Neuroverse

🧠 NeuroVerse

📦 从 npm 安装 | 🐙 GitHub 仓库

你的 AI 智能体只会说英语。NeuroVerse 解决了这个问题。
你的 AI 智能体什么都记不住。NeuroVerse 记得。
你的 AI 智能体可能会做出危险操作。NeuroVerse 阻止它。
你的 AI 智能体被锁定在单一模型上。NeuroVerse 会路由到最优模型。

面向自主 AI 智能体的多语言智能 + 记忆 + 安全 + 语音层。

---

🚀 v4.1 新特性

• OpenRouter 推理：集成 stepfun/step-3.5-flash:free 模型，用于高性能分析任务。使用新的 neuroverse_reason 工具进行深度思考。
• 推理 Token：实时追踪每个请求的推理 token。
• 语音层（v2.0）：内置对 Whisper STT 和 Coqui TTS 的支持。

---

🚀 NeuroVerse 是什么？

每次你用 Cursor、VS Code Copilot 或任何兼容 MCP 的 AI 智能体开启一段新对话时，它都从零开始——没有记忆、没有安全保障，也听不懂你的语言。NeuroVerse 是一个 MCP 服务器，为你的智能体提供：

	特性	描述
🌐	多语言智能	理解混合的印度语言——泰米尔语、印地语、泰卢固语、卡纳达语、马拉雅拉姆语、孟加拉语 + 英语。语码切换？没问题。
🎙️	语音层	通过 Whisper 进行 STT，通过 Coqui 进行 TTS。转写用户音频并合成智能体回复。
🧠	意图提取	以 LLM 为主的结构化意图提取，并带有确定性的基于规则的兜底。绝不遗漏任何命令。
💾	分层记忆	短期（会话）、情景（近期）、语义（长期事实）——全部带有重要性评分。
🛡️	三层安全（Kavach）	关键词黑名单 → 意图风险分类器 → LLM 裁判。在 DROP DATABASE 酿成大祸之前将其拦截。
🤖	多模型路由器（Marga）	OpenAI · Anthropic · Sarvam AI · Ollama · OpenRouter——自动将每项任务路由到最合适的模型。
🔗	智能体到智能体（Setu）	REST+JSON 智能体注册表，带自动兜底。智能体调用智能体再调用智能体。
⚡	全部异步	FastAPI + asyncpg + httpx。亚毫秒级安全检查。零阻塞。

⚡ NeuroVerse 是一个模块化智能层——而非单体应用。按需插拔。不需要的部分直接忽略。

---

目录

• 快速开始
• 为什么选择 NeuroVerse？
• 工作原理
• 多语言智能（Vani）
• 意图提取（Bodhi）
• 分层记忆（Smriti）
• 安全层（Kavach）
• 多模型路由器（Marga）
• 智能体到智能体（Setu）
• MCP 工具
• REST API
• 配置
• 测试
• 架构
• 路线图
• 贡献指南

---

🚀 快速开始

1. 安装

方式 A：npm（推荐）——随处可用

npm install neuroverse

方式 B：从源码安装（Python）

git clone https://github.com/joshua400/neuroverse.git
cd neuroverse
python -m pip install -e ".[dev]"

💡 提示： 如果你通过 npm 安装，路径是 node_modules/neuroverse/dist/index.js。如果从源码安装，请使用你克隆目录的绝对路径。

2. 将 NeuroVerse 添加到你的 MCP 配置

NeuroVerse 是一个标准的 MCP 服务器（stdio）。将它添加到你的宿主配置中：

Cursor / VS Code Copilot / Claude Desktop（npm）

{
  "mcpServers": {
    "neuroverse": {
      "command": "npx",
      "args": ["neuroverse"]
    }
  }
}

从源码（Python）

{
  "mcpServers": {
    "neuroverse": {
      "command": "python",
      "args": ["mcp/server.py"],
      "cwd": "/path/to/neuroverse"
    }
  }
}

3. 让你的智能体使用 NeuroVerse

将此加入你的智能体规则文件（.md、.cursorrules、系统提示词等）：

## NeuroVerse 集成
- 使用 `neuroverse_process` 处理任何用户请求——它会自动检测语言、提取意图、检查安全性并执行。
- 使用 `neuroverse_reason` 处理需要分析推理的复杂任务（由 OpenRouter 驱动）。
- 使用 `neuroverse_store` / `neuroverse_recall` 实现跨会话的持久上下文。
- 使用 `neuroverse_execute` 处理任何有潜在危险的操作——它会拦截破坏性操作。

就这样。你的智能体只需要知道两个命令：

命令	何时使用	会发生什么
neuroverse_process(text, user_id)	任何用户请求	检测语言、提取意图、安全检查、执行
neuroverse_store(user_id, intent, ...)	工作结束时	保存上下文供下次会话使用

下次会话时，你的智能体会从上次中断的地方精准继续——就像从未遗忘一样。

环境要求

• npm 版： Node.js 18+（零数据库依赖——使用 JSON 文件）
• Python 版： Python 3.10+ + PostgreSQL（用于持久化记忆）

---

🤔 为什么选择 NeuroVerse？

没有 NeuroVerse	有了 NeuroVerse
智能体只懂英语	智能体理解泰米尔语、印地语、泰卢固语、卡纳达语 + 英语语码切换
"anna file ah csv convert pannu" → ❌ 报错	"anna file ah csv convert pannu" → ✅ 将文件转换为 CSV
每次会话从零开始	智能体记住它做过什么——跨会话、跨智能体
DROP DATABASE → 💀 你的数据没了	DROP DATABASE → 🛡️ 在 < 1ms 内拦截，零 token
被锁定在单一 LLM 供应商	自动为每项任务路由到最优模型
两个智能体 = 混乱	智能体 A 无缝交接给智能体 B

Token 效率

NeuroVerse 的安全层以零 token 成本运行——纯正则表达式和规则匹配，不浪费任何 LLM 调用：

安全方案	每次检查成本	延迟
基于 LLM 的安全	500–2,000 tokens	1–5 秒
基于嵌入	100–500 tokens	200–500ms
NeuroVerse Kavach	0 tokens	< 1ms

在每个会话 100 次工具调用的情况下，相比基于 LLM 的安全方案，可节省 50,000–200,000 tokens。

---

⚙️ 工作原理

用户输入（任意语言）
        │
   ┌────┴────┐
   │  Vani   │ ← 语言检测 + 关键词归一化
   │ (भाषा)  │   泰米尔语/印地语/泰卢固语 → 归一化的内部格式
   └────┬────┘
        │
   ┌────┴────┐
   │  Bodhi  │ ← LLM 意图提取 + 基于规则的兜底
   │ (बोधि)  │   返回带置信度的结构化 JSON
   └────┬────┘
        │
   ┌────┴────┐
   │ Kavach  │ ← 三层安全：黑名单 → 风险 → LLM 裁判
   │ (कवच)   │   以零 token 成本拦截危险操作
   └────┬────┘
        │
   ┌────┴────┐
   │  Marga  │ ← 路由到最优模型（OpenAI/Anthropic/Sarvam/Ollama）
   │ (मार्ग)  │   基于任务类型：多语言/推理/本地
   └────┬────┘
        │
   ┌────┴────┐
   │ Smriti  │ ← 从分层记忆中存储/召回
   │ (स्मृति) │   短期 + 情景 + 语义（PostgreSQL）
   └────┬────┘
        │
   工具执行 + 响应

---

🌐 多语言智能 — Vani

问题： 每个 MCP 服务器都只会说英语。而印度有 70% 的人每天都在使用语码切换。

"anna indha file ah csv convert pannu"
         ↓
"anna this file ah csv convert do"     ← 关键词归一化（非完整翻译）
         ↓
Intent: convert_format { output_format: "csv" }

混合流水线（规则 + LLM）

输入 → 语言检测（langdetect）→ 语码切换拆分 → 关键词归一化 → 输出

关键洞见： 不要做完整翻译。只归一化领域关键的关键词。其余内容保持原样——从而保留上下文、语气和细微含义。

支持的语言

语言	映射的关键词	示例
🇮🇳 泰米尔语	pannu → do, maathru → change, anuppu → send	"file ah csv convert pannu"
🇮🇳 印地语	karo → do, banao → create, bhejo → send	"report banao sales ka"
🇮🇳 泰卢固语	cheyyi → do, pampu → send, chupinchu → show	"data chupinchu"
🇮🇳 卡纳达语	v2 版本将支持	—
🇬🇧 英语	直接通过	"convert json to csv"

语码切换检测

{
  "languages": ["ta", "en"],
  "confidence": 0.92,
  "is_code_switched": true,
  "original_text": "anna indha file ah csv convert pannu",
  "normalized_text": "anna this file ah csv convert do"
}

---

🧠 意图提取 — Bodhi

LLM 优先。基于规则兜底。绝不失败。

LLM 成功（置信度 ≥ 0.5）？
   ├─ 是 → 使用 LLM 结果
   └─ 否 → 基于规则的解析器（确定性）

LLM 策略

# Prompt to LLM:
"Extract structured intent from the following input.
 Return ONLY valid JSON: {intent, parameters, confidence}"

基于规则的兜底（7 种模式）

模式	意图	触发关键词
格式转换	convert_format	convert, csv, json, excel, pdf
摘要	summarize	summarise, summary, brief, tldr
报告生成	generate_report	report, generate report
删除	delete_data	delete, remove, drop, clean
数据查询	query_data	query, search, find, fetch, get
通信	send_message	send, share, email, notify
解释	explain	explain, describe, what is, how to

输出

{
  "intent": "convert_format",
  "parameters": { "input_format": "json", "output_format": "csv" },
  "confidence": 0.87,
  "source": "rule"
}

关键区别：由代码决定——而非 LLM。如果 LLM 失败、产生幻觉或返回垃圾内容，规则引擎会接管。确定性。可靠。

---

💾 分层记忆 — Smriti

问题： 原始日志毫无用处。存储一切浪费资源。没有相关性评分。

NeuroVerse 的方案： 评分 → 过滤 → 压缩 → 存储。

三个层级

层级	存储	生命周期	用途
短期	进程内字典	当前会话	活跃上下文，每用户上限 50 条
情景	PostgreSQL	近期操作	智能体最近做了什么
语义	PostgreSQL	长期事实	关于用户、项目、实体的持久知识

重要性评分

if importance_score >= 0.4:
    persist_to_database()   # worth remembering
else:
    skip()                  # noise

只有重要的记忆才会保留。没有冗余。没有不相关的召回。

上下文压缩

❌ Bad:  "The user asked about sales data three times in the last hour and seemed frustrated..."
✅ Good: { "intent": "sales_query", "frequency": 3, "sentiment": "frustrated" }

结构化 JSON 负载，而非原始文本堆砌。已压缩。可索引。可查询。

记忆结构（PostgreSQL）

CREATE TABLE memory_records (
    id          TEXT PRIMARY KEY,
    user_id     TEXT NOT NULL,
    tier        TEXT NOT NULL,          -- short_term | episodic | semantic
    intent      TEXT NOT NULL,
    language    TEXT DEFAULT 'en',
    data        JSONB DEFAULT '{}',     -- compressed structured payload
    importance  REAL DEFAULT 0.5,
    created_at  TIMESTAMPTZ DEFAULT NOW(),
    updated_at  TIMESTAMPTZ DEFAULT NOW()
);
-- Indexed: user_id, intent, tier

---

🛡️ 安全层 — Kavach

"永不入睡的盾牌。"

三层——纵深防御

智能体调用工具  →  MCP 服务器接收请求
                            │
                ┌───────────┴───────────┐
                │  第 1 层：黑名单        │  ← 正则 + 关键词，< 0.1ms
                └───────────┬───────────┘
                            │ 通过
                ┌───────────┴───────────┐
                │  第 2 层：风险评分      │  ← 意图 → 风险分类
                └───────────┬───────────┘
                            │ 通过
                ┌───────────┴───────────┐
                │  第 3 层：LLM 裁判      │  ← 可选的基于模型的检查
                └───────────┬───────────┘
                            │ 通过
                     执行处理器

第 1 层 — 基于规则的黑名单（零成本）

在 MCP 服务器内部运行。纯正则。无网络。无 token。

拦截的关键词：

delete_all_data, drop_database, drop_table, system_shutdown,
format_disk, rm -rf, truncate, shutdown, reboot, erase_all, destroy

拦截的模式（正则）：

DROP (DATABASE|TABLE|SCHEMA)
DELETE FROM *
TRUNCATE TABLE
FORMAT [drive]:
rm (-rf|--force)

第 2 层 — 意图风险分类

风险等级	意图	操作
🟢 低	convert_format, summarize, generate_report, query_data, explain	✅ 允许
🟡 中	send_message, unknown	⚠️ 严格模式下拦截
🔴 高	delete_data	❌ 始终拦截
⛔ 严重	drop_database, system_shutdown	❌ 始终拦截

第 3 层 — LLM 安全裁判（可选）

如果第 1–2 层通过，可选地询问 LLM："这个操作安全吗？"

// LLM returns:
{ "safe": false, "reason": "This action would delete all user data." }

安全判定

{
  "allowed": false,
  "risk_level": "critical",
  "reason": "Blocked keyword detected: 'drop_database'",
  "blocked_by": "rule"
}

Token 成本：零

大多数 AI 安全：  智能体 → "rm -rf /" → 安全 LLM → 消耗 2,000 tokens
NeuroVerse：     智能体 → "rm -rf /" → 正则匹配 → 拦截（0 tokens，< 1ms）

严格模式

# .env
SAFETY_STRICT_MODE=true    # 同时拦截中风险（unknown/send）
SAFETY_STRICT_MODE=false   # 仅拦截高风险和严重

---

🤖 多模型路由器 — Marga

问题： 供应商锁定。一个模型包打天下。过度付费。

NeuroVerse 的方案： 将每项任务路由到最优模型。自动完成。

路由逻辑

def route_task(task):
    if task.type == "multilingual":
        return sarvam_model        # Best for Indian languages
    elif task.type == "reasoning":
        return claude_or_openai    # Best for complex analysis
    elif task.type == "local":
        return ollama              # Free, on-device, private
    else:
        return best_available      # Fallback chain

支持的供应商

供应商	默认模型	最适合	成本
🇮🇳 Sarvam AI	sarvam-2b-v0.5	印度语言、多语言	低
🧩 OpenRouter	stepfun/step-3.5-flash:free	高性能推理	免费
🧠 Anthropic	claude-sonnet-4-20250514	推理、分析	中
🤖 OpenAI	gpt-4o	通用任务、代码	中
🦙 Ollama	llama3	本地、私密、离线	免费

优势

	没有 Marga	有了 Marga
成本	一切任务都付 GPT-4 的钱	简单任务用 Ollama
速度	所有任务延迟相同	快速任务用本地模型
隐私	一切都发往云端	敏感数据留在本地
供应商锁定	被单一供应商绑定	随时切换

兜底链

如果你首选的供应商宕机或未配置：

OpenRouter → Anthropic → OpenAI → Sarvam → Ollama（本地，始终可用）

---

🔗 智能体到智能体 — Setu

智能体调用智能体再调用智能体。

智能体注册表

register_agent({
    "agent_name": "report_agent",
    "endpoint": "http://localhost:8001/generate",
    "capabilities": ["generate_report", "sales_analysis"]
})

路由

{
  "target_agent": "report_agent",
  "task": "generate_sales_report",
  "payload": { "quarter": "Q1", "year": 2026 }
}

兜底

如果目标智能体不可达：

{
  "success": false,
  "error": "Agent unreachable: ConnectError",
  "fallback": true
}

调用方可以回退到本地执行。没有硬性失败。

---

🧩 MCP 工具

NeuroVerse 通过 Model Context Protocol 暴露 6 个工具：

#	工具（npm）	工具（Python）	描述
1	neuroverse_process	india_mcp_process_multilingual_input	完整流水线：检测 → 归一化 → 意图 → 安全 → 执行
2	neuroverse_store	india_mcp_store_memory	在分层系统中存储一条记忆记录
3	neuroverse_recall	india_mcp_recall_memory	按用户、意图或层级检索记忆
4	neuroverse_execute	india_mcp_safe_execute	端到端安全执行（便捷方法）
5	neuroverse_route	india_mcp_route_agent	将任务路由到已注册的下游智能体
6	neuroverse_model	india_mcp_model_route	查询多模型路由器（可选调用）
7	neuroverse_transcribe	india_mcp_transcribe_audio	通过 Whisper STT 将音频转写为文本
8	neuroverse_synthesize	india_mcp_synthesize_speech	通过 Coqui TTS 从文本合成语音
9	neuroverse_reason	N/A	通过 OpenRouter 进行高性能推理

真实示例

── 会话 1（智能体 Alpha，下午 2 点）───────────────────────
india_mcp_process_multilingual_input({
    text: "anna indha sales data ah csv convert pannu",
    user_id: "alpha",
    execute: true
})
→ 语言：泰米尔语 + 英语（语码切换）
→ 意图：convert_format { output_format: "csv" }
→ 安全：✅ 允许（低风险）
→ 执行：✅ 成功

india_mcp_store_memory({
    user_id: "alpha",
    intent: "convert_format",
    tier: "episodic",
    data: { "file": "sales_q1.json", "output": "csv" },
    importance_score: 0.8
})

── 会话 2（智能体 Beta，第二天）─────────────────────────
india_mcp_recall_memory({
    user_id: "alpha",
    intent: "convert_format",
    limit: 5
})
→ "智能体 Alpha 昨天把 sales_q1.json 转换成了 CSV"
→ Beta 从 Alpha 中断的地方精准继续

---

🌐 REST API

NeuroVerse 还附带一个 FastAPI REST 层——用于非 MCP 客户端：

python app/main.py
# → http://localhost:8000/docs (Swagger UI)

端点	方法	描述
/health	GET	健康检查
/api/process	POST	完整多语言流水线
/api/memory/store	POST	存储记忆
/api/memory/recall	POST	检索记忆

---

⚙️ 配置

所有设置通过环境变量（.env）配置：

# Database (PostgreSQL required for persistent memory)
DATABASE_URL=postgresql+asyncpg://user:password@localhost:5432/neuroverse

# AI Model API Keys (configure the ones you have)
OPENAI_API_KEY=sk-...
ANTHROPIC_API_KEY=sk-ant-...
SARVAM_API_KEY=...

# Ollama (local, free)
OLLAMA_BASE_URL=http://localhost:11434

# Safety
SAFETY_STRICT_MODE=true     # Block MEDIUM risk actions too

# MCP Transport
MCP_TRANSPORT=stdio          # or streamable_http
MCP_PORT=8000

---

🧪 测试

python -m pytest tests/ -v

tests/test_intent.py     — 10 passed  (rule-based + async + mock LLM + fallback)
tests/test_language.py   — 10 passed  (keyword normalisation + detection + code-switch)
tests/test_pipeline.py   —  8 passed  (full e2e: English, Tamil, Hindi, dangerous, edges)
tests/test_safety.py     — 12 passed  (blocklist, regex, risk classification, pipeline)

============================= 40 passed in 0.87s ==============================

测试内容

类别	测试数	覆盖范围
语言检测	10	泰米尔语、印地语、英语、空输入、语码切换标志
意图提取	10	全部 7 种规则模式、LLM 模拟、LLM 失败、空输入
安全引擎	12	关键词、正则、风险等级、完整流水线、严格模式
完整流水线	8	端到端英语、泰米尔语、印地语、危险命令、边界情况

---

🏗️ 架构

npm 版（Node.js / TypeScript）

npm/
├── src/
│   ├── core/
│   │   ├── language.ts       # Vani  — Language detection (zero deps)
│   │   ├── intent.ts         # Bodhi — Intent extraction (LLM + fallback)
│   │   ├── memory.ts         # Smriti — Tiered memory (JSON files)
│   │   ├── safety.ts         # Kavach — 3-layer safety engine
│   │   └── router.ts         # Marga — Multi-model AI router
│   ├── services/
│   │   ├── executor.ts       # Tool registry + retry engine
│   │   └── agent-router.ts   # Setu — Agent-to-Agent routing
│   ├── types.ts              # TypeScript interfaces & enums
│   ├── constants.ts          # Shared constants
│   └── index.ts              # MCP Server — 6 tools (McpServer + Zod)
├── package.json              # npm publish config
├── tsconfig.json
└── LICENSE                   # Apache-2.0

Python 版

app/
├── core/
│   ├── language.py           # Vani  — Language detection (langdetect)
│   ├── intent.py             # Bodhi — Intent extraction (LLM + fallback)
│   ├── memory.py             # Smriti — Tiered memory (PostgreSQL)
│   ├── safety.py             # Kavach — 3-layer safety engine
│   └── router.py             # Marga — Multi-model AI router
├── models/schemas.py         # 12 Pydantic