@ claude- flow/ 神经
Claude Flow V3——适应性学习,轨迹跟踪,图案再用,以及7个RL算法的自优化神经架构(SONA)在一个单包中.
这是什么
一个自成一体的学习模块,记录了代理执行轨迹,将其分馏为可再用模式,为新任务取回匹配,并通过SONA + LORA + EWC++来适应. 被设计为克洛德·福林克(Claude Flow CLI)的智能层所构成的底物——包拥有算法,CLI拥有管弦乐.
安装
npm install @claude-flow/neural
注释(2026-05-16):
@claude-flow/[email protected]+针头@ruvector/sona到确切的已知善0.1.5因为@ruvector/[email protected]作为空出版物(README +)发售package.json仅 -- -- 没有index.js没有原生的垃圾桶). 先前的α.8 使用过的"latest"并打破了每一个新安装。 针会 一直停留到@ruvector/[email protected]+有内容的船只.
独立使用(没有 Ruflo CLI)
// route a task across 8 specialized experts (MoE) — no other deps
import { getMoERouter } from '@claude-flow/neural';
const router = getMoERouter();
await router.initialize();
const decision = await router.route(
new Float32Array(384).fill(0.1), // task embedding
{ task: 'optimize-query', complexity: 0.7 },
);
console.log(decision.expert, decision.confidence);
// → 'performance', 0.83 (or whichever expert wins)
快速启动( 建议)
NeuralLearningSystem 是高级的切入点——它连接 SONAManager, (中文(简体) ), ReasoningBank,以及 PatternLearner 所以来电者不必:
import { createNeuralLearningSystem } from '@claude-flow/neural';
const sys = createNeuralLearningSystem('balanced');
await sys.initialize();
// Track a task
const id = sys.beginTask('Refactor auth middleware', 'code');
// Record steps as the agent works (Float32Array embeddings)
sys.recordStep(id, 'analyzed-imports', 0.8, embedding1);
sys.recordStep(id, 'extracted-helpers', 0.9, embedding2);
// Complete — fires distillation + pattern extraction automatically
await sys.completeTask(id, /* qualityScore */ 0.85);
// Retrieve relevant memories for the next similar task
const memories = await sys.retrieveMemories(queryEmbedding, /* k */ 3);
const patterns = await sys.findPatterns(queryEmbedding, 3);
// Periodic learning sweep (consolidation + EWC)
await sys.triggerLearning();
console.log(sys.getStats());
// → { sona: NeuralStats, reasoningBank: { ... }, patternLearner: { ... } }
下层 API: SONA 管理器
对于想要直接管理轨迹和模式的呼叫者:
import { createSONAManager, type Trajectory } from '@claude-flow/neural';
const sona = createSONAManager('balanced');
await sona.initialize();
// domain ∈ 'code' | 'creative' | 'reasoning' | 'chat' | 'math' | 'general'
const trajectoryId = sona.beginTrajectory('code-review-task', 'code');
sona.recordStep(trajectoryId, 'analyze-code', 0.8, stateEmbedding);
sona.recordStep(trajectoryId, 'generate-feedback', 0.9, nextStateEmbedding);
const trajectory: Trajectory = sona.completeTrajectory(trajectoryId, 0.85);
// Query patterns
const matches = await sona.findSimilarPatterns(contextEmbedding, /* k */ 3);
// Trigger consolidation manually
await sona.triggerLearning('manual');
sona.consolidateEWC();
学习模式
| 模式 | 适应 | 质量 | 内存 | 使用大小写 |
|---|---|---|---|---|
| 实时 | < 0. 5ms (单位:千美元) | 70%+ | 25 个 MB | 低纬度生产 |
| 平衡 (默认) | < 18ms [1] 时 | 第75条 | 50 MB (英语) | 一般用途 |
| 研究 | < 100 分钟 | 95%+ | 100 MB (百兆瓦) | 深入探索 |
| 边缘 | < 1 分钟 | 80%+ | 5 个 MB | 资源受限 |
| 批次 | < 50 分钟 | 第八十五条 | 75 MB (英语) | 高通量 |
await sys.setMode('research'); // or directly: await sona.setMode('research')
理性银行+模式Learner(可单独访问)
NeuralLearningSystem 作曲;也可以单独使用:
import {
createReasoningBank,
createPatternLearner,
createSONALearningEngine,
} from '@claude-flow/neural';
const bank = createReasoningBank();
await bank.storeTrajectory(trajectory);
await bank.judge(trajectory);
const distilled = await bank.distill(trajectory);
const learner = createPatternLearner();
learner.extractPattern(trajectory, distilled);
const matches = await learner.findMatches(queryEmbedding, 5);
const engine = createSONALearningEngine();
const adapted = await engine.adapt(input, /* domain */ 'code');
RL算法(包括7个)
导入使用 Algorithm 在适用的情况下,后缀:
import {
PPOAlgorithm, createPPO, DEFAULT_PPO_CONFIG,
A2CAlgorithm, createA2C, DEFAULT_A2C_CONFIG,
DQNAlgorithm, createDQN, DEFAULT_DQN_CONFIG,
QLearning, createQLearning, DEFAULT_QLEARNING_CONFIG,
SARSAAlgorithm, createSARSA, DEFAULT_SARSA_CONFIG,
DecisionTransformer, createDecisionTransformer, DEFAULT_DT_CONFIG,
CuriosityModule, createCuriosity, DEFAULT_CURIOSITY_CONFIG,
} from '@claude-flow/neural';
const ppo = createPPO({ learningRate: 0.0003, epsilon: 0.2, valueCoef: 0.5 });
const dqn = createDQN({ learningRate: 0.001, gamma: 0.99, epsilon: 0.1, targetUpdateFreq: 100 });
// Generic factory — pick algorithm by name
import { createAlgorithm, getDefaultConfig } from '@claude-flow/neural';
const algo = createAlgorithm('ppo', getDefaultConfig('ppo'));
LoRA 配置
const config = sona.getLoRAConfig();
// { rank: 4, alpha: 8, dropout: 0.05, targetModules: ['q_proj','v_proj','k_proj','o_proj'], microLoRA: false }
const weights = sona.initializeLoRAWeights('code-generation');
EWC++ (弹性重量合并)
防止在适应新领域时发生灾难性的遗忘:
const config = sona.getEWCConfig();
// { lambda: 2000, decay: 0.9, fisherSamples: 100, minFisher: 1e-8, online: true }
// After learning a new task, consolidate before moving on
sona.consolidateEWC();
事件系统
sys.addEventListener((event) => {
switch (event.type) {
case 'trajectory_started': console.log(`Started: ${event.trajectoryId}`); break;
case 'trajectory_completed': console.log(`Quality: ${event.qualityScore}`); break;
case 'pattern_matched': console.log(`Pattern ${event.patternId} matched`); break;
case 'learning_triggered': console.log(`Learning: ${event.reason}`); break;
case 'mode_changed': console.log(`${event.fromMode} → ${event.toMode}`); break;
}
});
业绩指标
| 度量衡 | 目标 | 典型 |
|---|---|---|
| 适应延迟 | < 0.05 毫秒(秒) | 0.02毫秒(分钟) |
| 模式检索 | < 1 分钟 | 0.5 毫秒( 分钟) |
| 学习步骤 | < 10 分钟 | 5分钟 |
| 质量改进 | +55% (单位:千美元) | +40 - 60% |
| 内存间接费用 | < 50 MB 设备 | 25-75甲基溴 |
类型脚本
import type {
// Core
SONAMode, SONAModeConfig, ModeOptimizations,
Trajectory, TrajectoryStep, TrajectoryVerdict, DistilledMemory,
Pattern, PatternMatch, PatternEvolution,
// RL
RLAlgorithm, RLConfig,
PPOConfig, DQNConfig, A2CConfig, QLearningConfig, SARSAConfig,
DecisionTransformerConfig, CuriosityConfig,
// Neural
LoRAConfig, LoRAWeights, EWCConfig, EWCState,
NeuralStats, NeuralEvent, NeuralEventListener,
} from '@claude-flow/neural';
与 @claude-flow/cli
CLI的情报层(hooks_intelligence_*, (中文(简体) ), neural_* MCP工具, /intelligence 仪表板)是主要的消费者. 汇合的第一阶段(# 1773) 在 cli/src/memory/neural-package-bridge.ts 那些懒惰的货 NeuralLearningSystem 所以Cli的智能处理器 可以调用到包表面 与现有的本地执行。 未来阶段迁移cli's LocalSonaCoordinator 财务报告和审定财务报表 LocalReasoningBank 来包装此软件包 SONALearningEngine 财务报告和审定财务报表 ReasoningBankAdapter。 。 。 .
如果你正在建造一个需要神经学习的Ruflo插件,取决于 @claude-flow/neural 而不是直接进入cli内部.
依赖关系
@claude-flow/memory——图案的向量内存@ruvector/sona- SONA学习引擎
相关软件包
@claude-flow/memory——内存后端@claude-flow/cli− 初级消费者+ MCP 工具表面@claude-flow/cli-core—— lite 路径( 无神经; 对于插件脚本)
许可证
麻省理工学院