Cognitive-Bridge

认知桥 [](https://github.com/JosephOIognitive-Bridge/releases) [](https://.org/downloads/) [ [](https://modelcontextprotocol[](#usd-composition-bridge) [](#许可证) **一款赋予 AI 组合性思维的 MCP 服务器** — 一个它无法遗忘的记忆， 以及一个用于标记矛盾而非悄悄忽略它的框架。 > **TL;DR** — 普通的 AI 助手会忘记你告诉它们的事情，并且很少会反驳。 > 认知桥给予 AI 一个笔记本，它无法遗忘，并且有一条硬性规则：提出矛盾， > 而不是掩埋它们。决定哪个胜出”的排名， > 直接借USD** — 动画叠加 3D 场景的层叠格式 — > 并且代码证明两者在机械上是相同的。 **标签：** `mcp` · `model-context-protocol` · `claude` · `usd` · `openusd` · `livrps`argumentation-framework` · `critical-thinking` · `knowledge-graph `reasoning`fastmcp` · `pydantic `sqlite` · `--- ## 目录 用白话解释](#话解释) -作用是什么？](#是什么) - [安装) - [Cl桌面端设置](#claude-桌面端设置) - [Claude 代码设置](#claude-代码设置) - [工作原理](#工作原理) - [USD 组合桥-组合桥) 工具](#工具) - [资源和提示](#资源和提示) - [示例) - [架构](#架构) - [开发](# [开发历史历史) - [贡献) - [新张](#新颖的主- [许可证](#--- ## 用解释 *新来从这里开始。技术版本？跳转工作原理](#工作原理)。* **AI 具有金鱼记忆。** 在第 条消息中告诉您的应用程序使用 Postgre在第 50中， 它会地建议 MongoDB —它刚刚与您**解决方案：给它一个带有规则的笔记本。** 是一个 AI 在工作时内存层。每个主张都记录下来， 按我们信度排名，并与笔记本中已进行检查**发生冲突时，它会被* —被静默地覆盖。 **它还强制进行** — 四条规则内置于代码而不仅仅是 AI 可以忽略的礼貌建议： | 规则 | 日语 | |---|---| | **没有可以被证明是错误的强主张 像科学家一样有可以改变我。” | | 在争论之前先 | 它必须 ** 重述你的才能反驳。 ⚖️ **舍** | 每个决定都必须说明它放弃了什么以及它将影响什么。 | | 🔬 **当无人知道时，运行测试** | 而不是无休止地争论，它提出一个具体的实验来解决这个问题。 | **“组合”？系统直接借鉴确切*，而非宽泛 **USD（通用场景**， 电影和动画工作室用于叠加 3D 场景的层，这样正确的层叠“胜出”。 在这里，相同的数学公式决定哪个 *想法* 胜出甚至以真正的 USD 文件导出其自身的推理， 两者是相同的。 **它适用于谁？** 任何（桌面端或代码端）的人，他们厌重复解释上下文， 并希望一个助手 **反驳并展示其工作**。 --- ##作用是什么？ 大多数 AI 助手忘记了它们消息前说过告诉 Claude 你的第 5 条消息中使用 PostgreSQL，它可能会 50 条消息中建议 MongoDB， 而到矛盾。 认知桥解决了这个问题。它为 AI 提供组合阶段** — 一个结构化、持久存储，用于存储它对项目的全部了解。 主张被具有明确的强度级别。矛盾被自动检测。当 AI意见相左时， 这种分歧成为一个可跟踪、可解决的事件 — 而不是静默覆盖。 该系统在模式级别强制执行严格的思考： - **你不能做出强主张而没有说明如何证明其错误。** LOCAL 断言（最高强度）需要一个可证伪条件。 没有条件，就没有断言。通过 Pydantic 验证强制执行提示。 - **在没有理解对方观点的情况下挑战对方。** 在 AI 能够正式反驳之前，它必须阐观点的最强版本（钢人）。 在批评之前必须进行理解 **你不能做出说明你放弃了 每个记录的决定都需要至少一个的替代方案和至少影响。 不糊其辞。 - **当没有人时，你应该提出。** 暂停并提出一个衡量的测试来解决问题。 --- ## 安装 ### 前置条件 - **Python 3.11 或更高版本** -- [在这里下载](https://www.python.org/downloads/) - **pip** -- 随 Python 附带 - **Git** -- [在这里下载](https://git-scm.com/downloads) ### 1：克 ```bash git clonegithub.com/JosephOIbrahim/Cognitive-Bridge.git cd Cognitive-B``` ### 步骤：创建虚拟环境（ **macOS：** ```python3 -mvenv source .venv/bin/activate ``` **Windows (PowerShell)：powershell python -m .venv\Scripts\Activate.ps1 ``` **Windows (命令提示符)：** ```cmd python -m venv .venv\Scripts.bat ``` 步骤 3：安装 选择适合您的安装方式： ```bash # 标准安装（除了 AI 驱动的语义检测之外的所有内容） pip install -e . # 启用语义冲突检测（下载一个约 90MB模型） pip install ".[semantic]" # 完整安装和 lint 工具 pip install -e ".[all]" ``` ### 步骤 4：验证安装 ```bash python -c "from cognitive_bridge.servercp; print('')" ``` 如果您Ready.` -- 则表示安装成功。如果出现错误您是否处于虚拟环境中（您应该在符中看到 `(.venv)`）。 ### 步骤 5：运行服务器 ```bash python -m cognitive_bridge.server服务器在 stdio下启动，适用于 Claude 桌面端。它会自动在 `~/.cognitive_bridge/projects/cognitive_bridge.db` 处创建一个 SQLite 数据库。 --- ## Claude 桌面端设置 ### 1. 找到您的配置文件 | 平台 | 位置 | |----------|----------| | macOS | `~/Library/Application Support/Claude/claude_desktop_config.json` | | Windows | `%APPDATA%\Claude\claude_desktop_config.json` | | Linux | `~/.config/Claude/claude_desktop_config.json` | ### 2. 添加服务器 打开配置文件中的编辑器，并在 `mcpServers` 块中添加 `cognitive-bridge` 条目： ```json { "mcpServers": { "cognitive-bridge": { "command": "python "args": ["-m", "cognitive_bridge.server"], ": { "CB_DB_DIR": "~/.cognitive_bridge/projects" } } ``` **Windows 注意：** 如果 `python`您的 PATH 中，请使用完整路径： ```json "command": "C:\\Users\\YourName\\Cognitive-Bridge\\.venv\\Scripts\\python.exe" ``` ### 3. 重启 Claude 桌面端 关闭并重新打开 Claude 桌面端。认知桥工具应该出现在工具列表中。 ### 4. 验证 询问 Claude：*“Cognitive Bridge 有哪些工具？”* 您应该看到 8 个以 `cb_` 开头的工具。 --- ## Claude 代码设置 Claude 代码（CLI）使用 `~/.claude.json` 进行全局 MCP 服务器配置。 ### 1. 添加到您的配置文件 打开 `~/.claude.json` 并找到顶级 `"mcpServers"` 对象， 然后添加 `cognitive-bridge` 条目： ```json "mcpServers": { "cognitive-bridge": { "type": "stdio", "command": "/path/to/Cognitive-Bridge/.venv/Scripts/python.exe", "args": ["-m", "cognitive_bridge.server"], "env": { "CB_DB_DIR": "/path/to/.cognitive_bridge/projects" } } 将 `/path/to/` 替换为您的。在 Windows 上： ```json "command": "C:/Users//Cognitive-Bridge/.venv/Scripts/python``` 在 macOS/Linux 上： ```jsoncommand": "/ourname/Cognitive/.venv/bin/python### 2. 重启 Claude 代码 Claude 代码会话。工具将立即可用 3. 验证 Claude 代码中会自动出现。您 Claude 列出 MCP 工具或调用以下确认： ``` _project(action="create", project_id="my-project") ``` ### 项目特定配置 如果您只想在特定项目中启用认知桥，请将 `mcpServers` 条目添加到该项目的 `.claude/settings.json` 中， 而不是全局的/.claude.json--- ## 工作### 组合弧IVRPS） 每个断言都有一个 **组合弧** — 一个强度级别，什么覆盖什么。 低 = 主张 = 越难。 | 弧 | 何时使用-----|-------|---------------- LOCAL | 10 |。你自己验证了这一点。需要一个伪条件。 | HERITS | 领域模式 X，这就成立。” | | VARIANT_SET | 30 | 假设探索的一个分支。 | | REFERENCES | 40 | 外部来源。“用户说过这一点”或“说。” | | PAYLOADS | 已知未知。但尚未加载| SPECIALIZES | | 基线假设覆盖。 | 当言在同一主题路径上竞争时，弧值较低的断胜。 如果弧，则按置信度排序，然后按创建时间更新的优先）mermaid flowchart TD subgraphLIVRPS栈（值，优先级越高）"] direction TB ["LOCAL (10验证，高置信 需要可证伪性"] I["ITS (20):专业知识，结构先验"] VARIANT_SET (30): 活跃的假设分支（共存）"] R (40):偏好，"] P["PAY50): 已 — 加载"] SPECIALIZES): 基线，始终可覆盖"] L --> I --> R --> P --> S end -->|按 分组| Resolve I -->|按组| V -->|按 topic_path 分组| Resolve R -->|按 topic_path 分组| Resolve P -->|按 topic_path 分组| Resolve S -->|按 topic_path 分组 Resolve(): 按 topic排序活跃"} Resolve -->. 最低获胜"| Tie ["平 根据置信度和创建时间排序"] Tie --> Winner["每个 topic_path 的断言（+ 失败者的 shadow_stack）"] classDef:#E8B,stroke:#B5722E,stroke-width:1px,colorA2014; classDef yellow fill:#D27A:#BF9E,stroke1px,color:#4; ,I,V,R,P,S orange; classie,Winner``` ### 论证流程 ``` 1 -- 在主题记录主张及其强度2. DET -- 系统自动检查冲突（4 层. STEELMAN -- 在挑战之前对方的观点 RESOLVE 接受、提升、挑战、综合、延迟或驳斥 5. CASCADE 基础发生变化，则所有都会被标记. DECIDE -- 记录决定及其被替代方案和下游影响 ``` 同样的流程形式呈现 — 请注意 **钢人门 在任何： ```mflowchart TD A["1 ASSERT — cb_manage_assertion断言 / 提升 / 撤销 / 证伪"] B topic_path 上记录主张及其弧值 10 至 SPECIALIZES 60）"] ["2 DETECT4 层冲突 / / 委托 / 级联"] D到冲突？["cb_manage_conflict（冲突是一，而不是错误）"] F{"挑战对方关闭它？ G["3 钢人门槛 — steelman_summary 要求：最强、最公正的对方观点"] H["已注册挑战：冲突保持 ACTIVE（辩论继续）"] R["4 RESOLVE — 提升 / 驳斥延迟 / "] S CASCADE — 获胜者变更标志依赖项ANED/ENGED 通过依赖 T["6 — cb_dec 拒绝的（>=1 二阶影响（）"] U["二阶影响成为 INHERITS 约束路径上持久化 A --> B --> D D -->|"无冲突"| D冲突"| E --> F -->"| G --> H --> E F解决 / 提出实验"| S S --> U orange fill8A86B,stroke:#B572,color:#2A; classDef yellow fill:#F27A,BF9D2E,color:#2A; class A,C,R,S,T orange; class,G,H,U yellow 冲突级联 分为四层上的获胜发生变化时，影响依赖 DAG 向下游 ```mflowchart TD A["新断言 / 获胜者 subgraph Det层冲突检测 direction TB 1["第 结构相同 topic_path内容<br/>O(1) 查找，LIVRPS __lt__ 排序"] 2["第 层 <br/>嵌入（LM-L6）<余弦相似度 >= 语义，跨路径 L3["第 层 委托工具响应文本中的警告字典<br/>Claude 评估每个警告"] L4["第 4 层 级联<br/>依赖 DAG 传播（engine/cascade.py）"] end A --> L1 L1 -->|"相同路径冲突：Conflict(STRUCTURAL)"| RES["通过 cb_manage 解析"] L1 -->（跨路径扫描)"2 L2 -->控：cross_path_detection + 安装ers"| L3 L3Claude 升级：cblict(action=create)"| RES RES -->|"路径上的获胜发生变化"| L4 subgraph Casc["DAG 级联示例：下游重新评估"] direction TB F["基础 @ /database/engine"] D依赖项 @ /cache/strategydepends_on_paths 包括 /database D2["依赖项 @/timeout<br/>depends_on_paths /database/engine"] F -->_dependents(changed_path)"| F -->|"get_dependents(changed_path)"| D2 end L4获胜者变更（覆盖 / / 撤销）"| F FALS["check_falsification 确认条件已满足"] -->被证伪"| F -->|"获胜者变更时["assumption_status = CHED<br/>+ ASSERTION_CHED 事件"] D2 -->|"获胜者变更时"| CH -->|"证伪时"|["assumption_status = OR<br/>+ ASSERTION_ORED 事件"] D2 -->伪时"| ORP Def orange fill:#E8A86stroke:#B5722E2A2014; yellow fill:#F0D27stroke:#BF9D2E2A2014; class A,L1,L2,L3,L4,RES class F,D1,D2,CH,ORP,FALS``` ### 四种合作者姿态 系统根据其了解的程度行为： | 姿 何时 | 行为 | |---------|------|----------| | LEARNING | 断言很少 | 倾听，提问 | | ENGAGED | 活跃 | 谈判，钢寻找综合方案 | | AUTHORIT 已验证的主张很多 |地断言，提出 Payload | _TEAMING | 过于稳定（控风险） | 寻找，挑战自己的立场 | 姿每次调用时根据阶段重新计算 — 这些是典型的转换（`red` 默认值为 8）：mermaid stateDiagram-v2 [*] --> LEARNING LEARNING活跃断言少于 ENGAGED: 一个或多个活跃冲突 AUTHORITATIVE地计数 3 至阈值减 1，无冲突 RED_TEAMING: 本地计数达到或超过_threshold，无冲突 LEARNING --> ENGAGED: 活跃冲突产生 --> AUTHORITATIVE: 本地计数达到 3，无冲突 LEARNING --> LEARNING: 存在断言，但本地计数少于 3 ENGAGED --> AUTHORITATIVE: 冲突解决，本地计数 3 至阈值减 1 ENGAGED --> RED_TEAMING: 冲突解决，本地计数达到 red_team_threshold --> LEARNING: 冲突地计数少于 3 AUTHORITATIVE --> ENGAGED:产生 AUTHORIT RED_TEAMING: 本地计数达到 red_team_threshold，无冲突 ING --> ENGAGED: 红冲突或变量集 classDef:#E8A86B,stroke:#B5722E,color:#2A2014; classDef yellow fill:#F0D27stroke:#BF9D2E2A2014; AGED,RED ## 美元成分桥梁 LIVRPS 命名并非是比喻性的——它直接映射到 USD（通用场景描述）成分弧语义。桥梁模块通过导出认知状态为有效的 `.usda` 文件，在机械上证明了这一点。 ```mermaid flowchart TD Stage["成分阶段（SQL 存储）"] subgraph Arcs["6 个弧形子层（LIVRPS 顺序，最强优先）"] L["session_local.usda :: 本地（10）"] I["domain_inherits.usda :: 继承（20）"] V["hypothesis_variants.usda :: 变体集（30）"] R["evidence_refs.usda :: 参考（40）"] P["deferred_payloads.usda :: 有效载荷（50）"] S["safety_specializes.usda :: 专门化（60）"] end Root["stage.usda（子层：先列先赢）"] SQL["resolve() -> SQL 获胜者"] Txt["resolve_via_text() -> USDA 获胜者"] Check["一致性检查（必须相同）"] Result["check_consistency() 返回 []（零差异）"] Stage -->|"export_stage_to_usda()"| L Stage --> I Stage --> V Stage --> R Stage --> P Stage --> S L -->|"第一 / 最强"| Root I --> Root V --> Root R --> Root P --> Root S -->|"第六 / 最弱"| Root Stage -->|"resolve()"| SQL Root -->|"resolve_via_text()"| Txt SQL --> Check Txt --> Check Check --> Result classDef orange fill:#E8A86B,stroke:#B5722E,stroke-width:1px,color:#2A2014; classDef yellow fill:#F0D27A,stroke:#BF9D2E,stroke-width:1px,color:#2A2014; class Stage,SQL,Txt,Check,Result orange; class L,I,V,R,P,S,Root yellow; ``` 每个成分弧映射到一个子层文件： | 弧 | 文件 | USD 角色 | | --- | --- | --- | | 本地（10） | `session_local.usda` | 最强的子层（先列） | | 继承（20） | `domain_inherits.usda` | 领域模式 | | 变体集（30） | `hypothesis_variants.usda` | USD `variantSet` 块 | | 参考（40） | `evidence_refs.usda` | 外部引用 | | 有效载荷（50） | `deferred_payloads.usda` | 已知未知数 | | 专门化（60） | `safety_specializes.usda` | 基线（最后列出） | 根 `stage.usda` 将这 6 个文件按 LIVRPS 顺序子层化。USD 按顺序解决子层意见——先列先赢。这在机械上与 `CompositionStage.resolve()` 中的 IntEnum 排序相同。 **一致性验证：** `stage://{project_id}/composition` 资源运行 SQL 和 USDA 解析，并确认零差异。如果它们 ever 不同意，则是一个错误。 **自动导出：** 每次断言、冲突和变体突变都会自动重新生成 `.usda` 文件。导出是尽力而为的，永远不会阻塞工具。 **topic_path = 原始路径：** 断言正则表达式 `^(/[a-z][a-z0-9_]*)+$` 是有效的 USD 原始路径语法。不需要转换。此对齐是结构性的，而不是外观上的。 手动导出：`cb_manage_project(action="usda_export")` --- ## 工具 涵盖整个论证生命周期的 8 种工具： | 工具 | 功能 | | --- | --- | | `cb_manage_project` | 创建、加载、保存、列出、导出、导入或 usda_export 项目。首先调用此工具。 | | `cb_manage_assertion` | 记录声明、促进证据、撤回或标记为伪造。 | | `cb_manage_conflict` | 解决冲突。挑战（需要钢人）、提出实验、推迟或驳回。 | | `cb_manage_variant` | 创建平行假设分支。添加证据支持/反对。准备好时解决。 | | `cb_decide` | 记录具有拒绝替代方案和二阶效应的决策。 | | `cb_tune_parameters` | 调整灵敏度、阈值和探索预算。支持注入配置文件。 | | `cb_probe_user` | 观察用户的认知风格（熵、过程、自主权、能量）。 | | `cb_payload_check` | 在做出决策之前显示已知未知数。 | ### 注入配置文件 不同探索强度的预配置参数包： | 配置文件 | 灵敏度 | 预算 | 跨路径 | 描述 | | --- | --- | --- | --- | --- | | `none` | 0.5 | 3 | 关闭 | 默认保守设置 | | `microdose` | 0.6 | 4 | 关闭 | 略微提高意识 | | `perceptual` | 0.7 | 5 | 开启 | 中等并具有跨路径检测 | | `classical` | 0.9 | 8 | 开启 | 深度探索，积极的红队 | | `mdma` | 0.6 | 5 | 开启 | 更广泛的接受弧度，提高同理心 | 通过以下方式应用：`cb_tune_parameters(profile="classical")` --- ## 资源和提示 ### 资源（只读） | URI | 显示内容 | | --- | --- | | `stage://{project_id}/resolved` | 每个主题路径上的获胜断言 | | `stage://{project_id}/conflicts` | 按状态显示所有冲突 | | `stage://{project_id}/variants` | 具有证据计数的假设分支 | | `stage://{project_id}/audit` | 事件日志和活动摘要 | | `stage://{project_id}/dependencies` | 依赖 DAG 可视化 | | `stage://{project_id}/payloads` | 待证据的已知未知数 | | `stage://{project_id}/composition` | USD 成分结构 + 一致性检查 | | `kernel://{project_id}` | 用户认知配置文件（COS 内核） | ### 提示 | 提示 | 生成内容 | | --- | --- | | `coworker_posture` | 当前的参与姿态和行为指令 | | `conflict_negotiation` | 解决特定冲突的结构化框架 | | `stage_summary` | 成分阶段的完整快照 | --- ## 示例 `examples/` 目录中有三个可运行的脚本： ```bash # 基本演练 - 断言、冲突、解决 python examples/basic_walkthrough.py # 完整的冲突协议 - 钢人门、实验、变体 python examples/conflict_scenario.py # MongoDB 场景 - 完整的 v3.0 示范，具有级联 DAG python examples/mongodb_scenario.py ``` --- ## 架构 整个系统是一个干净的单向依赖图：模型对引擎一无所知，引擎对工具一无所知，没有向上导入。这就是它避免循环导入的原因。 ```mermaid flowchart TD Client["MCP 客户端（Claude Desktop / Claude Code）"] Client -->|"stdio / streamable HTTP"| Server Server["server.py（FastMCP 入口 + 生命周期）"] subgraph Surface["表面层"] Tools["工具（cb_manage_assertion, cb_manage_conflict, cb_decide, ...）"] Resources["资源（stage_resources：8 个只读端点）"] Prompts["提示（negotiation_prompts）"] end subgraph EngineL["引擎层"] Engine["引擎（conflict_detector, resolver, cascade, provenance, trust, sensitivity, red_team）"] end subgraph ModelL["模型层（基础 - 无向上导入）"] Models["模型（Assertion, Conflict, CompositionStage, CompositionArc 10..60）"] end subgraph SideL["持久化 + USD 桥梁"] Storage["存储（SQLModel 行 + 转换器）"] Bridge["桥梁（usda_export, usda_resolve）"] USDA[".usda 文件（stage.usda + LIVRPS 弧层）"] end Server -->|"注册 @mcp.tool"| Tools Server -->|注册| Resources Server -->|注册| Prompts Server -->|"通过"| Storage Server -->|"usda_export 操作"| Bridge Tools -->|导入| Engine Tools -->|导入| Models Resources -->|导入| Engine Resources -->|导入| Models Prompts -->|导入| Models Engine -->|"仅导入模型"| Models Storage -->|"转换到/从行"| Models Bridge -->|"读取阶段"| Models Bridge -->|写入| USDA classDef orange fill:#E8A86B,stroke:#B5722E,stroke-width:1px,color:#2A2014; classDef yellow fill:#F0D27A,stroke:#BF9D2E,stroke-width:1px,color:#2A2014; class Client,Server,Tools,Resources,Prompts orange; class Engine,Models,Storage,Bridge,USDA yellow; ``` ``` src/cognitive_bridge/ server.py FastMCP 入口点，生命周期，项目管理 models/ Pydantic 模型（Assertion, Conflict, Decision, ...） arcs.py LIVRPS IntEnum，所有枚举，实用函数 assertion.py 具有可证伪性和 DAG 边框的认知主张 conflict.py 检测到的矛盾，具有钢人和实验字段 decision.py 具有替代方案和二阶效应的决策 stage.py CompositionStage：resolve()，DAG 遍历，事件记录 injection.py 注入配置文件（5 个预设） engine/ 在 CompositionStage 上运行的纯函数 conflict_detector 层 1 结构 + 层 2 语义检测 resolver.py 完整的断言生命周期（添加，促进，撤回，伪造） cascade.py 层 4 DAG 传播 + 伪造级联 provenance.py 追加事件日志查询 trust.py 按子树信任分数从冲突历史 sensitivity.py COS 内核 -> 参数自动调整 red_team.py 反回音室触发器 + 盲点检测 bridge/ USD 成分层 usda_export.py 阶段 -> 7 个 .usda 文件（LIVRPS 子层排序） usda_resolve.py 基于文本的解析器 + 一致性检查器 tools/ MCP 工具实现（每个工具一个文件） resources/ MCP 资源端点（8 个只读视图） prompts/ MCP 提示模板（3 个结构化生成器） storage/ SQLModel 表 + Pydantic <-> SQLModel 转换器 ``` ### 设计原则 **非破坏性。** 断言永远不会被删除。撤回的主张保留在数据库中。获胜者通过 `resolve()` 动态计算，而不是通过覆盖。 **模式强制思考。** 批判性思维门控（可证伪性、钢人、替代方案）是 Pydantic 验证器，而不是提示指令。LLM 不能在没有填充必填字段的情况下调用工具。 **分层分离。** 模型对引擎一无所知。引擎对工具一无所知。工具从两者导入，但永远不会从彼此导入。干净的依赖图，没有循环导入。 **追加日志。** 每次突变都会记录一个具有执行者、时间戳和详细字典的事件。事件日志是生命周期历史的真相来源。 **机械验证的组成。** USDA 桥梁将认知状态导出为有效的 USD 文件。SQL 和 USDA 解析在每个路径上都产生相同的获胜者 - 通过 `check_consistency()` 正式验证。组成模型是 USD，而不是仅仅受其启发。 --- ## 开发 ```bash # 安装所有内容 pip install -e ".[all]" # 运行所有测试 pytest tests/ -v # 在不进行语义检测测试的情况下运行（更快） pytest tests/ -v -k "not semantic" # 运行特定的测试文件 pytest tests/test_models/test_assertion.py -v # 仅限集成测试 pytest tests/test_integration/ -v # 整理 ruff check src/ tests/ ``` ### 需求 | 包 | 版本 | 必需 | | --- | --- | --- | | Python | >= 3.11 | 是 | | fastmcp | >= 2.0.0 | 是 | | sqlmodel | >= 0.0.22 | 是 | | pydantic | >= 2.0 | 是 | | sentence-transformers | >= 3.0 | 可选（语义检测） | | numpy | >= 1.24 | 可选（与 sentence-transformers 结合使用） | --- ## 开发历史 认知桥（Cognitive Bridge）分为四个阶段构建——基础模型、冲突协议、决策加语义检测，然后是 USD 成分桥——随后是测试覆盖率和强化测试，并使用持续集成。历史记录在 `main` 上是线性的： ```mermaid %%{init: {"theme":"base","themeVariables":{"git0":"#E8A86B","commitLabelColor":"#2A2014","commitLabelBackground":"#FBF3E4","tagLabelColor":"#2A2014","tagLabelBackground":"#F0D27A","tagLabelBorder":"#BF9D2E"}}}%% gitGraph commit id: "P0 脚手架" commit id: "4 阶段构建" commit id: "审计通过" commit id: "内核资源" commit id: "基板文档" commit id: "MOE 审计修复" commit id: "自动调谐 + 嵌入" commit id: "专利对齐" commit id: "USD 导出" commit id: "USD 工具连接" commit id: "README + MCP 设置" commit id: "测试覆盖率" commit id: "P0/P1 强化" commit id: "CI + 覆盖率门控" commit id: "有效载荷修复" commit id: "文档 + 图表" tag: "v0.1.0" ``` --- ## 贡献 大多数工作通过短寿命的分支和拉取请求进入 `main`。任何更改的推荐流程： 1. **分支** `main`（例如 `feat/your-change`）。 2. **提交** 小的原子单元 - 每个逻辑更改一个，并采用 `[范围] 描述` 格式。 3. **测试** 在合并前：`pytest tests/` 必须保持绿色（1317 通过）。 4. **合并** 回 `main`，然后在里程碑落地时标记一个发布。 ```mermaid %%{init: {"theme":"base","themeVariables":{"git0":"#E8A86B","git1":"#F0D27A","commitLabelColor":"#2A2014","commitLabelBackground":"#FBF3E4","tagLabelColor":"#2A2014","tagLabelBackground":"#F0D27A","tagLabelBorder":"#BF9D2E","gitBranchLabel0":"#2A2014","gitBranchLabel1":"#2A2014"}}}%% gitGraph commit id: "main" branch feature checkout feature commit id: "实现" commit id: "润色" commit id: "测试" type: HIGHLIGHT checkout main merge feature commit id: "发布" tag: "v0.1.0" ``` --- ## 新颖主张 一个正式的论证框架，实现了分层成分弧应用于 AI 认知状态，结合依赖感知因果推理（DAG）、波普尔可证伪性要求、强制知识分子慈善（钢人）门控和经验基础协议，其中 AI-用户分歧是具有显式强度排序的一流成分事件，具有非破坏性解决和冲突驱动的并行探索解空间。 **依赖声明：** 1. 成分阶段作为持久的 AI 推理状态 2. 分层主题路径作为断言寻址 3. LIVRPS 顺序解析与 IntEnum 强度 4. 四层冲突检测（结构性、语义性、委托、级联） 5. 认知依赖 DAG 与自动级联传播 6. 波普尔可证伪性作为模式约束 7. 苏格拉底式钢人作为协议门控 8. 经验基础协议（实验提案） 9. 决策影响映射与替代方案枚举 10. 反回音室机制（RED_TEAMING 姿势） 11. 认知操作签名集成（用户配置文件） 12. 机械 USD 成分验证（LIVRPS = 子层排序） 13. VariantSet 到 USD-variantSet 映射用于非破坏性假设探索 完整规格：[`docs/blueprint-v3.md`](docs/blueprint-v3.md) --- ## 许可证 MIT