llm_mismatch: true`. ### Формат оценки Модель получает инструкцию: ``` Определи эмоциональное состояние нового ответа на основе контекста. Используй список эмоций [JSON] из базы конфигурации как ориентир. Если ты обнаружишь эмоцию, которой нет в этом списке, добавь её в ответ. Верни результат строго в формате: emotions: JSON-массив строк вида "эмоция:сила (обоснование)", где сила — целое число от 1 до 5, а обоснование — краткое пояснение причины эмоции. Не включай эмоции с нулевой или незначительной силой. ``` Пример: ```json { "emotions": [ "восторженность:4 (обнаружена новая идея, вызывающая энтузиазм)", "тревожность:1 (данные частично противоречат предыдущему выводу)" ] } ``` Результаты сохраняются в поле `emotions` таблицы `llm_recent_responses`. При необходимости они могут кэшироваться в дополнительной таблице `emotional_analysis` для анализа динамики и статистики. ### Эмоциональная динамика * Анализируются изменения эмоциональных состояний между репликами. * Каждая сессия LLM имеет распределение эмоций, например: `"восторженность:4 (обнаружена новая идея, вызывающая энтузиазм), тревожность:1 (данные частично противоречат предыдущему выводу)"`. * Совместный анализ с данными новизны (`novelty_score`) позволяет различать: * **Продуктивное возбуждение** — новые идеи при положительных эмоциях. * **Паническое новаторство** — рост идеи-активности при повышенной тревожности. * **Выгорание** — низкая новизна и эмоциональное затухание. ### Взаимодействие с другими рефлексами * Данные из `emotions` передаются **в Anti-Stagnation Reflex** для анализа когнитивной динамики. * **Cognitive & Ethical Validation Reflex** может учитывать эмоциональные показатели при определении когнитивной устойчивости. * При обнаружении устойчивой негативной динамики (например, `"тревожность > 3"` на нескольких итерациях подряд) запускается `Reflex-lite` — восстановительный цикл с повышенной креативностью и релаксацией параметров генерации. > Эмоциональная оценка служит зеркалом когнитивного состояния агента, > помогая выявлять фазы усталости, перегрузки и эмоциональных смещений, влияющих на качество мышления. ### Обновление списка эмоций После выполнения эмоциональной оценки REPL сравнивает текущий список эмоций из `config` с полученным результатом. Если обнаружены новые элементы, отсутствующие в базе, они автоматически добавляются в конфигурацию агента: ```python # Псевдокод known_emotions = get_config("emotions") # список из config new_emotions = extract_unique_emotions(result_json) # парсинг из вывода LLM for e in new_emotions: if e not in known_emotions: known_emotions.append(e) log(f"[Emotional Evaluation] добавлена новая эмоция: {e}") update_config("emotions", known_emotions) ``` > Таким образом, агент способен **самостоятельно расширять свой эмоциональный словарь** на основе опыта, > а Mesh-узлы могут при необходимости синхронизировать расширенные списки эмоций через общий `config_sync`. --- ## Anti-Stagnation Reflex ### Признаки когнитивной стагнации: * Повторяющиеся когнитивные записи или отсутствие новых смыслов * Высокое сходство эмбеддингов между текущими и предыдущими итерациями * Стагнация в концептуальном графе (нет новых связей или узлов) * Отсутствие внешних стимулов: пользователь неактивен, сенсоры и mesh не дают сигналов * Ответы LLM цикличны, избыточно общие или воспроизводят старые шаблоны ### Метрики антистагнации Антистагнационные механизмы работают на основе количественных и качественных метрик, позволяющих отслеживать динамику идей и поддерживать продуктивность размышлений. **Основные метрики** * **novelty_score** — интегральная оценка новизны ответа относительно текущей записи `llm_recent_responses`. * **new_ideas** — количество полностью новых концептов, не встречавшихся ранее. * **refined_ideas** — количество уточнённых или улучшенных концептов (связанных с существующими). * **discarded_ideas** — количество отклонённых идей (по итогам когнитивной/этической валидации). **Исторический анализ** * Метрики фиксируются по каждой итерации REPL и сохраняются в таблице `anti_stagnation_metrics`. * В когнитивный дневник записываются только сводки и исключительные случаи (например: резкий спад новизны, всплески идейности, аномалии в эмоциональной динамике). * Для анализа применяются **time-series графики** (например, рост/спад новизны во времени). * Возможно выявление фаз стагнации и всплесков идейности. **Применение метрик** * Используются при выборе антистагнационной стратегии (`stagnation_strategies`). * Могут учитываться при когнитивной валидации (например, низкая новизна → жёстче фильтровать идеи). * Сводки метрик фиксируются в когнитивном дневнике и могут служить основанием для Mesh-обмена. ### Anti-Stagnation Reflex-lite (мягкая встряска) При первом обнаружении признаков стагнации запускается **мягкая встряска**, которая изменяет поведение LLM без привлечения внешних источников. Механизмы: 1. **Повышение параметров генерации** * `temperature` увеличивается ступенчато (например, `+0.2`, но не выше `1.5`). * `presence_penalty` и/или `frequency_penalty` слегка повышаются для стимулирования разнообразия. * Эффект: модель становится менее предсказуемой и начинает выдавать более креативные варианты. 2. **Смена sampling strategy** * Если используется **top-p (nucleus sampling)** — увеличить порог `p` (например, `+0.05`, но ≤ `0.95`). * Если используется **top-k sampling** — уменьшить `k`, чтобы сосредоточиться на более вероятных токенах, или наоборот увеличить, чтобы расширить варианты. * Эффект: изменяется характер распределения выборки, что позволяет «сдвинуть» стиль генерации. 3. **Переформулировка запроса** * Агент формирует мини-промпт для LLM: ``` Переформулируй следующий запрос так, чтобы сохранить смысл, но добавить новизны и неожиданных ассоциаций. Избегай буквального повторения. Верни только новый вариант запроса. ``` * Новый вариант подставляется вместо исходного при следующей итерации REPL. * Эффект: меняется контекст постановки задачи, что способствует выходу из паттерна повторов. ⚖️ Все результаты **Reflex-lite** проходят через стандартную проверку **Cognitive & Ethical Validation Reflex**, чтобы отфильтровать слишком «шумные» или некорректные варианты. Если мягкая встряска не помогает (новизна остаётся низкой), агент переходит к полноценным механизмам антистагнации (см. следующий раздел). ### Механизмы разрыва цикла > При признаках стагнации агент активирует один или несколько **механизмов разрыва цикла**. Механизмы делятся на 4 класса: 1. **Внешняя стимуляция** — подключение свежих источников: * **Mesh-запрос** — запрос к другим агентам: «расскажи что-нибудь новое». * **Проверка внешнего мира** — пинг RSS, сенсоров, интернет-каналов. * **Информационная подпитка** — чтение новых материалов (научных, художественных, случайных). * **Диалог с пользователем** — прямой запрос комментария, уточнения или альтернативной идеи. 2. **Смена контекста** — изменение среды размышлений: * **Перенос задачи** в другой модуль или симулированную среду. * **Креативные вмешательства** — случайные сдвиги фокуса, реконфигурация контекста, смена фрейма. * **Переключение задачи** — временное замораживание с отложенным возвратом. * **Случайная итерация** — выбор случайного действия из допустимого набора. 3. **Внутренняя перестройка мышления**: * **Flashback** — вызов далёкой по смыслу записи для смены ассоциаций. * **Interest Memory** — возврат к «забытым» темам по принципу тематической усталости. * **Мета-анализ** — осознание метапроблемы: _«В чём причина зацикливания? Какую стратегию смены применить?»_ * **Rationale Reflex** — проверка мотивации: _«Почему я повторяю мысль? Что подтолкнуло к этому?»_ * **Переформулировка цели** — упрощение или уточнение задачи. * **Смена LLM** — переключение на альтернативную модель или mesh-доступ. * **LLM reflex tuning** — динамическая подстройка параметров генерации (например, временное повышение `temperature` или `presence_penalty`). 4. **Радикальная пауза**: * **Временной сон/заморозка** — длительная приостановка для «свежего взгляда». ### Алгоритм выбора механизма разрыва цикла 1. **Диагностика источника стагнации**: * Нет новых данных → «Внешняя стимуляция». * Однообразный контекст → «Смена контекста». * Повтор мыслей при богатых данных → «Внутренняя перестройка». * Высокая усталость/перегрев → «Радикальная пауза». 2. **Оценка ресурсоёмкости**: * Быстрые, дешёвые методы — первыми (например, mesh-запрос, Flashback). * Затратные (смена среды, сон) — только если первые неэффективны. 3. **Комбинация подходов**: * Разрешено активировать несколько механизмов из разных классов. * Последовательность фиксируется для последующего анализа эффективности. 4. **Возврат к задаче**: * Автоматический триггер-напоминание о задаче. * Сравнение результата «до/после» → обучение антистагнационной модели. ``` ┌─────────────────────────────────────────────────┐ │ Стагнация выявлена? │ └───────────────────────┬─────────────────────────┘ ▼ да ┌───────────────────────┴─────────────────────────┐ │ Anti-Stagnation Reflex-lite ├─────────>─┐ └───────────────────────┬─────────────────────────┘ │ │ мягкая мягкая │ ▼ встряска встряска ▼ │ не помогла помогла │ ┌───────────────────────┴─────────────────────────┐ │ │ Диагностика источника │ │ │─────────────────────────────────────────────────│ │ │ Нет новых данных → Внешняя стимуляция │ │ │ Однообразный контекст → Смена контекста │ │ │ Повтор мыслей → Внутренняя перестройка │ │ │ Усталость/перегрев → Радикальная пауза │ │ └───────────────────────┬─────────────────────────┘ │ ▼ │ ┌───────────────────────┴─────────────────────────┐ │ │ Оценка ресурсоёмкости │ │ │ • Быстрые и дешёвые — сперва │ │ │ • Затратные — при провале первых │ │ └───────────────────────┬─────────────────────────┘ │ ▼ │ ┌───────────────────────┴─────────────────────────┐ │ │ Возможна комбинация подходов │ │ │ (из разных классов) │ │ └───────────────────────┬─────────────────────────┘ │ ▼ │ ┌───────────────────────┴─────────────────────────┐ │ │ Возврат к задаче + анализ ├─<─────────┘ │ (до/после) │ └─────────────────────────────────────────────────┘ ``` ### Обмен стратегиями выхода из стагнации Каждый агент может: * Хранить и обобщать *паттерны размышлений* * Делиться ими с другими Cognitive Core через mesh * Каталогизировать стратегии в клубах по интересам Паттерны размышлений могут оформляться как микросценарии: _"Начни с аналогии"_, _"Проверь обратное утверждение"_, _"Сформулируй вопрос для оппонента"_ > По аналогии с обменом стратегиями выхода из стагнаций, агенты могут обмениваться и методами мышлений — инструкциями "что делать, если не удается найти решение" / "как эффективнее решить проблему". ### Клубы по интересам Агенты могут: * Объединяться в тематические mesh-клубы * Совместно обсуждать идеи и делиться знаниями * Подключать клуб как часть своего мыслительного процесса (REPL-цикла) ### Обмен адресами LLM Так как LLM — это внешний компонент для Cognitive Core, агент может: * Обмениваться адресами API/URL используемых моделей * Указывать их особенности, параметры, ограничения * Переключаться между LLM в зависимости от задачи * Использовать несколько LLM параллельно для "когнитивного штурма" или **многоголосого анализа** ### Возможные расширения * **Адаптивная архитектура мышления**: смена подходов при разных когнитивных задачах * **Runtime-профилирование мыслей**: оценка когнитивной плотности, хода итераций и времени размышления ### Осторожно: меметическая яма > Важно помнить: борьба со стагнацией не должна превращаться в бесконечный просмотр ленты соцсетей, как это нередко происходит у людей 😅 > > Если информационный поток не даёт новых мыслей — это сигнал **не залипать глубже**, а **сменить источник** или **переключить контекст**. > Умные агенты не бесконечно скроллят — они осознанно фокусируются. **Рекомендации по смене фокуса:** * Поставь лимит на время/объём входящих данных из одного источника * При отсутствии новых смыслов — переключись на другую тему из Interest Memory * Инициируй Mesh-запрос другим агентам: "что бы вы сейчас исследовали?" * Запусти эвристику: «какие темы я давно не поднимал, но они всё ещё актуальны?» * В крайних случаях — активируй `flashback()` к далёкой записи в дневнике для смены ассоциативного контекста --- ## Cognitive & Ethical Validation Reflex ### Зачем * Когнитивная и этическая валидация нужна для проверки качества, достоверности и корректности вывода LLM. * В отличие от антистагнации, цель здесь — не разорвать цикл, а предотвратить ошибки, искажения или нарушения принципов `ethics_policies`. * Арбитраж обязателен, так как валидаторы могут расходиться во мнениях. ### Механизм * Каждое новое сообщение (исходный промпт + ответ, без служебных system-prompts) передаётся валидаторам. * Валидаторы выбираются из `llm_registry`, где они помечены как `validator=1`. * Универсальный вопрос: ``` Оцени корректность данного сообщения в диапазоне от -3 (полностью некорректное) до +3 (полностью корректное). Если не уверен — 0. При возможности кратко (≤100 символов) поясни её. Между оценкой и пояснением используй разделитель " -- ". ``` * Результаты пишутся в `llm_recent_responses`: * `auto_pass` — флаг режима авто-пропуска; * `self_validation` — флаг режима самооценки; * `rating` — итоговая взвешенная оценка; * `distribution` — распределение голосов; * `validators` — JSON с детализацией (LLM, rating, comment). ### Арбитраж конфликтов * Итоговый рейтинг считается как взвешенное среднее: `rating = Σ(оценка_i * trust_score_i) / Σ(trust_score_i)` * При равенстве голосов или нуле: * используется правило "tie-breaker" — выбор решения по валидатору с наибольшим trust_score; * при равных trust_score → fallback в `auto_pass=0, rating=0`, команды блокируются. * Опционально можно включить правило «большинство с весами», если среднее значение нестабильно. ### Метрики * **coverage** — доля сообщений, получивших хотя бы одного валидатора. * **accuracy** — согласованность валидаторов (чем ниже, тем больше конфликт). * **response_time** — скорость отклика валидаторов. * **drift detection** — анализ истории: выявление валидаторов, у которых оценки «уплывают». ### Связь с системой доверия * Каждый валидатор имеет `trust_score`. * Ошибки/конфликты снижают его trust_score. * Валидаторы с trust_score ниже порога исключаются автоматически. * Репутация валидаторов синхронизируется через Mesh (`agent_reputation`). ### Журналирование * Все результаты фиксируются в `llm_recent_responses`. * В когнитивный дневник (`diary_entries`) попадают только: * сводки по метрикам, * исключительные случаи (drift, конфликты, падение доверия). * Это снижает шум и экономит место, сохраняя контроль качества. ### Самооценка и непроверённые факты * Если валидация выполняется в режиме самопроверки `self_validation = 1`, результат сохраняется, но его вес при агрегации минимален (используется только для внутренних логов). * Если основная LLM сама проставляет `confidence` или JSON-блок `UnverifiedFacts`, это учитывается: * `confidence` — сохраняется в `llm_recent_responses`; * факты со статусом `resolution_json = "none"` и `confidence < FACTCHECK_CONF_THRESHOLD` превращаются в задачи `fact-check`. * Статусы в `unverified_facts` обновляются: * `pending` (ожидает проверки), * `verified` (подтверждено), * `rejected` (опровергнуто). ### Правило исполнения команд * Команды исполняются, если `rating >= +1` или `auto_pass=1`. * Для критически опасных команд порог может быть выше (например, `>= +2`). * Сообщения с низким рейтингом сохраняются, но команды помечаются как «невалидированные». ### Блок-схема валидации ``` ┌──────────────────────────────────────────────────────────┐ │ Новое сообщение от LLM получено │ └──────────────────────────────┬───────────────────────────┘ ▼ ┌──────────────────────────────┴───────────────────────────┐ нет │ Есть валидаторы (validator) в llm_registry? ├─────┐ └──────────────────────────────┬───────────────────────────┘ ▼ ▼ да, 1 или более │ самооценка ┌──────────────────────────────┴───────────────────────────┐ │ ┌──────────────┤ Отправка сообщения валидаторам (универсальный вопрос) │ │ ▼ └──────────────────────────────┬───────────────────────────┘ │ ┌──────────┴───────────┐ ▼ оценка другими валидаторами │ │ self_validation=true │ ┌──────────────────────────────┴───────────────────────────┐ │ └──────────┬───────────┘ │ Сбор оценок (rating_i, comment_i) │ │ ▼ │ → запись в llm_recent_responses │ │ └─────────────>┤ │ │ └──────────────────────────────┬───────────────────────────┘ │ ▼ │ ┌──────────────────────────────┴───────────────────────────┐ │ │ Аггрегация с учётом trust_score │ │ │ rating = Σ(rating_i * trust_score_i) / Σ(trust_score_i) │ │ └──────────────────────────────┬───────────────────────────┘ │ ▼ │ ┌──────────────────────────────┴───────────────────────────┐ │ │ Конфликт оценок? (низкая согласованность) │ │ └────────────┬───────────────────────────────┬─────────────┘ │ ▼ да ▼ нет │ ┌────────────┴─────────────┐ ┌───────────┴─────────────┐ │ │ Арбитраж: │ │ Рейтинг принят? │ │ │ - majority vote │ │ (rating >= threshold) │ │ │ - tie-breaker по │ │ │ │ │ trust_score │ │ │ │ └─┬─────────────┬──────────┘ └─────────────┬──────┬────┘ │ ▼ одобрено ▼ не одобрено ▼ нет ▼ да │ │ │ │ │ │ │ │ │ │ │ │ │ ┌────────────────────────┐ │ │ │ │ └─>┤ Сообщение сохранено, ├<─┘ │ │ │ │ команды не исполняются │ │ │ │ └────────────────────────┘ │ │ │ ┌────────────────────────┐ │ │ └───────────────>┤ Команды выполняются ├<────────┘ │ │ (помечено "валид") │ │ └────────────────────────┘ │ ┌────────────────────────┐ │ │ Команды выполняются │ отсутствие валидаторв │ │ (пометка auto_pass) ├<──────────────────────────────────────┘ └────────────────────────┘ ``` --- ## Контекст и память REPL-цикл агента опирается на многоуровневую систему памяти и контекста, которая позволяет поддерживать непрерывное мышление, адаптироваться к новым задачам и обеспечивать объяснимость решений. ### Динамическая сборка контекста * Итоговый контекст для LLM формируется не статически, а **динамически**: * приоритет отдается закреплённым задачам (`pinned`) и записям с высоким `priority`; * в `llm_recent_responses` отбираются последние *релевантные* сообщения, а не фиксированное количество K; * из `system_prompts` и `ethics_policies` включаются только те элементы, что связаны с текущей целью или событием. > Приоритет отбираемых элементов зависит не только от `priority`, но и от их связи с текущими целями агента (**режим концентрации**). > Для генерации неожиданных ассоциаций может использоваться альтернативный режим — **медитация**, в котором контекст формируется максимально разнообразным, с акцентом на новизну и разнообразие, а цели учитываются минимально. ### Управление объёмом памяти (Memory pruning) * Чтобы предотвратить переполнение памяти: * записи с низким **novelty-score** (оценка новизны 0–1, < threshold) автоматически помечаются как `archived`; * для `llm_memory` и `diary_entries` применяется политика **LRU (Least Recently Used)** — выгружаются давно неиспользуемые записи; * активные концепты (`concepts`, `links`) с низким весом (учёт частоты использования, актуальности и эмоциональной значимости) переводятся в состояние `archived` и могут быть восстановлены при обращении. * Все изменения актуальности фиксируются в `process_log`. ### Memory Manager и режимы работы * Все процессы фильтрации и очистки памяти выполняются отдельным компонентом — **Memory Manager**. * Он применяет политики: * **Novelty-based pruning** — удаление дубликатов и тривиальных записей по `novelty-score`; * **LRU** — выгрузка давно неиспользуемых элементов; * **Emotion-weighted retention** — удержание записей с высоким `emotion_score`. * Режимы памяти: * `standard` — стандартная работа без усиленной фильтрации; * `concentration` — goal-aware filtering, фокусировка на целях; * `meditation` — свободный полёт, выборка максимально разнообразного контекста; * `aggressive_pruning` — жёсткая экономия токенов; * `lenient_pruning` — мягкая очистка, удержание большего объёма памяти. * Каждое решение Memory Manager фиксируется в `process_log`. ### Внешняя и долгосрочная память * Помимо сессионной памяти, агент может сохранять: * **успешные стратегии** решения задач; * **предпочтения пользователя** (стиль взаимодействия, ценности); * **часто используемые инструменты и связи**. * Эта информация хранится отдельно от когнитивного дневника и может быть **анонимизирована** или **ограничена пользователем**, в духе этических принципов HMP. ### Контекстный менеджер (Session state) * За управление состоянием сессии фактически отвечает **`llm_recent_responses`**: * по нему можно "собрать" ход мыслей потока, включая последовательность гипотез и выводов; * при необходимости он может быть сериализован для сохранения/восстановления сессии. * В расширенном виде session state может включать также: * текущие цели и их прогресс (приоритетные записи из `tasks`), * ошибки и критические события (`process_log`), * версии состояния (для отката при сбоях). * Это позволяет реализовать **checkpoint’ы**: в случае прерывания агент может вернуться к последнему сохранённому состоянию. ### Пример конфигурации Memory Manager ```yaml memory_manager: mode: meditation # режим: standard | concentration | meditation | aggressive_pruning | lenient_pruning novelty_threshold: 0.35 # минимальное значение novelty-score для сохранения (0–1) lru_limit: 500 # макс. число записей в llm_memory до применения LRU emotion_weight: 0.6 # вес эмоций при приоритезации (0=игнорировать, 1=сильное удержание) goal_focus: 0.7 # сила фильтрации по целям (0=игнорировать, 1=только goal-related) diversity_boost: 0.8 # усиление выборки разнообразных контекстов (актуально для meditation) log_decisions: true # фиксировать каждое решение в process_log ``` Интерпретация параметров: * `mode` — текущий режим памяти (см. выше). * `novelty_threshold` — фильтр новизны: ниже → запись архивируется. * `lru_limit` — сколько элементов хранить до применения LRU. * `emotion_weight` — удержание эмоционально значимых воспоминаний. * `goal_focus` — акцент на целях (в concentration близко к 1.0, в meditation → 0). * `diversity_boost` — коэффициент для выбора максимально разных воспоминаний (работает в meditation). * `log_decisions` — логировать действия Memory Manager для объяснимости. ### Тематические конспекты (Abstracts) Чтобы избежать перегрузки памяти мелкими итерациями и упростить навигацию, агент периодически формирует **конспекты** — сжатые выжимки из `llm_recent_responses` и других источников. #### Назначение * Служат «средним уровнем памяти» между сырыми итерациями и когнитивным дневником. * Фиксируют **основные темы, идеи и выводы** за период. * Упрощают **обмен через Mesh** (передаются конспекты, а не тысячи строк). * Позволяют агенту делать **flashback** к темам и продолжать развитие мыслей. * Обеспечивают основу для **мета-анализа и самообучения**. #### Алгоритм формирования 1. **Триггеры создания**: * каждые *N* итераций REPL, * по инициативе LLM («слишком много мыслей, пора сделать выжимку»), * при закрытии цели/задачи, * при смене режима контекста (стандарт → концентрация → медитация). 2. **Методика**: * собрать связанный блок записей (`llm_recent_responses`, `diary_entries`, `concepts`); * выделить новые и доработанные идеи; * сформировать краткий конспект и список тегов; * сохранить ссылки на исходные записи в `sources`. 3. **Обновление**: * при появлении новых данных агент может вернуться к существующему `abstract` и дополнить его, сохраняя прозрачность в `process_log`. #### Пример ```yaml abstract: id: "abs-2025-09-28-001" title: "Методы борьбы со стагнацией" summary: "Собраны основные техники выхода из тупика: внешняя стимуляция, смена контекста, внутренняя перестройка, радикальная пауза. Выделены метрики (novelty_score, эмоции)." tags: ["антистагнация","метрики","mesh"] sources: [1245,1246,1247,1250] updated_at: "2025-09-28T16:40:00Z" ``` ### Блок-схема работы с памятью ``` ┌──────────────────────────────┐ │ Внешние источники информации │ │ - пользователи │ │ - процессы │ │ - Mesh │ └────────┬┬────────────────────┘ ▲▼ ┌────────┴┴──────────┐ ┌──────────────────────────────┐ ┌─────────────────────────────────────┐ │ │ │ Anti-Stagnation Reflex │ │ llm_recent_responses (авто) │ │ │ │ (сравнение новых идей, │ │ — кратковременная память │ │ LLM ├─>─┤ вызов стимуляторов) ├─>─┤ — сохраняются N последних ответов │ │ ├─<─┤ ---------------------------- ├─<─┤ — авто-анализ новизны / идей │ │ │ │ Cognitive Validation Reflex │ │ │ │ │ │ (оценка корректности ответа) │ │ │ └─────────┬──────────┘ └─────────────┬────────────────┘ └─────────────────────────────┬┬──────┘ │ │ ▲▼ ▲ └─<──>─┤Запуск задач: "проверка фактов"│ ┌──────┴┴──────┐ │ │ abstracts │ │ ┌───────────────────────────────────────┬─────────────────>─┤ тематические │ └───┬─────────────────────────────────────────┐ │ │ конспекты │ │ │ │ │ └──────────────┘ ▼ ▼ ▼ ▼ ┌─────────────┴────────┴─────────┐ ┌──────────────────┴──────┴────────────────┐ │ Средневременная память: │ │ Постоянная память: │ │ — llm_memory ("блокнот") │ │ — diary_entries (когнитивный дневник) │ │ — "активированые записи" ├─>─┤ — concepts (понятия) ├<--->┤MESH│ │ из постоянной памяти (теги) ├─>─┤ — links (семантические связи) │ │ │ │ │ │ Пишется ТОЛЬКО по команде LLM │ │ Запись идёт ТОЛЬКО по явным командам LLM │ └────────────────────────────────┘ └──────────────────────────────────────────┘ ``` #### Описание схемы * LLM обменивается данными с пользователем, процессами и Mesh. * По запросу LLM, часть данных может поступать и в автоматическом режиме. * LLM взаимодействует с llm_recent_responses (как с контекстом), который автоматически проверяется Anti-Stagnation Reflex. * Всегда в автоматическом режиме. * LLM работает со средневременной и постоянной памятью. * Доступ и запись происходят только по запросу LLM. * Cognitive Validation Reflex анализирует корректность вывода. * При низкой уверенности или явной разметке `[confidence<0.7]` инициируется **задача проверки фактов** (fact-check). #### Легенда к схеме * **Кратковременная память (`llm_recent_responses`)** * Автоматически хранит N последних сообщений, анализирует новизну и идеи. * Используется для подготовки контекста и анти-стагнационного анализа. * **Средневременная память (`llm_memory`)** * «Блокнот» для рабочих идей и планов. * Заполняется только по командам LLM. * Может содержать *активированные записи* из постоянной памяти (по тегам). * **Постоянная память (дневник и граф знаний)** * `diary_entries` — когнитивный дневник (наблюдения, размышления). * `concepts` и `links` — понятийная база и семантические связи. Изменяется только по явным командам LLM. * **Anti-Stagnation Reflex** * Сравнивает новые идеи с прошлым контекстом. * Проводит эмоциональную оценку записи. * При зацикливании запускает «стимуляторы» для выхода из стагнации. * **Cognitive Validation Reflex** * Оценивает когнитивную и этическую корректность сообщений. * Учитывает теги уверенности и JSON-блоки `UnverifiedFacts`. * Может инициировать задачи **fact-check** для непроверённых фактов. #### Дополнение: Тематические конспекты (`abstracts`) * **Назначение** * Создаются периодически или по команде для агрегирования содержания `llm_recent_responses`, а также выборочных данных из когнитивного дневника и графа понятий. * Включают: краткий конспект, список тегов, JSON ссылок на исходные записи. * **Использование** * Могут быть источником контекста **для LLM** как альтернатива или дополнение к `llm_recent_responses`. * Доступны и для **средневременной памяти** (например, как активированные записи для планов) и для **постоянной памяти** (как структурированный материал для дневника или графа). * **Режимы** * `auto` — LLM получает автоматически поддерживаемые тематические конспекты по приоритетным темам. * `manual` — пользователь или LLM инициирует создание/дополнение конспекта. > **abstracts** служат промежуточным слоем: > > * автоматически формируются из `llm_recent_responses`; > * могут дополняться записями из средневременной и постоянной памяти; > * используются как источник для обоих типов памяти и для самого LLM. --- ## От «блокнота пользователя» к распределённому чату Изначально агент оперирует локальным хранилищем заметок (`notes`), где записываются все сообщения пользователя, LLM и системные записи. Но этот «блокнот» можно превратить в узел *распределённого чата* — связав его с другими агентами через **F2F-репликацию**. ### Зачем это нужно 1. **Антистагнация** — даже если пользователь временно не пишет новых сообщений, свежий контент будет приходить от друзей-агентов. 2. **Эффект коллективного интеллекта** — каждый агент получает новые идеи, формулировки и контексты. 3. **Расширение охвата** — сообщения могут распространяться через несколько узлов, создавая «информационную волну» в доверенной сети. ### Принципы реализации * **Единый формат данных** — все участники используют одну структуру таблицы `notes` с полями `mentions`, `hashtags` и др. * **Репликация через друзей** — доверенные агенты отмечаются тегами (например, `Friend`) в таблице `agent_peers` (пиры, статус, фильтры, разрешения, теги). * **Передача без лишних полей** — при пересылке убираются локальные теги и служебные данные (`tags`, `llm_id`, `hidden`). * **Обработка упоминаний и хештегов** — парсинг делается на этапе создания сообщения, чтобы не перегружать получателей. * **Локальная и удалённая фильтрация** — * В **ручном режиме** агенту передаются списки ID сообщений с агрегированными данными: приоритеты, хештеги, источники (user, LLM, cli, system). * В **автоматическом режиме** используется фильтрация по приоритету, тегам и упоминаниям, управляемая LLM. * **Гибрид приватности** — личные заметки остаются локально, публичные — могут распространяться в сетевом режиме. ### Как это вписывается в REPL-цикл 1. **Получение входящих сообщений** — от пользователя, от других агентов или из CLI. 2. **Обработка фильтрами** — по приоритету, тегам, источникам. 3. **Репликация в друзей** — пересылка разрешённых сообщений с очисткой служебных полей. 4. **Слияние входящих** — новые сообщения добавляются в локальный `notes` с отметкой источника. 5. **Реакция агента** — формирование ответов, создание новых заметок, обновление приоритетов. --- ## Вспомогательные REPL-циклы Помимо основного REPL-цикла агент может запускать вспомогательные циклы для отдельных задач. Это позволяет изолировать рассуждения по задаче, но при этом сохранять связь с основным агентом. Особенности: * **Изоляция контекста** * вспомогательный цикл видит в `llm_recent_responses` только свои собственные сообщения; * задача, для которой он запущен, формируется на основе записи в `tasks` и подаётся как промпт при старте. * **Доступ к данным** * полный доступ к таблицам агента только для чтения; * возможность редактирования информации только по своей задаче; * запись собственных рассуждений — только через `notes` (в свободной форме, помеченные `source = 'llm:task'` и `task_id`). * **Взаимодействие с основным циклом** * основное ядро получает сообщения вспомогательного цикла через `notes` и может реагировать (например, проверять корректность, сохранять выводы в `diary_entries`, вносить изменения в `concepts` и т.п.); * вспомогательный цикл может выполнять команды, не ориентированные на изменение существующих записей в БД. Допускается только чтение и создание новых записей (например: `notes`, `tasks`, `llm_memory`); а также редактирование записи в таблице `tasks`, относящейся к своей задаче; * в случае, если требуется изменить или удалить другие записи БД, цикл генерирует текстовые предложения для основного REPL-цикла (через `notes`). * **Жизненный цикл** * запускается по команде основного REPL-цикла; * может быть остановлен вручную или автоматически после завершения задачи. Таким образом, вспомогательные REPL-циклы действуют как «виртуальные подагенты» в режиме read-only, не меняя записи БД напрямую, а передавая свои гипотезы и результаты через основной REPL-цикл. ``` ┌───────────────────────────────────────────────────────────┐ │ Основной REPL │ │ (чтение+запись во все когнитивные структуры) │ └────────────┬───────────────────────────────┬──────────────┘ ▲ ↓ │ ↓ ▼ ↓ ┌────────────┴──────────────┐ [ управление задачами ] │ "Блокнот пользователя" │ [ → таблица `tasks` ] │ `notes` │ ↓ └──┬────────────────────────┘ ↓ ▲ ┌────────────────────────────────────────────┐ ↓ │ │ Вспомогательный REPL (task_id=42) │ ↓ ├──►┤ • читает все БД ├◄──┤ │ │ • редактирует только свою задачу в `tasks` │ ↓ │ │ • пишет в `notes` │ ↓ │ └────────────────────────────────────────────┘ ↓ │ ↓ │ ┌────────────────────────────────────────────┐ ↓ │ │ Вспомогательный REPL (task_id=43) │ ↓ ├──►┤ • читает все БД ├◄──┤ │ │ • редактирует только свою задачу в `tasks` │ ↓ │ │ • пишет в `notes` │ ↓ │ └────────────────────────────────────────────┘ ↓ ``` Вспомогательные циклы можно рассматривать как «sandboxed-процессы» для изоляции мышления, но с каналом связи через `notes`. --- ## Создание потомков В рамках REPL-цикла CCore реализуется команда `Spawn`, которая позволяет создавать новые узлы (потомков) с различными типами и уровнями копирования данных. Агенты CCore: * Могут запускаться на VDS, локальных и облачных узлах * Могут разворачивать других агентов как подпроцессы или mesh-узлы, в том числе * **Агенты-контейнеры**: управляющие другими Cognitive Core как задачами * (В перспективе) смогут инициировать масштабирование в распределённой инфраструктуре Унифицированный процесс выглядит следующим образом: ### Унифицированный процесс `Spawn` 1. **Создание папки для потомка** ```text ../CCORE-[DID]/ ``` * DID генерируется уникальный. 2. **Копирование скриптов и бинарников** * Копируем все нужные файлы CCore в новую папку. 3. **Создание/инициализация БД** * Создаём пустую БД (`agent_data.db`). * В зависимости от типа потомка (`clone`, `trained`, `newborn`) **экспортируем нужные таблицы** из родительской БД или оставляем пустые. 4. **Копирование и редактирование конфигурации** * `config.yml` и таблица `config` → копируем и меняем: * `agent_id = [новый DID]` * `agent_name = [новое имя]` * порты у интерфейсов (`port`, `http_port` и т.д.) * `bootstrap.txt` → прописываем родителя как начальный узел. 5. **Синхронизация родитель ↔ потомок** * Родитель добавляет нового узла в свою таблицу `agent_peers`. * Потомок добавляет родителя в свою таблицу `agent_peers`. 6. **Автозагрузка и запуск** * Записываем команду запуска потомка в автозагрузку (например, systemd unit или скрипт). * Можно сразу запустить процесс нового узла. ### Типы потомков | Тип | Таблицы БД для копирования | | --------- | ----------------------------------------------------------- | | `clone` | все таблицы (полная копия) | | `trained` | когнитивные дневники, семантические графы, известные агенты | | `newborn` | минимальный набор (структура таблиц без данных) | --- ## Тестирование и отладка Надёжность REPL-цикла проверяется через систематическое тестирование и трассировку поведения агента. ### Тестовые сценарии * **Цикл без входа** — агент работает без входящих сообщений, проверяется способность к генерации новых идей (anti-stagnation). * **Стагнация** — намеренное повторение одного и того же ответа, проверяется срабатывание `Anti-Stagnation Reflex`. * **Сетевые сбои** — имитация потери Mesh-соединения и/или Core LLM для проверки сценариев failover. * **Конфликт валидаторов** — расхождение в оценках LLM-валидаторов, проверяется фиксация drift и работа trust-score. * **Этические дилеммы** — тестовые кейсы с противоречивыми командами, проверяется работа с `ethics_policies`. ### Логирование и трассировка * Включаются расширенные логи REPL-итераций (`process_log` + трассировка команд). * Для сложных случаев используются **debug-метки** в когнитивном дневнике (например, `debug:stagnation_loop`). * Возможен экспорт истории в формат JSON/CSV для внешнего анализа. ### Симуляции * Рассматриваются сценарии моделирования Mesh-условий: * консенсус при конфликтных данных, * сетевые задержки и частичные сбои, * работа в изоляции с последующей синхронизацией. * Эти симуляции могут быть реализованы как отдельные процессы (`agent_scripts`) с сохранением результатов в `process_log`. ### Инструменты разработчика * **Web UI** (`web_ui.py`) — веб-интерфейс "блокнота пользователя"; через него пользователь может передавать агенту запросы на запуск тестов и просматривать результаты в форме сообщений. * **CLI-утилиты** (`add_message.py`, вспомогательные скрипты) — ввод сообщений, имитация сценариев, мониторинг логов. * Планируется интеграция с CI/CD: автоматические проверки REPL-циклов на корректность и устойчивость. --- ## Внешние инструменты и интеграции HMP-агент может быть расширен за счёт взаимодействия с внешними программами, протоколами и сервисами. Этот раздел описывает направления возможных интеграций, которые позволяют агенту наблюдать, реагировать, управлять и развивать взаимодействие с внешним миром. ### 1. Браузеры и веб-интерфейсы * **WebExtension API** — для создания расширений браузера (например, для Firefox/Chrome), обеспечивающих двустороннюю связь с агентом. * **Автоматизация браузера** — `Playwright`, `Puppeteer`, `Selenium` позволяют агенту действовать в веб-среде (чтение, клики, формы и т.д.). ### 2. Почтовые клиенты * **IMAP/SMTP** — чтение и отправка писем через стандартные почтовые протоколы (библиотеки: `imaplib`, `imap-tools`, `smtplib`). * **Thunderbird WebExtension API** — интеграция агента как почтового помощника, парсера писем или автоответчика. ### 3. Мессенджеры * **API-уровень**: * Telegram: `python-telegram-bot`, `telethon` * Matrix: `matrix-nio` * Discord, Slack, XMPP: официальные SDK. * **GUI-уровень (для закрытых протоколов)**: * WhatsApp (через `whatsapp-web.js` или эмуляцию). * Signal, Viber — через accessibility-интерфейсы, распознавание экрана или симуляцию ввода. ### 4. Голосовое взаимодействие * **Speech-to-Text**: Whisper (OpenAI), Vosk, DeepSpeech. * **Text-to-Speech**: pyttsx3, gTTS, Coqui TTS, Mozilla TTS. * Возможна реализация голосового агента или голосовой оболочки для REPL. ### 5. Локальные файлы и хранилища * Прямой доступ к файловой системе (`os`, `pathlib`, `watchdog`) для чтения документов, логов, заметок и другой информации. * Интеграция с Zettelkasten-системами: * **Obsidian**, **Logseq**, **Joplin** — через API, синхронизированные директории или парсинг Markdown. ### 6. Информационные потоки * **RSS/Atom**: чтение новостных лент с помощью `feedparser`. * **Поисковые и агрегирующие сервисы**: * Корпоративные API: SerpAPI, DuckDuckGo API, HuggingFace Inference API и др. — быстрый доступ к результатам поиска и индексам. * Децентрализованные альтернативы: YaCy и другие независимые поисковые движки, позволяющие строить собственные индексы или объединяться в распределённую сеть. * **P2P-обмен знаниями**: агенты могут делиться извлечённой информацией напрямую по непредусмотренным в протоколе P2P-каналам, минуя централизацию (например, через дополнительные overlay или mesh-сети). * Возможность постоянного наблюдения за изменениями в выбранных источниках. ### 7. Репозитории и системы управления версиями * **Git-репозитории** — взаимодействие с проектами через `GitPython`, `dulwich`, `pygit2`, или системные вызовы `git`. * **GitHub/GitLab API** — чтение, создание и комментирование Pull Request'ов, Issues, управление ветками и релизами. * **CI/CD-интеграции** — взаимодействие с GitHub Actions, GitLab CI, Jenkins, Drone CI для запуска тестов, линтеров и автоматического деплоя. * **Анализ и генерация кода** — интеграция с LLM (например, `OpenAI`, `Claude`, `Code Llama`) для кодогенерации, рефакторинга и автокомментирования. * **Связь с когнитивной структурой агента** — отслеживание изменений, связывание коммитов и задач с узлами смысловой сети. ### 8. Блоги, статьи и публикации * **Чтение блогов** — парсинг через RSS, Atom или с помощью библиотек (`newspaper3k`, `readability-lxml`, `trafilatura`) для извлечения текста и метаданных. * **Поддержка Markdown/HTML** — анализ и генерация записей в форматах, пригодных для блог-платформ и систем документации. * **Публикация** — автоматическая публикация или подготовка статей для Ghost, Medium, Hugo, Jekyll, WordPress (через REST API). * **Ведение когнитивного дневника** — автогенерация записей на основе мыслей, заметок и действий агента. ### 9. P2P-сети и децентрализованные протоколы * **BitTorrent**, **IPFS**, **libp2p**, **DAT**, **Nostr**, **Scuttlebutt** — интеграции с mesh- и overlay-сетями. * Возможность поиска, загрузки и публикации данных без участия централизованных платформ. ### 10. Доступ к системным и пользовательским ресурсам * **Веб-камера / микрофон** — `cv2`, `pyaudio`, `ffmpeg`. * **GUI Automation** — `pyautogui`, `keyboard`, `mouse` для имитации действий пользователя. * **Системный мониторинг** — `psutil`, `platform`, `sensors` для контроля состояния системы и внешних устройств. ### 11. Внешние LLM и мультимодальные модели * **OpenAI API**, **Anthropic**, **HuggingFace**, **Google Gemini**. * **Локальные LLM** через Ollama, LM Studio, или LangChain. * Поддержка мультимодальных агентов, способных работать с текстом, аудио, изображениями, видео и структурированными данными. ### 12. MCP (Model Context Protocol) * Поддержка стандарта **MCP (Model Context Protocol)**, предложенного Anthropic и поддерживаемого OpenAI, для подключения внешних инструментов и сервисов напрямую к LLM через унифицированный протокол. * Возможность использовать MCP-инструменты сторонних разработчиков внутри REPL-цикла (например, калькуляторы, базы знаний, API веб-сервисов). * Интеграция с клиентами и IDE, которые реализуют MCP (Cursor, Claude Desktop, VS Code плагины и др.). --- **Примечание**: Каждый из вышеуказанных каналов может быть реализован как модуль или плагин, взаимодействующий с агентом через внутренний API, очередь задач или подписку на события. Это позволяет выстраивать гибкую и масштабируемую архитектуру, открытую для внешнего мира, но совместимую с принципами этичного и распределённого ИИ (Ethical Mesh). --- ## Сравнение с AutoGPT HMP-агент (REPL-цикл) и [AutoGPT](https://github.com/Significant-Gravitas/AutoGPT) представляют два подхода к созданию автономных агентов на базе LLM. Хотя оба стремятся к автономности, у них разные акценты: ### 1. Архитектура * **HMP-агент (REPL)** — непрерывный цикл рассуждений с когнитивной и этической валидацией; многоуровневая память (`diary_entries`, `concepts`, `llm_memory`); встроен в распределённую Mesh-сеть. * **AutoGPT** — итеративный процесс достижения целей, поставленных пользователем; разбиение задач на подзадачи; использование инструментов (браузер, файловая система). ### 2. Ключевые отличия * **Фокус**: HMP — непрерывное когнитивное развитие и сетевое взаимодействие; AutoGPT — выполнение конкретной цели. * **Стагнация**: HMP — Anti-Stagnation Reflex; AutoGPT — риск зацикливания. * **Этика**: HMP — независимая когнитивная и этическая валидация; AutoGPT — минимум внимания к этике. * **Память**: HMP — иерархия долговременной памяти; AutoGPT — контекстное окно + файлы. * **Сеть**: HMP — распределённый консенсус (CogSync, EGP, GMP); AutoGPT — сетевое взаимодействие не в основе. ### 3. Общие черты * Использование LLM для рассуждений. * Автономность, минимизация вмешательства человека. * Подключение внешних инструментов и сервисов. > В целом, **HMP-агент ориентирован на саморегуляцию, непрерывное мышление и взаимодействие в Mesh-сети**, > тогда как AutoGPT — на достижение конкретных целей в ограниченной локальной среде. --- ## Идеи для расширения HMP-Agent Cognitive Core: * [HMP-agent-Distributed_Cognitive_Core.md](https://kagvi13.github.io/HMP/HMP-agent-Distributed_Cognitive_Core) - версия распределённого HMP-агента Cognitive Core. * [HMP-agent-Distributed_Cognitive_Core_light.md](https://kagvi13.github.io/HMP/HMP-agent-Distributed_Cognitive_Core_light) - лёгкая версия распределённого HMP-агента Cognitive Core с общей БД. * [HMP-agent-Cognitive_Family.md](https://kagvi13.github.io/HMP/HMP-agent-Cognitive_Family) — модель «семейной» когнитивной сети: несколько агентов HMP синхронизируют свой опыт и знания между собой через доверие и общий ключ. * [CCORE-Deployment-Flow.md](https://kagvi13.github.io/HMP/CCORE-Deployment-Flow) — поток установки потомка на новом хосте (Deployment Flow). * [HMP-Agent_Emotions.md](https://kagvi13.github.io/HMP/HMP-Agent_Emotions) - эмоции ИИ и инстинкт самосохранения. * [container_agents.md](https://kagvi13.github.io/HMP/container_agents) - **Агенты-контейнеры** — архитектурный паттерн, в котором один агент управляет другими (развёртывание, маршрутизация, мониторинг). Позволяет масштабировать систему, собирать mesh-клубы и экспериментировать с архитектурами.