MCP Standards

🚀 Reasoning Agents for Claude-Flow

本項目目錄包含推理和目標規劃代理，這些代理利用推理庫（ReasoningBank）的閉環學習機制，提供智能、自適應的任務執行能力，並能持續改進。

🚀 快速開始

1. 初始化推理代理

claude-flow init --agent reasoning

此命令將完成以下操作：

• 搭建推理庫（ReasoningBank）的內存系統
• 配置推理代理
• 初始化學習功能

2. 使用推理代理

# 通過 claude-flow（集成時）
claude-flow agent run goal-planner "Complex deployment task"

# 直接使用 agentic-flow
npx agentic-flow --agent goal-planner --task "Multi-step task"

3. 啟用學習模式

export REASONINGBANK_ENABLED=true
export AGENTIC_FLOW_TRAINING=true

✨ 主要特性

可用代理

🎯 goal-planner

面向目標的行動規劃（GOAP）專家

運用遊戲人工智能技術，動態創建智能計劃以實現複雜目標。在自適應重新規劃、多步推理以及在複雜狀態空間中尋找最優路徑方面表現出色。

關鍵特性：

• 動態規劃：使用A*搜索算法尋找最優路徑
• 前置條件分析：評估行動要求
• 效果預測：對狀態變化進行建模
• 自適應重新規劃：根據執行結果進行調整
• 目標分解：將複雜目標分解為子目標

適用場景：

• 複雜的多步部署任務
• 存在大量依賴關係的任務
• 需要分解的高級目標
• 自適應規劃場景

使用方法：

claude-flow init --agent reasoning
# 或者直接使用 agentic-flow：
npx agentic-flow --agent goal-planner --task "Deploy application with prerequisites"

🎯 sublinear-goal-planner

亞線性複雜度的目標規劃

這是一個針對大規模狀態空間進行優化的特殊版本，具有亞線性時間複雜度。

適用場景：

• 大規模系統
• 對性能要求較高的規劃任務
• 大規模狀態空間

與推理庫（ReasoningBank）的集成

所有推理代理都與推理庫（ReasoningBank）集成，以實現以下功能：

• RETRIEVE：從過去的執行中提取相關記憶
• JUDGE：評估軌跡的成功或失敗
• DISTILL：提取可學習的模式
• CONSOLIDATE：合併並優化記憶

性能優勢

根據推理庫（ReasoningBank）的基準測試：

• 成功率提高26%（從70%提升到88%）
• 令牌使用量減少25%（節省成本）
• 學習速度提高3.2倍（更快地改進）
• 經過5次迭代，成功率從0%提升到95%

🔧 技術細節

架構

User Task
    ↓
[goal-planner analyzes]
    ↓
ReasoningBank.retrieve() → Get relevant memories
    ↓
Plan generation (A* search)
    ↓
Execute with monitoring (OODA loop)
    ↓
ReasoningBank.judge() → Evaluate success
    ↓
ReasoningBank.distill() → Extract learnings
    ↓
Store for future use

配置

內存數據庫

默認位置：.swarm/memory.db

可通過以下命令進行配置：

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

檢索設置

export REASONINGBANK_K=3              # 要檢索的前k個記憶
export REASONINGBANK_MIN_CONFIDENCE=0.5  # 最低置信度閾值

💻 使用示例

基礎用法

# 初始化推理代理
claude-flow init --agent reasoning

高級用法

1. 多步規劃

npx agentic-flow --agent goal-planner \
  --task "Deploy application" \
  --enable-memory \
  --memory-domain "deployment"

2. 從失敗中學習

系統會自動從成功和失敗的案例中學習：

• 失敗的嘗試會記錄“哪裡出了問題”
• 成功的嘗試會記錄“哪些方法有效”
• 未來的任務將從這兩方面受益

3. 跨領域遷移

在一個領域中學習到的模式可以遷移到類似的任務中：

• 身份驗證模式 → 授權模式
• 部署模式 → 遷移模式
• 測試策略 → 調試策略

📚 詳細文檔

• REASONING-AGENTS.md：詳細的技術文檔
• REASONINGBANK-DEMO.md：即時演示對比
• REASONINGBANK-CLI-INTEGRATION.md：命令行界面集成指南
• REASONINGBANK-BENCHMARK.md：性能基準測試

🌟 未來規劃

以下推理代理計劃在未來版本中發佈：

• adaptive-learner：從經驗中學習並不斷改進
• pattern-matcher：識別模式並遷移經過驗證的解決方案
• memory-optimizer：維護內存系統的健康和性能
• context-synthesizer：從多個來源構建豐富的情境感知
• experience-curator：通過嚴格篩選確保高質量的學習成果
• reasoning-optimized：協調所有推理代理的元推理編排器

🛠️ 支持與反饋

如有問題或疑問，請通過以下方式聯繫：

• GitHub：https://github.com/ruvnet/claude-flow/issues
• 文檔：https://github.com/ruvnet/claude-flow

請記住：推理代理會從經驗中學習，並隨著時間不斷改進！ 🧠✨