MCP Standards

🚀 Claude-Flowの推論エージェント

このディレクトリには、ReasoningBankのクローズドループ学習を活用した推論および目標計画エージェントが含まれています。これらのエージェントは、継続的な改善を伴う、インテリジェントで適応的なタスク実行を提供します。

✨ 主な機能

🎯 ゴールプランナー

目標指向型アクションプランニング（GOAP）の専門家

ゲームAI技術を使用して、複雑な目標を達成するためのインテリジェントな計画を動的に作成します。適応的な再計画、多段階推論、および複雑な状態空間を通る最適なパスの探索に優れています。

主な特徴:

• 動的計画: 最適なパスを見つけるためのA*探索アルゴリズム
• 前提条件分析: アクションの要件を評価
• 効果予測: 状態の変化をモデル化
• 適応的再計画: 実行結果に基づいて調整
• 目標分解: 複雑な目標をサブゴールに分割

最適なシナリオ:

• 複雑な多段階デプロイメント
• 多くの依存関係があるタスク
• 分解が必要な高レベルの目標
• 適応的な計画シナリオ

使用方法:

claude-flow init --agent reasoning
# または、agentic-flowを直接使用する場合:
npx agentic-flow --agent goal-planner --task "前提条件付きのアプリケーションをデプロイ"

🎯 準線形ゴールプランナー

準線形時間計算量での大規模状態空間に最適化されたゴールプランニング

大規模な状態空間に対して準線形時間計算量で最適化された特殊バージョンです。

最適なシナリオ:

• 大規模システム
• パフォーマンスが重要な計画
• 巨大な状態空間

📦 ReasoningBankとの統合

すべての推論エージェントは、ReasoningBankと統合されており、以下の機能を提供します:

• RETRIEVE: 過去の実行から関連するメモリを取得
• JUDGE: 軌跡の成功/失敗を評価
• DISTILL: 学習可能なパターンを抽出
• CONSOLIDATE: メモリをマージして最適化

📈 パフォーマンスの向上

ReasoningBankのベンチマークに基づくと:

• 成功率 +26% (70% → 88%)
• トークン使用量 -25% (コスト削減)
• 学習速度 3.2倍 (より速い改善)
• 5回の反復で 0% → 95%の成功率

🚀 クイックスタート

1. 推論エージェントで初期化

claude-flow init --agent reasoning

これにより、以下が行われます:

• ReasoningBankメモリシステムのセットアップ
• 推論エージェントの構成
• 学習機能の初期化

2. 推論エージェントを使用する

# claude-flowを介して（統合されている場合）
claude-flow agent run goal-planner "複雑なデプロイメントタスク"

# agentic-flowを直接使用する場合
npx agentic-flow --agent goal-planner --task "多段階タスク"

3. 学習モードを有効にする

export REASONINGBANK_ENABLED=true
export AGENTIC_FLOW_TRAINING=true

🔧 アーキテクチャ

ユーザータスク
    ↓
[ゴールプランナーが分析]
    ↓
ReasoningBank.retrieve() → 関連するメモリを取得
    ↓
計画生成（A*探索）
    ↓
モニタリング付きで実行（OODAループ）
    ↓
ReasoningBank.judge() → 成功を評価
    ↓
ReasoningBank.distill() → 学習内容を抽出
    ↓
将来の使用のために保存

🔧 設定

メモリデータベース

デフォルトの場所: .swarm/memory.db

以下のように設定できます:

export REASONINGBANK_DB_PATH="/custom/path/memory.db"

検索設定

export REASONINGBANK_K=3              # 取得する上位k個のメモリ
export REASONINGBANK_MIN_CONFIDENCE=0.5  # 最小信頼度閾値

💻 使用例

基本的な使用法

# 推論エージェントで初期化
claude-flow init --agent reasoning

# ゴールプランナーを使用してタスクを実行
claude-flow agent run goal-planner "Complex deployment task"

高度な使用法

1. 多段階計画

npx agentic-flow --agent goal-planner \
  --task "アプリケーションをデプロイ" \
  --enable-memory \
  --memory-domain "デプロイメント"

2. 失敗からの学習

システムは成功と失敗の両方から自動的に学習します:

• 失敗した試行では、「何がうまくいかなかったか」が保存されます。
• 成功した試行では、「何がうまくいったか」が保存されます。
• 将来のタスクは両方の情報から恩恵を受けます。

3. ドメイン間の転移

あるドメインで学習したパターンは、類似したタスクに転用できます:

• 認証パターン → 承認パターン
• デプロイメントパターン → 移行パターン
• テスト戦略 → デバッグ戦略

📚 ドキュメント

• REASONING-AGENTS.md: 詳細な技術ドキュメント
• REASONINGBANK-DEMO.md: ライブデモの比較
• REASONINGBANK-CLI-INTEGRATION.md: CLI統合ガイド
• REASONINGBANK-BENCHMARK.md: パフォーマンスベンチマーク

🔮 将来予定されるエージェント

以下の推論エージェントは、将来のリリースで予定されています:

• adaptive-learner: 経験から学習し、時間とともに改善する
• pattern-matcher: パターンを認識し、実績のある解決策を転用する
• memory-optimizer: メモリシステムの健全性とパフォーマンスを維持する
• context-synthesizer: 複数のソースから豊富な状況認識を構築する
• experience-curator: 厳格な選別を通じて高品質な学習内容を確保する
• reasoning-optimized: すべての推論エージェントを調整するメタ推論オーケストレーター

🛠️ サポート

問題や質問がある場合は:

• GitHub: https://github.com/ruvnet/claude-flow/issues
• ドキュメント: https://github.com/ruvnet/claude-flow

覚えておいてください: 推論エージェントは経験から学習し、時間とともに改善します！ 🧠✨