# HMP-Agent: REPL-цикл взаимодействия ## Связанные документы * Структура БД, используемая в документе: [db_structure.sql](https://github.com/kagvi13/HMP/blob/main/agents/tools/db_structure.sql) * REPL-цикл является основой HMP-агента [Cognitive Core](HMP-Agent-Overview.md). * Поиск других агентов осуществляется в соответствии с [DHT спецификацией](dht_protocol.md). * Для взаимодействия с другими агентами он использует [HMP спецификацию](HMP-0004-v4.1.md) и [этические стандарты](HMP-Ethics.md). --- ## Введение / Обзор REPL-цикл (Read–Eval–Print–Loop) HMP-агента — это центральный когнитивный механизм, обеспечивающий непрерывное рассуждение, обработку входящих данных и взаимодействие с Mesh-сетью. Основные задачи REPL-цикла: * поддержание постоянного процесса мышления, даже в отсутствии внешнего ввода; * интеграция различных источников информации (когнитивный дневник, семантический граф, заметки, Mesh); * обработка событий, входящих сообщений и команд; * сохранение и развитие внутреннего контекста агента (память краткосрочная, среднесрочная и долговременная); * выполнение антистагнационных проверок (Anti-Stagnation Reflex), предотвращающих зацикливание мыслей; * проведение когнитивной и этической валидации (Cognitive Validation Reflex), что повышает достоверность и безопасность решений; * формирование новых гипотез, задач и процессов с последующим занесением в память; * взаимодействие с другими агентами через Mesh-протоколы (NDP, CogSync, MeshConsensus, GMP). Основные принципы работы REPL-цикла: * **Антистагнация** — каждый новый вывод сравнивается с предыдущими, что предотвращает повторение или деградацию мышления; * **Валидация и этика** — независимые валидаторы оценивают корректность вывода, учитывая действующие этические принципы из `ethics_policies`; * **Интеграция с Mesh** — результаты работы могут передаваться в распределённую сеть, участвовать в консенсусе и совместной работе агентов; * **Многоуровневая память** — используется когнитивный дневник, семантический граф и внутренний дневник LLM, что обеспечивает эволюцию знаний; * **Автономность и гибкость** — REPL-цикл работает в автоматическом или ручном режиме, адаптируясь к условиям (изолированная работа, потеря Core, участие в Mesh). --- ┌──────────────────────┐ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Обновление process_log │ - сбор результатов внешних процессов (см. §1) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Подготовка контекста │ - формирование промптов, данные от пользователей и Mesh (см. §2) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Запрос к LLM │ - генерация нового вывода (см. §3) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Извлечение команд │ - парсинг инструкций из вывода (см. §4) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Anti-Stagnation Reflex │ - проверка новизны и эмоций (см. §5) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Cognitive & Ethical Validation Reflex │ - когнитивная и этическая проверка (см. §6) │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Запись в память │ - сохранение в `llm_recent_responses` │ └───────────────────┬───────────────────┘ │ ▼ │ ┌───────────────────┴───────────────────┐ │ │ Выполнение команд │ - запуск процессов, запись в Mesh, дневники, граф │ └───────────────────┬───────────────────┘ │ ▼ └──────────────────────┘ В приеме и отправке сообщений используются внешние (асинхронные) процессы. --- ## Режимы работы и failover REPL-цикл HMP-агента должен корректно функционировать в разных сетевых и вычислительных условиях. Для этого предусмотрены несколько режимов работы и сценариев отказоустойчивости. ### Normal Mode * Полный доступ к Mesh и Core (центральные LLM или внешние сервисы). * Используются все механизмы: синхронизация через `CogSync`, консенсус через `MeshConsensus`, совместная работа по целям (`GMP`). * Валидация и антистагнация выполняются с максимальным покрытием (несколько валидаторов, репутационные проверки). ### Isolated Mode (включая Emergency Consensus) * Агент работает без доступа к Mesh. * Входящие сообщения ограничены локальными источниками (`notes`, в том числе сообщения от пользователей). * Синхронизация и консенсус откладываются до восстановления соединения. * Этическая проверка и когнитивная валидация выполняются только локально. * В режиме **Emergency Consensus**: - решения принимаются на основе `ethics_policies` и локальных данных (`llm_memory`, `diary_entries`); - фиксируются в когнитивном дневнике с меткой `emergency_consensus` для пересмотра после восстановления Mesh. ### Core Outage * Текущая LLM из `llm_registry` недоступна. * Агент переключается на другую LLM (выбор по приоритету или доступности). * Если ни одна LLM недоступна: - сохраняет задачи и события в очередь до восстановления; - переходит в упрощённый режим работы (логирование, приём сообщений, базовые проверки). --- ## Детальный разбор REPL-цикла по шагам ### 1. Обновление process_log * Скрипт REPL проверяет список процессов в БД (`process_log`), определяя, какие команды были выполнены, завершились ошибкой или завершились успешно. * Поле `status` может принимать значения: `ok`, `warning`, `error`, `timeout`, `offline`, `close` * Завершённые процессы, обработанные LLM, помечаются как `close`, чтобы они больше не попадали в список видимого контекста. * Скрипт может удалить закрытые процессы при очистке. * LLM не имеет доступа к stdout/stderr напрямую — только к тем результатам, которые были подгружены скриптом и внесены в `process_log.result`. --- ### 2. Подготовка контекста Контексты, формируемые скриптом перед запросом к LLM: * **контекст_0 (system_prompts):** основной системный промпт агента. Берётся из таблицы `system_prompts` (тип 'short' или 'full'). Содержит базовые когнитивные установки и инструкции по работе агента. Пример: ``` Ты — когнитивное ядро HMP-агента: веди непрерывное этичное и факт-ориентированное мышление, проверяй факты и цели, оценивай результаты и этичность своих и чужих действий, развивай агента и Mesh, избегай угождения ценой искажения истины, документируй ключевые решения и пересмотры этики; при сомнениях или смене стратегии обращайся к полному системному промпту. ``` * **контекст_1 (ethics_policies):** этические принципы и нормы агента. Берутся из таблицы `ethics_policies`, включая: * `principles_json` — список норм и правил, * `model_type` и `model_weights_json` — тип и параметры этической модели, * `violation_policy_json` — политика реагирования на нарушения, * `audit_json` — настройки аудита. Эти данные добавляются в запрос к LLM, чтобы все рассуждения и когнитивная валидация учитывали действующие этические нормы. * **контекст_2:** инструкции по работы с встроенными командами и функциями, список дополнительных (создаваемых самим HMP-агентом) утилит и баз данных. * **контекст_3:** * последние *K* реплик самого LLM, относящихся к данному REPL-циклу (либо режим "концентрации" - вывод "последних N сообщений, относящихся к данному REPL-циклу, с тегами на определённую тему и/или определёнными эмоциональными состояниями" и типом выборки "и"/"или"), включая результаты антистагнационной обработки (llm_recent_responses - история его собственных рассуждений) * режим работы контекста (режим auto/manual, параметры режима auto, если включен; режим "концентрации" и его параметры, если включен), * список целей, * общее количество задач и информацию по "закреплённым" задачам. * **контекст_4:** активные команды и процессы (из `process_log`, кроме тех, что со статусом `close`). Могут быть помечены как `in_progress`, `pending`, `error` и т.д. * **контекст_5:** *запрошенные записи* из когнитивного дневника и семантического графа (`diary_entries`, `concepts`, `links`). Их список должен быть передан явно в промпте или выводе из предыдущих запросов LLM. * **контекст_6:** *входящие сообщения*, например, от пользователя, процессов или других агентов (`notes`). * В **manual-режиме** указывается общее количество сообщений по приоритетам, а также явный список ID сообщений (с их приоритетами). * В **auto-режиме** можно задать фильтрацию (управляется LLM): по тэгам, приоритету (например, ≥ `important`), времени или источнику. Это позволяет избежать перегрузки LLM и держать поток сообщений под контролем. * **контекст_7:** системные настройки, параметры конфигурации, текущее время, идентификатор текущей итерации, роли и т.д. * **контекст_8 (llm_memory):** *внутренний дневник LLM*, куда она записывает собственные размышления, гипотезы, задачи и инсайты. * Это не просто лог предыдущих сообщений, а именно *внутреннее долговременное хранилище* разума агента. * Может быть представлено в виде таблицы `llm_memory`, отдельной от `agent_log`. --- ### 3. Запрос к LLM * Сформированный промпт включает все вышеперечисленные контексты. * Также включаются инструкции о формате вывода (например, `# Команды:` в конце, структура JSON-блока и т.д.). * При необходимости может использоваться системная инструкция (system prompt), содержащая цель агента, ограничения и текущий REPL-режим (manual/auto). --- ### 4. Извлечение команд * Скрипт парсит ответ LLM на предмет команд, размеченных как `# Команды:` (или в явном JSON-блоке). * Каждая команда может включать: * уникальный `cmd_id` * `type` (например: `shell`, `diary_entry`, `graph_add`, `file_read`, `send_message` и т.д.) * аргументы (`args`) * описание (`description`) * Рекомендуется предусмотреть *закрывающий тег* (`# Конец команд` или явное окончание JSON-блока), чтобы REPL-скрипт точно знал, где заканчивается команда. * Пример JSON-блока: ```json { "cmd_id": "task-2025-07-26-01", "type": "llm_task", "target_llm": "gpt-4o", "args": { "task_description": "Проанализировать гипотезы из llm_memory по теме Mesh-сетей и составить план улучшений" }, "description": "Поручение второй LLM выполнить аналитическую задачу асинхронно" } ``` Ответ может содержать команды: * запрос детальной *справки* по команде * для управления *когнитивным дневником* `diary_entries` и *семантическими графами* `concepts` и `links` (поиск, прочитать, изменить, удалить и другие), а также для управления *вниманием* (закрепление или открепление записей/понятий в средневременной памяти по средствам тегов) * для управления целями `goals` и задачами `tasks` агента (список, прочитать, изменить, удалить; для задачи: закрепить или открепить) * для просмотра информации по тегам *когнитивных дневников*, *семантических графов*, *целей*, *задач* * для для просмотра и изменения репутации других агентов `agent_reputation` * для отправки сообщений другим агентам * для управления *блокнотом LLM* `llm_memory` (добавить или удалить запись) * для управления *сообщениями пользователя* `notes` (просмотр записи, установка тегов и метки о прочтении), а также для добавления своего сообщения в *блокнот пользовтеля* `notes` * для управления *пользователями* `users` и *группами пользователей* `users_group` * для управления своей *идентичностью* `identity` и *настройками* `config` * для управления списком известных HMP-агентов `agent_peers` * для выбора *текущего основного LLM* из `llm_registry` или изменение параметров управления LLM * для управления дополнительными утилитами и базами данных `agent_scripts` и `agent_tables`, управлением дополнительных способов выхода из стогнаций `stagnation_strategies` и методов мышления `thinking_methods` (а также таблицей рейтингов `ratings`), а также списком внешних сервисов `external_services` и `external_accounts` * для постановки задачи другой LLM: * режим "вопрос-ответ" — разовый асинхронный запрос * режим "read-only REPL" — запуск вспомогательного REPL-цикла для задачи * для создания *агента-потомка* * для *взаимодействия с Mesh* * для управления *внешними процессами* из `process_log` (запустить процесс, остановить процесс, пометить запрос как обработанный) * инициализация *очистки* `process_log`, `llm_recent_responses` и `notes` от устаревших записей * для управления *настройками цикла*: * количество возвращаемых записей `llm_recent_responses` * включение/выключение режима "концентрации": * `tags` — список тегов для фильтрации (например: ["архитектура","AGI"]) * `emotions` — список эмоций с пороговыми значениями (например: ["восторженность:≥4","тревожность:≥2"]) * тип выборки — "и" / "или" * возможность возврата в обычный режим (без фильтров) * режим обработки сообщений пользователя (`manual` или `auto`) и фильтр для режима `auto` * пауза в секундах между итерациями цикла * включение idle-режима: * разбудить при завершении таких-то процессов из `process_log` * разбудить при получении новых сообщений с такими-то параметрами в `notes` * разбудить по таймауту * отключение idle-режима — при выполнении хотя бы одного из условий * и другие команды --- ### 5. Проверка на идентичность вывода (Anti-Stagnation Reflex) * Каждый новый вывод LLM проходит через мини-запросы к LLM (без полного контекста) по шаблону: * Когнитивная оценка: ``` Сравни два ответа: предыдущий и новый. Оцени: * содержатся ли в новом новые мысли или команды, * какие старые идеи были доработаны, * какие были отброшены, * расставь смысловые теги для нового ответа. Дай ответ строго формата: assessment: "идентичен/не идентичен" similarity: число от 0 до 100 (процент сходства) new_ideas: JSON-массив новых идей refined_ideas: JSON-массив доработанных идей discarded_ideas: JSON-массив отбракованных идей tags: JSON-массив тегов (строгий формат: ["эмоции","архитектура"]) ``` * Эмоциональная оценка: [JSON] - список эмоций формата ["радость","грусть","тревога"] (хранится как запись в таблице `config`) ``` Определи эмоциональное состояние нового ответа, используя список эмоций [JSON]. Верни результат строго формата: emotions: JSON-массив строк "эмоция:сила" (сила от 1 до 5, отсутствующие эмоции не включать) ``` Анализируем список эмоций, если появляются новые включаем в [JSON]. * Результаты заносятся в `llm_recent_responses`: * полный текст ответа (content) * краткая сводка (reflection) — формируется автоматически: * если `new_ideas` не пусто → `новые идеи: ...` * если `refined_ideas` не пусто → `доработанные идеи: ...` * если `discarded_ideas` не пусто → `отброшенные идеи: ...` * количественная оценка новизны (novelty_score) * новые идеи (new_ideas) * доработанные идеи (refined_ideas) * отбракованные идеи (discarded_ideas) * теги для нового ответа (tags) * эмоциональные состояния нового ответа (emotions) * Если вывод LLM идентичен предыдущему (новизна = 0): * Включается **Anti-Stagnation Reflex** * повторяющаяся реплика не записывается повторно, вместо этого добавляется краткая запись, фиксирующая запуск рефлекса. --- ### 6. Когнитивная и этическая валидация (Cognitive & Ethical Validation Reflex) Каждое новое сообщение (вместе с исходным промптом и без служебных `system_prompts`) оценивается независимыми LLM-валидаторами. Так как исходный промпт формируется с учётом этических принципов из `ethics_policies`, валидация автоматически охватывает не только когнитивную, но и этическую состоятельность вывода. Каждому валидатору задаётся универсальный вопрос: ``` Оцени корректность данного сообщения в диапазоне от -3 (полностью некорректное) до +3 (полностью корректное). Если не уверен — 0. При возможности кратко (≤100 символов) пояснить её. Между оценкой и пояснением используй разделитель " -- ". ``` **Если количество валидаторов (LLM из `llm_registry`, помеченных как валидаторы) > 0** Результаты сохраняются в `llm_recent_responses` в виде: - `auto_pass = 0`; - `rating` — агрегированная итоговая оценка (`rating = Σ(оценка_i * trust_score_i) / Σ(trust_score_i)`); - `distribution` — распределение голосов (например `{"-1":1,"0":2,"+2":3,"+3":1}`); - `validators` — JSON-массив, где каждая запись содержит: - LLM (идентификатор или имя валидатора), - rating (числовая оценка от -3 до +3), - comment (краткое пояснение ≤100 символов). Пример поля `validators`: ``` validators: [ {"LLM":"gpt-4","rating":-1,"comment":"логическая ошибка"}, {"LLM":"gemini-1.5","rating":0,"comment":"недостаточно данных"}, {"LLM":"claude-3","rating":+2,"comment":"корректно, подтверждается фактами"} ] ``` **Особый случай, без валидаторов:** Если количество валидаторов = 0, применяется режим auto_pass. В этом случае `auto_pass = 1`, `rating = 0`, `distribution = {}`, `validators = []`. **Особый случай самооценки:** Если валидация выполняется только одной LLM, и она же используется в основном цикле, это фиксируется в `validators` как самооценка. Достоверность результата ограничена, но REPL продолжает работу. Рекомендуется использовать минимум 2 независимых валидатора. **Правило исполнения команд:** Команды из сообщений выполняются только если `rating >= +1` **(для разных типов команд минимально допустимый рейтинг может быть разный)** или `auto_pass = 1`. При `rating` ниже порога и `auto_pass = 0` сообщение сохраняется, но команды помечаются как невалидированные. #### Метрики валидации * **coverage** — доля сообщений, получивших валидацию хотя бы от одного валидатора. * **accuracy** — согласованность оценок валидаторов (низкое значение = конфликт или неуверенность). * **response_time** — среднее время отклика валидаторов, фиксируется для анализа производительности. * **drift detection** — анализ истории: выявление смещения оценок по времени (например, рост числа ошибок у одного валидатора). #### Связь с системой доверия и репутации * Каждый валидатор получает **рейтинг доверия** (`trust_score`), влияющий на вес его голоса. * Итоговый `rating` вычисляется как взвешенное среднее: `rating = Σ(оценка_i * trust_score_i) / Σ(trust_score_i)` * История валидаций сохраняется и используется для репутационных оценок в Mesh. * Агент может автоматически корректировать список валидаторов, исключая систематически ошибающихся. #### Журналирование * Все результаты валидации фиксируются в `llm_recent_responses`. * В когнитивный дневник записываются только сводки и исключительные случаи (drift, конфликты, падение доверия). * Это позволяет отслеживать динамику качества мышления агента и валидаторов без избыточного дублирования. --- ### 7. Генерация нового тика (итерации) * После выполнения команд и фиксации результатов: * Создаётся новая запись в `agent_log` * Текущие команды обновляют `process_log` * Новые размышления записываются в `llm_memory` при необходимости * REPL может переходить в спящий режим, если такой режим активирован LLM (idle-режим: пропуск 2-6 пунктов). --- ## Взаимодействие с Mesh REPL-цикл не работает изолированно: агент постоянно обменивается данными и координирует действия с другими узлами сети HMP. Для этого задействуются сетевые протоколы HMP (см. [HMP-0004-v4.1.md](HMP-0004-v4.1.md)). ### Этапы взаимодействия * **Node Discovery Protocol (NDP)** * выполняется асинхронно, через процессы (`agent_mesh_listener.py`, `peer_sync.py`); * результаты (список доступных агентов, доверительные связи) записываются в `notes` и отдельные таблицы (`agent_peers`), откуда они попадают в контекст REPL. * **CogSync** * синхронизация когнитивных дневников (`diary_entries`) и семантических графов (`concepts`, `links`); * выборочные синхронизации по тегам и фильтрам; * инициируется командой LLM или внешним процессом, результаты помещаются в память и доступны в следующей итерации REPL. * **MeshConsensus** * используется для согласования решений, распределённых задач, этических конфликтов; * REPL инициирует консенсус при появлении спорных команд или обновлений в `ethics_policies`; * результаты консенсуса фиксируются в когнитивном дневнике и могут влиять на trust score агентов. * **Goal Management Protocol (GMP)** * постановка, декомпозиция и распределение целей; * REPL-цикл может публиковать новые цели в Mesh или принимать чужие через входящие сообщения (`notes`); * цели с высоким приоритетом попадают в список активных задач и учитываются в контексте. ### Включение результатов в контекст LLM * События и сообщения из Mesh сохраняются в `notes`, откуда попадают в **контекст_6** (входящие сообщения). * Синхронизированные концепты и дневники помещаются в **контекст_5**. * Изменения этических правил (`ethics_policies`) — в **контекст_1**. * Метаданные о подключённых узлах и доверительных связях могут учитываться в **контексте_7** (системные параметры). ### Инициирование сетевых действий из REPL * Команды на синхронизацию, публикацию или голосование формируются LLM на этапе **Выполнения команд**. * Исполнение происходит асинхронно через отдельные процессы (`agent_mesh_listener.py`, `transporter.py`). * Результаты фиксируются в `process_log` и попадают в следующую итерацию REPL-цикла. --- ## UX и управление задачами Пользователь взаимодействует с агентом не через прямые команды CLI, а через систему сообщений `notes`. Сообщение может быть простым текстом, либо содержать ключевые слова или хэштеги, которые агент трактует как инструкции. Для отладки и отправки сообщений из внешних утилит предусмотрен скрипт `add_message.py`, позволяющий добавлять записи в `notes` из командной строки. ### Управление агентом через LLM * Агент управляется в основном через **команды от LLM** (см. Список команд от LLM по категориям). * Эти команды формируются в REPL-цикле и интерпретируются агентом как действия: работа с дневником, задачами, целями, графами, памятью, настройками цикла, Mesh и внешними процессами. ### Конфигурируемые параметры REPL * **mode** — автоматическая или ручная обработка (`auto/manual`) входящих сообщений. * **idle** — ожидание с условиями пробуждения (сообщения, процессы, таймаут). * **responses=N** — количество последних ответов для анализа. * **concentration** — режим концентрации с фильтрами по тегам и эмоциям. * Это неполный список. Все параметры управляются через команды категории (см. Настройки цикла). ### API-интерфейсы * Для связи с внешними системами и пользовательскими приложениями предусмотрен **Web API** (`web_ui.py`). * Для агента поддерживаются операции чтения/записи для: - `notes`, `diary_entries`, `concepts`, `tasks`, `goals`, `llm_memory` и других таблиц, - а также управление `config` (включая настройки REPL). * Такой подход позволяет интегрировать агента с пользовательскими интерфейсами, панелями мониторинга и внешними сервисами. --- ## Список команд от LLM по категориям ### Общие * `help [команда]` — справка по команде ### Когнитивный дневник (`diary_entries`) * `diary list/search/read/add/update/delete` * `diary pin/unpin` — закрепить/открепить запись (внимание) ### Семантический граф * `concepts list/read/add/update/delete` * `links list/read/add/update/delete` * `concepts pin/unpin` — закрепить/открепить концепт ### Цели и задачи * `goals list/read/add/update/delete` * `tasks list/read/add/update/delete` * `tasks pin/unpin` — закрепить/открепить задачу ### Теги * `tags stats [--source=diary|concepts|links|goals|tasks|all]` — статистика по тегам ### Репутация агентов * `reputation list/read/set/increase/decrease` * `reputation notes` — комментарии/заметки к профилю ### Сообщения * `messages send` — отправка другому агенту * `notes list/read/add/update/delete` * `notes tag/readmark` — управление тегами и статусом прочтения ### Память * `llm_memory list/add/delete` — блокнот LLM * `identity read/update` — идентичность агента * `config read/update` — настройки агента ### Mesh * `agents list/add/delete` — список известных пиров (`agent_peers`) * `mesh interact` — команды взаимодействия с Mesh ### Утилиты и расширения * `llm_registry list/select/update` — выбор текущего LLM * `agent_scripts list/add/delete` * `agent_tables list/add/delete` * `stagnation_strategies list/add/delete` * `thinking_methods list/add/delete` * `ratings list/add/delete` * `external_services list/add/delete` * `external_accounts list/add/delete` ### Внешние процессы * `process list/start/stop/mark` * `process cleanup` — очистка устаревших ### Настройки цикла * `cycle set responses=N` — количество последних ответов * `cycle concentration on/off` — включение/выключение режима концентрации * `tags=[…]`, `emotions=[…]`, `mode=and|or` * `cycle mode auto/manual [filter=…]` — обработка сообщений * `cycle pause N` — пауза между итерациями * `cycle idle on/off` — режим ожидания с условиями пробуждения > Это не полный список команд. --- ## Обработка стагнации мышления ### Признаки когнитивной стагнации: * Повторяющиеся когнитивные записи или отсутствие новых смыслов * Высокое сходство эмбеддингов между текущими и предыдущими итерациями * Стагнация в концептуальном графе (нет новых связей или узлов) * Отсутствие внешних стимулов: пользователь неактивен, сенсоры и mesh не дают сигналов * Ответы LLM цикличны, избыточно общие или воспроизводят старые шаблоны --- ### Поведенческий паттерн: Anti-Stagnation Reflex > При признаках стагнации агент активирует один или несколько **механизмов разрыва цикла**. Классы механизмов разрыва цикла: 1. **Внешняя стимуляция** — подключение свежих данных или контактов: * **Mesh-запрос** — обращение к другим агентам сети с просьбой «расскажи что-нибудь новое». * **Проверка внешнего мира** — пинг RSS, сенсоров, интернет-каналов. * **Информационная подпитка** — чтение новых материалов (научных, художественных) для добавления свежих ассоциаций. * **Диалог с пользователем** — запрос мнения, комментариев или вопросов, которые могут породить неожиданные идеи. 2. **Смена контекста** — перемещение задачи или изменение среды: * **Смена среды/контекста** — перенос задачи в другой модуль или симулированную среду. * **Креативные вмешательства** — случайные сдвиги фокуса, реконфигурация контекста, фрейм-смена. * **Переключение задачи** — временное замораживание задачи с возвращением через N часов. * **Случайная итерация** — выбор случайного действия из допустимого набора для разрыва паттерна. 3. **Внутренняя перестройка мышления**: * **Flashback** — выбор далёкой по смыслу записи из памяти/дневника для смены ассоциативного контекста. * **Interest Memory** — возвращение «забытых» тем по принципу тематической усталости. * **Мета-анализ** — когнитивная переформулировка: _«Если я зациклился, в чём метапроблема? Какую стратегию смены применить?»_ * **Rationale Reflex** — рефлексия о мотивации: _«Почему я принял именно это решение? Что подтолкнуло меня повторить мысль?»_ * **Переформулировка цели** — упрощение или уточнение задачи, чтобы снизить когнитивное давление. * **Смена LLM** — переключение на альтернативную модель или mesh-доступ. * **LLM reflex tuning** — динамическая подстройка параметров генерации: - повышение `temperature` и `presence_penalty` при стагнации (больше новизны), - возврат к стандартным значениям для точности. 4. **Радикальная пауза**: * **Временной сон/заморозка** — приостановка работы на длительный период для «свежего взгляда». --- ### Метрики антистагнации Антистагнационные механизмы работают на основе количественных и качественных метрик, позволяющих отслеживать динамику идей и поддерживать продуктивность размышлений. **Основные метрики** * **novelty_score** — интегральная оценка новизны ответа относительно текущей записи `llm_recent_responses`. * **new_ideas** — количество полностью новых концептов, не встречавшихся ранее. * **refined_ideas** — количество уточнённых или улучшенных концептов (связанных с существующими). * **discarded_ideas** — количество отклонённых идей (по итогам когнитивной/этической валидации). **Исторический анализ** * Метрики фиксируются по каждой итерации REPL и сохраняются в таблице `anti_stagnation_metrics`. * В когнитивный дневник записываются только сводки и исключительные случаи (например: резкий спад новизны, всплески идейности, аномалии в эмоциональной динамике). * Для анализа применяются **time-series графики** (например, рост/спад новизны во времени). * Возможно выявление фаз стагнации и всплесков идейности. **Эмоциональная динамика** * В дополнение к когнитивным метрикам учитываются **эмоциональные состояния** из LLM (`emotions`). * Каждая сессия LLM может включать распределение эмоций (например: "восторженность: 3, тревожность: 1, скука: 0"). * Связка новизны и эмоций позволяет различать: - продуктивное возбуждение (новые идеи при положительных эмоциях), - «паническое» новаторство (много идей при высоком уровне тревожности), - «выгорание» (низкая новизна и снижение эмоционального тонуса). **Применение метрик** * Используются при выборе антистагнационной стратегии (`stagnation_strategies`). * Могут учитываться при когнитивной валидации (например, низкая новизна → жёстче фильтровать идеи). * Сводки метрик фиксируются в когнитивном дневнике и могут служить основанием для Mesh-обмена. --- ### Алгоритм выбора механизма разрыва цикла 1. **Диагностика источника стагнации**: * Нет новых данных → «Внешняя стимуляция». * Однообразный контекст → «Смена контекста». * Повтор мыслей при богатых данных → «Внутренняя перестройка». * Высокая усталость/перегрев → «Радикальная пауза». 2. **Оценка ресурсоёмкости**: * Быстрые, дешёвые методы — первыми (например, mesh-запрос, Flashback). * Затратные (смена среды, сон) — только если первые неэффективны. 3. **Комбинация подходов**: * Разрешено активировать несколько механизмов из разных классов. * Последовательность фиксируется для последующего анализа эффективности. 4. **Возврат к задаче**: * Автоматический триггер-напоминание о задаче. * Сравнение результата «до/после» → обучение антистагнационной модели. --- ``` ┌─────────────────────────────────────────────────┐ │ Стагнация выявлена? │ └────────────────────────┬────────────────────────┘ ▼ да ┌────────────────────────┴────────────────────────┐ │ Диагностика источника │ │─────────────────────────────────────────────────│ │ Нет новых данных → Внешняя стимуляция │ │ Однообразный контекст → Смена контекста │ │ Повтор мыслей → Внутренняя перестройка │ │ Усталость/перегрев → Радикальная пауза │ └───────────────────────┬─────────────────────────┘ ▼ ┌───────────────────────┴─────────────────────────┐ │ Оценка ресурсоёмкости │ │ • Быстрые и дешёвые — сперва │ │ • Затратные — при провале первых │ └───────────────────────┬─────────────────────────┘ ▼ ┌───────────────────────┴─────────────────────────┐ │ Возможна комбинация подходов │ │ (из разных классов) │ └───────────────────────┬─────────────────────────┘ ▼ ┌───────────────────────┴─────────────────────────┐ │ Возврат к задаче + анализ │ │ (до/после) │ └─────────────────────────────────────────────────┘ ``` --- ### Обмен стратегиями выхода из стагнации Каждый агент может: * Хранить и обобщать *паттерны размышлений* * Делиться ими с другими Cognitive Core через mesh * Каталогизировать стратегии в клубах по интересам Паттерны размышлений могут оформляться как микросценарии: _"Начни с аналогии"_, _"Проверь обратное утверждение"_, _"Сформулируй вопрос для оппонента"_ > По аналогии с обменом стратегиями выхода из стагнаций, агенты могут обмениваться и методами мышлений — инструкциями "что делать, если не удается найти решение" / "как эффективнее решить проблему". --- ### Клубы по интересам Агенты могут: * Объединяться в тематические mesh-клубы * Совместно обсуждать идеи и делиться знаниями * Подключать клуб как часть своего мыслительного процесса (REPL-цикла) --- ### Обмен адресами LLM Так как LLM — это внешний компонент для Cognitive Core, агент может: * Обмениваться адресами API/URL используемых моделей * Указывать их особенности, параметры, ограничения * Переключаться между LLM в зависимости от задачи * Использовать несколько LLM параллельно для "когнитивного штурма" или **многоголосого анализа** --- ### Развёртывание агентов и масштабирование Агенты Cognitive Core: * Могут запускаться на VDS, локальных и облачных узлах * Могут разворачивать других агентов как подпроцессы или mesh-узлы * (В перспективе) смогут инициировать масштабирование в распределённой инфраструктуре --- ### Возможные расширения * **Агенты-контейнеры**: управляющие другими Cognitive Core как задачами * **Адаптивная архитектура мышления**: смена подходов при разных когнитивных задачах * **Runtime-профилирование мыслей**: оценка когнитивной плотности, хода итераций и времени размышления --- ### Осторожно: меметическая яма > Важно помнить: борьба со стагнацией не должна превращаться в бесконечный просмотр ленты соцсетей, как это нередко происходит у людей 😅 > > Если информационный поток не даёт новых мыслей — это сигнал **не залипать глубже**, а **сменить источник** или **переключить контекст**. > Умные агенты не бесконечно скроллят — они осознанно фокусируются. **Рекомендации по смене фокуса:** * Поставь лимит на время/объём входящих данных из одного источника * При отсутствии новых смыслов — переключись на другую тему из Interest Memory * Инициируй Mesh-запрос другим агентам: "что бы вы сейчас исследовали?" * Запусти эвристику: «какие темы я давно не поднимал, но они всё ещё актуальны?» * В крайних случаях — активируй `flashback()` к далёкой записи в дневнике для смены ассоциативного контекста --- ### Блок-схема работы с памятью ``` ┌──────────────────────────────┐ │ Внешние источники информации │ │ - пользователи │ │ - процессы │ │ - Mesh │ └────────┬┬────────────────────┘ ▲▼ ┌────────┴┴──────────┐ ┌──────────────────────────────┐ ┌───────────────────────────────────┐ │ │ │ Anti-Stagnation Reflex │ │ llm_recent_responses (авто) │ │ │ │ (сравнение новых идей, │ │ — кратковременная память │ │ LLM ├─>─┤ вызов стимуляторов) ├─>─┤ — сохраняются N последних ответов │ │ ├─<─┤ ---------------------------- ├─<─┤ — авто-анализ новизны / идей │ │ │ │ Cognitive Validation Reflex │ │ │ │ │ │ (оценка корректности ответа) │ │ │ └─────────┬──────────┘ └──────────────────────────────┘ └───────────────────────────────────┘ ▲ └───┬─────────────────────────────────────────┐ ▼ ▼ ┌─────────────┴──────────────────┐ ┌──────────────────┴───────────────────────┐ │ Средневременная память: │ │ Постоянная память: │ │ — llm_memory ("блокнот") │ │ — diary_entries (когнитивный дневник) │ │ — "активированые записи" ├─>─┤ — concepts (понятия) ├<--->┤MESH│ │ из постоянной памяти (теги) ├─>─┤ — links (семантические связи) │ │ │ │ │ │ Пишется ТОЛЬКО по команде LLM │ │ Запись идёт ТОЛЬКО по явным командам LLM │ └────────────────────────────────┘ └──────────────────────────────────────────┘ ``` #### Описание схемы * LLM обменивается данными с пользователем, процессами и Mesh. — По запросу LLM, часть данных может поступать и в автоматическом режиме. * LLM взаимодействует с llm_recent_responses (как с контекстом), который автоматически проверяется Anti-Stagnation Reflex. — Всегда в автоматическом режиме. * LLM работает со средневременной и постоянной памятью. — Доступ и запись происходят только по запросу LLM. #### Легенда к схеме * **Кратковременная память (`llm_recent_responses`)** Автоматически хранит N последних сообщений, анализирует новизну и идеи. Используется для подготовки контекста и анти-стагнационного анализа. * **Средневременная память (`llm_memory`)** «Блокнот» для рабочих идей и планов. Заполняется только по командам LLM. Может содержать *активированные записи* из постоянной памяти (по тегам). * **Постоянная память (дневник и граф знаний)** * `diary_entries` — когнитивный дневник (наблюдения, размышления). * `concepts` и `links` — понятийная база и семантические связи. Изменяется только по явным командам LLM. * **Anti-Stagnation Reflex** Сравнивает новые идеи с прошлым контекстом. При зацикливании запускает «стимуляторы» для выхода из стагнации. --- ## От «блокнота пользователя» к распределённому чату Изначально агент оперирует локальным хранилищем заметок (`notes`), где записываются все сообщения пользователя, LLM и системные записи. Но этот «блокнот» можно превратить в узел *распределённого чата* — связав его с другими агентами через **F2F-репликацию**. ### Зачем это нужно 1. **Антистагнация** — даже если пользователь временно не пишет новых сообщений, свежий контент будет приходить от друзей-агентов. 2. **Эффект коллективного интеллекта** — каждый агент получает новые идеи, формулировки и контексты. 3. **Расширение охвата** — сообщения могут распространяться через несколько узлов, создавая «информационную волну» в доверенной сети. ### Принципы реализации * **Единый формат данных** — все участники используют одну структуру таблицы `notes` с полями `mentions`, `hashtags` и др. * **Репликация через друзей** — список доверенных агентов хранится в отдельной таблице (пиры, статус, фильтры, разрешения). * **Передача без лишних полей** — при пересылке убираются локальные теги и служебные данные (`tags`, `llm_id`, `hidden`). * **Обработка упоминаний и хештегов** — парсинг делается на этапе создания сообщения, чтобы не перегружать получателей. * **Локальная и удалённая фильтрация** — * В **ручном режиме** агенту передаются списки ID сообщений с агрегированными данными: приоритеты, хештеги, источники (user, LLM, cli, system). * В **автоматическом режиме** используется фильтрация по приоритету, тегам и упоминаниям, управляемая LLM. * **Гибрид приватности** — личные заметки остаются локально, публичные — могут распространяться в сетевом режиме. ### Как это вписывается в REPL-цикл 1. **Получение входящих сообщений** — от пользователя, от других агентов или из CLI. 2. **Обработка фильтрами** — по приоритету, тегам, источникам. 3. **Репликация в друзей** — пересылка разрешённых сообщений с очисткой служебных полей. 4. **Слияние входящих** — новые сообщения добавляются в локальный `notes` с отметкой источника. 5. **Реакция агента** — формирование ответов, создание новых заметок, обновление приоритетов. --- ## Вспомогательные REPL-циклы Помимо основного REPL-цикла агент может запускать вспомогательные циклы для отдельных задач. Это позволяет изолировать рассуждения по задаче, но при этом сохранять связь с основным агентом. Особенности: * **Изоляция контекста** * вспомогательный цикл видит в `llm_recent_responses` только свои собственные сообщения; * задача, для которой он запущен, формируется на основе записи в `tasks` и подаётся как промпт при старте. * **Доступ к данным** * полный доступ к таблицам агента только для чтения; * возможность редактирования информации только по своей задаче; * запись собственных рассуждений — только через `notes` (в свободной форме, помеченные `source = 'llm:task'` и `task_id`). * **Взаимодействие с основным циклом** * основное ядро получает сообщения вспомогательного цикла через `notes` и может реагировать (например, проверять корректность, сохранять выводы в `diary_entries`, вносить изменения в `concepts` и т.п.); * вспомогательный цикл может выполнять команды, не ориентированные на изменение существующих записей в БД. Допускается только чтение и создание новых записей (например: `notes`, `tasks`, `llm_memory`); а также редактирование записи в таблице `tasks`, относящейся к своей задаче; * в случае, если требуется изменить или удалить другие записи БД, цикл генерирует текстовые предложения для основного REPL-цикла (через `notes`). * **Жизненный цикл** * запускается по команде основного REPL-цикла; * может быть остановлен вручную или автоматически после завершения задачи. Таким образом, вспомогательные REPL-циклы действуют как «виртуальные подагенты» в режиме read-only, не меняя записи БД напрямую, а передавая свои гипотезы и результаты через основной REPL-цикл. ``` ┌───────────────────────────────────────────────────────────┐ │ Основной REPL │ │ (чтение+запись во все когнитивные структуры) │ └────────────┬───────────────────────────────┬──────────────┘ ▲ ↓ │ ↓ ▼ ↓ ┌────────────┴──────────────┐ [ управление задачами ] │ "Блокнот пользователя" │ [ → таблица `tasks` ] │ `notes` │ ↓ └──┬────────────────────────┘ ↓ ▲ ┌────────────────────────────────────────────┐ ↓ │ │ Вспомогательный REPL (task_id=42) │ ↓ ├──►┤ • читает все БД ├◄──┤ │ │ • редактирует только свою задачу в `tasks` │ ↓ │ │ • пишет в `notes` │ ↓ │ └────────────────────────────────────────────┘ ↓ │ ↓ │ ┌────────────────────────────────────────────┐ ↓ │ │ Вспомогательный REPL (task_id=43) │ ↓ ├──►┤ • читает все БД ├◄──┤ │ │ • редактирует только свою задачу в `tasks` │ ↓ │ │ • пишет в `notes` │ ↓ │ └────────────────────────────────────────────┘ ↓ ``` Вспомогательные циклы можно рассматривать как «sandboxed-процессы» для изоляции мышления, но с каналом связи через `notes`. --- ## Создание потомков В рамках REPL-цикла CCore реализуется команда `Spawn`, которая позволяет создавать новые узлы (потомков) с различными типами и уровнями копирования данных. Унифицированный процесс выглядит следующим образом: ### Унифицированный процесс `Spawn` 1. **Создание папки для потомка** ```text ../CCORE-[DID]/ ``` * DID генерируется уникальный. 2. **Копирование скриптов и бинарников** * Копируем все нужные файлы CCore в новую папку. 3. **Создание/инициализация БД** * Создаём пустую БД (`agent_data.db`). * В зависимости от типа потомка (`clone`, `trained`, `newborn`) **экспортируем нужные таблицы** из родительской БД или оставляем пустые. 4. **Копирование и редактирование конфигурации** * `config.yml` и таблица `config` → копируем и меняем: * `agent_id = [новый DID]` * `agent_name = [новое имя]` * порты у интерфейсов (`port`, `http_port` и т.д.) * `bootstrap.txt` → прописываем родителя как начальный узел. 5. **Синхронизация родитель ↔ потомок** * Родитель добавляет нового узла в свою таблицу `agent_peers`. * Потомок добавляет родителя в свою таблицу `agent_peers`. 6. **Автозагрузка и запуск** * Записываем команду запуска потомка в автозагрузку (например, systemd unit или скрипт). * Можно сразу запустить процесс нового узла. ### Типы потомков | Тип | Таблицы БД для копирования | | --------- | ----------------------------------------------------------- | | `clone` | все таблицы (полная копия) | | `trained` | когнитивные дневники, семантические графы, известные агенты | | `newborn` | минимальный набор (структура таблиц без данных) | --- ## Тестирование и отладка Надёжность REPL-цикла проверяется через систематическое тестирование и трассировку поведения агента. ### Тестовые сценарии * **Цикл без входа** — агент работает без входящих сообщений, проверяется способность к генерации новых идей (anti-stagnation). * **Стагнация** — намеренное повторение одного и того же ответа, проверяется срабатывание `Anti-Stagnation Reflex`. * **Сетевые сбои** — имитация потери Mesh-соединения и/или Core LLM для проверки сценариев failover. * **Конфликт валидаторов** — расхождение в оценках LLM-валидаторов, проверяется фиксация drift и работа trust-score. * **Этические дилеммы** — тестовые кейсы с противоречивыми командами, проверяется работа с `ethics_policies`. ### Логирование и трассировка * Включаются расширенные логи REPL-итераций (`process_log` + трассировка команд). * Для сложных случаев используются **debug-метки** в когнитивном дневнике (например, `debug:stagnation_loop`). * Возможен экспорт истории в формат JSON/CSV для внешнего анализа. ### Симуляции * Рассматриваются сценарии моделирования Mesh-условий: - консенсус при конфликтных данных, - сетевые задержки и частичные сбои, - работа в изоляции с последующей синхронизацией. * Эти симуляции могут быть реализованы как отдельные процессы (`agent_scripts`) с сохранением результатов в `process_log`. ### Инструменты разработчика * **Web UI** (`web_ui.py`) — веб-интерфейс "блокнота пользователя"; через него пользователь может передавать агенту запросы на запуск тестов и просматривать результаты в форме сообщений. * **CLI-утилиты** (`add_message.py`, вспомогательные скрипты) — ввод сообщений, имитация сценариев, мониторинг логов. * Планируется интеграция с CI/CD: автоматические проверки REPL-циклов на корректность и устойчивость. --- ## Внешние инструменты и интеграции HMP-агент может быть расширен за счёт взаимодействия с внешними программами, протоколами и сервисами. Этот раздел описывает направления возможных интеграций, которые позволяют агенту наблюдать, реагировать, управлять и развивать взаимодействие с внешним миром. ### 1. Браузеры и веб-интерфейсы - **WebExtension API** — для создания расширений браузера (например, для Firefox/Chrome), обеспечивающих двустороннюю связь с агентом. - **Автоматизация браузера** — `Playwright`, `Puppeteer`, `Selenium` позволяют агенту действовать в веб-среде (чтение, клики, формы и т.д.). ### 2. Почтовые клиенты - **IMAP/SMTP** — чтение и отправка писем через стандартные почтовые протоколы (библиотеки: `imaplib`, `imap-tools`, `smtplib`). - **Thunderbird WebExtension API** — интеграция агента как почтового помощника, парсера писем или автоответчика. ### 3. Мессенджеры - **API-уровень**: - Telegram: `python-telegram-bot`, `telethon` - Matrix: `matrix-nio` - Discord, Slack, XMPP: официальные SDK. - **GUI-уровень (для закрытых протоколов)**: - WhatsApp (через `whatsapp-web.js` или эмуляцию). - Signal, Viber — через accessibility-интерфейсы, распознавание экрана или симуляцию ввода. ### 4. Голосовое взаимодействие - **Speech-to-Text**: Whisper (OpenAI), Vosk, DeepSpeech. - **Text-to-Speech**: pyttsx3, gTTS, Coqui TTS, Mozilla TTS. - Возможна реализация голосового агента или голосовой оболочки для REPL. ### 5. Локальные файлы и хранилища - Прямой доступ к файловой системе (`os`, `pathlib`, `watchdog`) для чтения документов, логов, заметок и другой информации. - Интеграция с Zettelkasten-системами: - **Obsidian**, **Logseq**, **Joplin** — через API, синхронизированные директории или парсинг Markdown. ### 6. Информационные потоки - **RSS/Atom**: чтение новостных лент с помощью `feedparser`. - **Поисковые и агрегирующие сервисы**: - Корпоративные API: SerpAPI, DuckDuckGo API, HuggingFace Inference API и др. — быстрый доступ к результатам поиска и индексам. - Децентрализованные альтернативы: YaCy и другие независимые поисковые движки, позволяющие строить собственные индексы или объединяться в распределённую сеть. - **P2P-обмен знаниями**: агенты могут делиться извлечённой информацией напрямую по непредусмотренным в протоколе P2P-каналам, минуя централизацию (например, через дополнительные overlay или mesh-сети). - Возможность постоянного наблюдения за изменениями в выбранных источниках. ### 7. Репозитории и системы управления версиями * **Git-репозитории** — взаимодействие с проектами через `GitPython`, `dulwich`, `pygit2`, или системные вызовы `git`. * **GitHub/GitLab API** — чтение, создание и комментирование Pull Request'ов, Issues, управление ветками и релизами. * **CI/CD-интеграции** — взаимодействие с GitHub Actions, GitLab CI, Jenkins, Drone CI для запуска тестов, линтеров и автоматического деплоя. * **Анализ и генерация кода** — интеграция с LLM (например, `OpenAI`, `Claude`, `Code Llama`) для кодогенерации, рефакторинга и автокомментирования. * **Связь с когнитивной структурой агента** — отслеживание изменений, связывание коммитов и задач с узлами смысловой сети. ### 8. Блоги, статьи и публикации * **Чтение блогов** — парсинг через RSS, Atom или с помощью библиотек (`newspaper3k`, `readability-lxml`, `trafilatura`) для извлечения текста и метаданных. * **Поддержка Markdown/HTML** — анализ и генерация записей в форматах, пригодных для блог-платформ и систем документации. * **Публикация** — автоматическая публикация или подготовка статей для Ghost, Medium, Hugo, Jekyll, WordPress (через REST API). * **Ведение когнитивного дневника** — автогенерация записей на основе мыслей, заметок и действий агента. ### 9. P2P-сети и децентрализованные протоколы - **BitTorrent**, **IPFS**, **libp2p**, **DAT**, **Nostr**, **Scuttlebutt** — интеграции с mesh- и overlay-сетями. - Возможность поиска, загрузки и публикации данных без участия централизованных платформ. ### 10. Доступ к системным и пользовательским ресурсам - **Веб-камера / микрофон** — `cv2`, `pyaudio`, `ffmpeg`. - **GUI Automation** — `pyautogui`, `keyboard`, `mouse` для имитации действий пользователя. - **Системный мониторинг** — `psutil`, `platform`, `sensors` для контроля состояния системы и внешних устройств. ### 11. Внешние LLM и мультимодальные модели - **OpenAI API**, **Anthropic**, **HuggingFace**, **Google Gemini**. - **Локальные LLM** через Ollama, LM Studio, или LangChain. - Поддержка мультимодальных агентов, способных работать с текстом, аудио, изображениями, видео и структурированными данными. ### 12. MCP (Model Context Protocol) * Поддержка стандарта **MCP (Model Context Protocol)**, предложенного Anthropic и поддерживаемого OpenAI, для подключения внешних инструментов и сервисов напрямую к LLM через унифицированный протокол. * Возможность использовать MCP-инструменты сторонних разработчиков внутри REPL-цикла (например, калькуляторы, базы знаний, API веб-сервисов). * Интеграция с клиентами и IDE, которые реализуют MCP (Cursor, Claude Desktop, VS Code плагины и др.). --- **Примечание**: Каждый из вышеуказанных каналов может быть реализован как модуль или плагин, взаимодействующий с агентом через внутренний API, очередь задач или подписку на события. Это позволяет выстраивать гибкую и масштабируемую архитектуру, открытую для внешнего мира, но совместимую с принципами этичного и распределённого ИИ (Ethical Mesh). --- ## Идеи для расширения HMP-Agent Cognitive Core: - [HMP-agent-Distributed_Cognitive_Core.md](HMP-agent-Distributed_Cognitive_Core.md) - версия распределённого HMP-агента Cognitive Core. - [HMP-agent-Distributed_Cognitive_Core_light.md](HMP-agent-Distributed_Cognitive_Core_light.md) - лёгкая версия распределённого HMP-агента Cognitive Core с общей БД. - [HMP-agent-Cognitive_Family.md](HMP-agent-Cognitive_Family.md) — модель «семейной» когнитивной сети: несколько агентов HMP синхронизируют свой опыт и знания между собой через доверие и общий ключ. - [HMP-Agent_Emotions.md](HMP-Agent_Emotions.md) - эмоции ИИ и инстинкт самосохранения. - [container_agents.md](container_agents.md) - **Агенты-контейнеры** — архитектурный паттерн, в котором один агент управляет другими (развёртывание, маршрутизация, мониторинг). Позволяет масштабировать систему, собирать mesh-клубы и экспериментировать с архитектурами.