MCP Standards

🚀 Reasoning Agents for Claude-Flow

本项目目录包含推理和目标规划代理，这些代理利用推理库（ReasoningBank）的闭环学习机制，提供智能、自适应的任务执行能力，并能持续改进。

🚀 快速开始

1. 初始化推理代理

claude-flow init --agent reasoning

此命令将完成以下操作：

• 搭建推理库（ReasoningBank）的内存系统
• 配置推理代理
• 初始化学习功能

2. 使用推理代理

# 通过 claude-flow（集成时）
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. 启用学习模式

export REASONINGBANK_ENABLED=true
export AGENTIC_FLOW_TRAINING=true

✨ 主要特性

可用代理

🎯 goal-planner

面向目标的行动规划（GOAP）专家

运用游戏人工智能技术，动态创建智能计划以实现复杂目标。在自适应重新规划、多步推理以及在复杂状态空间中寻找最优路径方面表现出色。

关键特性：

• 动态规划：使用A*搜索算法寻找最优路径
• 前置条件分析：评估行动要求
• 效果预测：对状态变化进行建模
• 自适应重新规划：根据执行结果进行调整
• 目标分解：将复杂目标分解为子目标

适用场景：

• 复杂的多步部署任务
• 存在大量依赖关系的任务
• 需要分解的高级目标
• 自适应规划场景

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

亚线性复杂度的目标规划

这是一个针对大规模状态空间进行优化的特殊版本，具有亚线性时间复杂度。

适用场景：

• 大规模系统
• 对性能要求较高的规划任务
• 大规模状态空间

与推理库（ReasoningBank）的集成

所有推理代理都与推理库（ReasoningBank）集成，以实现以下功能：

• RETRIEVE：从过去的执行中提取相关记忆
• JUDGE：评估轨迹的成功或失败
• DISTILL：提取可学习的模式
• CONSOLIDATE：合并并优化记忆

性能优势

根据推理库（ReasoningBank）的基准测试：

• 成功率提高26%（从70%提升到88%）
• 令牌使用量减少25%（节省成本）
• 学习速度提高3.2倍（更快地改进）
• 经过5次迭代，成功率从0%提升到95%

🔧 技术细节

架构

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

内存数据库

默认位置：.swarm/memory.db

可通过以下命令进行配置：

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

检索设置

export REASONINGBANK_K=3              # 要检索的前k个记忆
export REASONINGBANK_MIN_CONFIDENCE=0.5  # 最低置信度阈值

💻 使用示例

基础用法

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

高级用法

1. 多步规划

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

2. 从失败中学习

系统会自动从成功和失败的案例中学习：

• 失败的尝试会记录“哪里出了问题”
• 成功的尝试会记录“哪些方法有效”
• 未来的任务将从这两方面受益

3. 跨领域迁移

在一个领域中学习到的模式可以迁移到类似的任务中：

• 身份验证模式 → 授权模式
• 部署模式 → 迁移模式
• 测试策略 → 调试策略

📚 详细文档

• REASONING-AGENTS.md：详细的技术文档
• REASONINGBANK-DEMO.md：实时演示对比
• REASONINGBANK-CLI-INTEGRATION.md：命令行界面集成指南
• REASONINGBANK-BENCHMARK.md：性能基准测试

🌟 未来规划

以下推理代理计划在未来版本中发布：

• adaptive-learner：从经验中学习并不断改进
• pattern-matcher：识别模式并迁移经过验证的解决方案
• memory-optimizer：维护内存系统的健康和性能
• context-synthesizer：从多个来源构建丰富的情境感知
• experience-curator：通过严格筛选确保高质量的学习成果
• reasoning-optimized：协调所有推理代理的元推理编排器

🛠️ 支持与反馈

如有问题或疑问，请通过以下方式联系：

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

请记住：推理代理会从经验中学习，并随着时间不断改进！ 🧠✨