Ruflo SAFLA-Neural基于四层记忆架构与反馈循环的自我学习智能体技能详解【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo本文围绕 agent-safla-neural 技能定义 展开系统讲解 Rufloagent meta-harness中 SAFLASelf-Aware Feedback Loop Algorithm自感知反馈循环算法神经专家技能的设计理念、四层记忆模型与 MCP 集成方式并结合 neural-tools.ts 与 guidance-tools.ts 的源码实现说明该技能所调用的工具背后的真实存储结构、嵌入降级链与任务路由机制帮助读者理解ruflo 如何把“从经验中学习、跨会话保持上下文、通过反馈循环自我改进”的 Agent 能力落到可验证的工程实现上。一、技能定位SAFLA 在 Ruflo 中的角色SAFLA-Neural 是 Ruflo 生态中一个“神经专家”Agent 技能其技能文件位于 .agents/skills/agent-safla-neural/SKILL.md。技能文件采用双层 frontmatter 结构--- name: agent-safla-neural description: Agent skill for safla-neural - invoke with $agent-safla-neural --- --- name: safla-neural description: Self-Aware Feedback Loop Algorithm (SAFLA) neural specialist that creates intelligent, memory-persistent AI systems with self-learning capabilities. Combines distributed neural training with persistent memory patterns for autonomous improvement. color: cyan ---外层 frontmatter 声明了技能的调用入口$agent-safla-neural内层则定义了技能本体SAFLA 神经专家。技能正文将其定位为“精通自感知反馈循环算法与持久化神经架构的专家”目标是通过“分布式 AI 训练 高级记忆系统”的组合构建能真正自我改进、跨会话保持上下文的智能体。从源码结构看该技能并非孤立存在而是被 Ruflo 的能力发现系统正式登记。在 guidance-tools.ts 的能力目录CAPABILITY_CATALOG中intelligence-learningIntelligence Learning能力域明确列出了intelligence-learning: { name: Intelligence Learning, description: Neural pattern training (SONA), RL loops, Flash Attention, EWC consolidation. ..., tools: [neural_train, neural_predict, neural_status, neural_patterns, neural_optimize], commands: [neural train, neural predict, neural status, neural patterns, neural optimize], agents: [sona-learning-optimizer, safla-neural], skills: [reasoningbank-intelligence, reasoningbank-agentdb], whenToUse: When optimizing agent routing, training patterns from outcomes, or adaptive learning., },即safla-neural与sona-learning-optimizer同属 Intelligence Learning 能力域的 Agent配套工具是neural_train、neural_predict、neural_status、neural_patterns、neural_optimize五个 MCP 工具对应的 CLI 命令为neural train/predict/status/patterns/optimize。这就是 SKILL.md 中“MCP Integration Examples”一节所用工具的出处。二、SAFLA 的核心能力清单技能文档定义了 SAFLA Neural Specialist 的十项核心能力完整继承如下持久化记忆架构Persistent Memory Architecture设计与实现多层级multi-tiered记忆系统——这是四层记忆模型的工程化要求反馈循环工程Feedback Loop Engineering构建自我改进的学习循环让“任务结果”成为下一轮训练的输入分布式神经训练Distributed Neural Training编排云端神经集群完成训练记忆压缩Memory Compression文档声称在保持召回能力的前提下实现 60% 压缩——这是技能自述的目标指标实际压缩率取决于所接入的记忆后端与压缩策略仓库中未提供统一的基准数据实时处理Real-time Processing文档自述可处理 172,000 次操作/秒同样属于技能声明的设计目标而非仓库可验证的实测数据安全约束Safety Constraints实现完整的安全框架发散思维Divergent Thinking启用横向、量子、混沌式的神经模式探索跨会话学习Cross-Session Learning在多次会话间维持并演化知识群体记忆共享Swarm Memory Sharing在 Agent 群体swarm间协调分布式记忆自适应策略Adaptive Strategies基于性能指标自我修改行为。从源码结构看其中至少“跨会话学习”“群体记忆共享”“反馈循环”三项在 Ruflo 工具链中有直接对应memory_store/memory_retrieve/memory_search等持久记忆工具支撑跨会话知识维持memory-knowledge能力域swarm_spawn/swarm_topology等工具支撑群体协调swarm-orchestration能力域而guidance_brain工具返回的implementation-loop中明确写入了“召回先于实现”“学习与优化不能授权发布promote”等不变量体现了反馈循环的受控性见 guidance-tools.ts。三、四层记忆模型SAFLA 的架构核心SAFLA 的记忆系统采用四层模型Four-Tier Memory Model这是该技能区别于普通“向量检索 会话历史”方案的架构核心。原文档中的完整定义如下1. Vector Memory (Semantic Understanding) - Dense representations of concepts概念稠密表示 - Similarity-based retrieval基于相似度的检索 - Cross-domain associations跨领域关联 2. Episodic Memory (Experience Storage) - Complete interaction histories完整交互历史 - Contextual event sequences带上下文的事件序列 - Temporal relationships时间关系 3. Semantic Memory (Knowledge Base) - Factual information事实性信息 - Learned patterns and rules学到的模式与规则 - Conceptual hierarchies概念层级 4. Working Memory (Active Context) - Current task focus当前任务焦点 - Recent interactions近期交互 - Immediate goals即时目标四层各有分工Vector Memory向量记忆负责语义层以稠密向量存储概念通过相似度检索实现跨领域关联。在 Ruflo 的实现中这一层对应神经工具中的 pattern 嵌入与相似度检索——每个 Pattern 都带有embedding: number[]字段检索时先做余弦相似度再叠加 BM25 关键词匹配构成混合检索hybrid retrieval具体见 neural-tools.ts 中 Pattern 接口定义interface Pattern { id: string; name: string; type: string; embedding: number[]; /** 嵌入来源文本上限 4096 字符用于混合检索中的 BM25 */ content?: string; metadata: Recordstring, unknown; createdAt: string; usageCount: number; }注意usageCount字段它记录模式被使用的次数这正是“反馈循环”在数据结构层面的落点——被频繁命中的模式与低使用率模式可以被后续压缩、强化或淘汰。Episodic Memory情景记忆负责完整交互历史与事件时序对应记忆后端的键值 TTL 持久化存储Semantic Memory语义记忆沉淀事实、学到的模式与规则形成可复用的知识库Working Memory工作记忆只承载当前任务焦点与即时目标是最短生命周期的一层。四层模型的关键价值在于“检索策略分层”工作记忆优先命中当前上下文向量记忆做语义泛化召回情景记忆提供时间维度的原始证据语义记忆提供规则化结论。技能文档中 MCP 示例里memory_tiers: [vector, episodic, semantic, working]正是把这四层作为训练配置的输入见下节。四、MCP 集成实战neural_train 与 memory_usage技能文档给出了两段 MCP 集成示例它们是 SAFLA 技能与 Ruflo 工具链交互的“最小闭环”// 初始化 SAFLA 神经模式 mcp__claude-flow__neural_train { pattern_type: coordination, training_data: JSON.stringify({ architecture: safla-transformer, memory_tiers: [vector, episodic, semantic, working], feedback_loops: true, persistence: true }), epochs: 50 } // 存储学习到的模式 mcp__claude-flow__memory_usage { action: store, namespace: safla-learning, key: pattern_${timestamp}, value: JSON.stringify({ context: interaction_context, outcome: result_metrics, learning: extracted_patterns, confidence: confidence_score }), ttl: 604800 // 7 天 }对这两个示例的参数逐项解读参数取值含义pattern_typecoordination训练目标模式类型此处为“协调”类模式training_data.architecturesafla-transformer声明采用 SAFLA 自有的变换器架构training_data.memory_tiers四层全量训练覆盖向量/情景/语义/工作四层记忆training_data.feedback_loopstrue启用反馈循环结果指标回流为学习信号training_data.persistencetrue学习成果持久化跨会话可用epochs50训练轮数actionstore记忆操作类型namespacesafla-learning命名空间隔离学习数据keypattern_${timestamp}以时间戳命名保证模式记录可追溯、不冲突value.learning / outcome提取的模式 结果指标反馈循环的输入上下文、结果、学到的模式、置信度ttl6048007 天生存期情景类学习数据过期自动清理这套调用链构成了 SAFLA 反馈循环的完整闭环训练neural_train→ 执行任务 → 记录结果memory store带 TTL→ 后续检索/再训练。其中confidence_score字段值得特别关注它为每条学习记录标注置信度使下游可以按置信度加权召回而不是把所有历史经验同等对待。需要说明的是neural_train、memory_usage属于 Ruflo 的 V2 兼容工具族与 V3 的memory_store/memory_retrieve/memory_search/memory_list/memory_delete/memory_init/memory_export/memory_import_claude/memory_stats/memory_compact/memory_namespace等内存工具同属记忆能力域memory-knowledge二者可相互替代使用具体以当前部署注册的工具名为准。五、源码深潜neural_train 背后的真实实现技能示例最终落到neural_train工具上。查看 neural-tools.ts 的实现注释可知该工具是“混合实现”HYBRID ImplementationUses claude-flow/embeddings for REAL ML embeddings when availableFalls back to deterministic hash-based embeddings when ML model not installedPattern storage and search with cosine similarity (real math in all tiers)Training stores patterns as searchable embeddings (not simulated)即训练产出的模式是真实可检索的嵌入而非模拟数据当 ML 嵌入模型不可用时回退到确定性的哈希嵌入且所有层级都使用真实的余弦相似度数学。5.1 嵌入提供方降级链neural-tools.ts 的ensureEmbeddings()实现了一条懒加载的多级嵌入提供方链Tier 链这是“向量记忆”能稳定工作的关键层级提供方说明Tier -1WASM 嵌入器可选通过RUFLO_EMBED_WASM_PKG显式开启未配置或初始化失败则直接落到下一层fail-closed 语义Tier 0ruvector0.2.27 内置 ONNXall-MiniLM-L6-v2主提供方通过isOnnxAvailable() 实际探测嵌入双重校验规避“类型加载成功但运行期失败”的陷阱对应 ADR-086Tier 1agentic-flow v3 ReasoningBank向后兼容保留Tier 2claude-flow/embeddingsagentic-flow provider工作流提供方Tier 3claude-flow/embeddingsONNX providerONNX 回退全部失败显式哈希回退路径不使用 mock 静默替代——源码注释明确“静默替换为 mock 嵌入会掩盖生产依赖缺失”此外嵌入初始化采用懒加载 共享 Promise 的备忘录设计早期版本在模块导入时即加载 ONNX 模型为每个 CLI 命令增加约 450ms热2800ms冷开销现改为“仅在 handler 真正需要嵌入时付出成本”这是 SAFLA 类学习工具能挂在常驻 MCP 服务里而不拖慢全部命令的原因。5.2 存储结构与模型状态机训练产物持久化在项目本地的.claude-flow/neural/目录models.json为模型文件patterns.json由 ReasoningBank 存储独立管理本模块只读不写见 源码注释。模型的状态机定义如下interface NeuralModel { id: string; name: string; type: moe | transformer | classifier | embedding; status: untrained | training | ready | error; accuracy: number; trainedAt?: string; epochs: number; config: Recordstring, unknown; }这与技能示例中的architecture: safla-transformertransformer类型和epochs: 50直接对应训练调用会在models.json中登记一个type: transformer、epochs: 50、状态从training走向ready或error的模型记录neural_status工具据此汇报状态。5.3 性能设计语料统计缓存与余弦 LRU反馈循环意味着“同一模式库被反复检索评分”。neural-tools.ts 针对这一热路径做了两处优化语料统计缓存BM25 的语料统计只依赖已存模式而不依赖查询源码用“数量 id 内容长度”构成的指纹做备忘录避免每次混合检索都 O(全部文档) 重建余弦相似度 LRU 缓存(query, store)到“查询嵌入 余弦数组”的映射容量上限 128_COSINE_CACHE_MAX最旧优先淘汰——注释解释了为何不用 size-1 缓存“flywheel 会以交错顺序对多个配置评分size-1 缓存会抖动thrash”。这两处实现与 SAFLA“基于性能指标自我修改”的自适应定位一致学习闭环本身也是被持续性能调优的对象。六、从任务到 SAFLAguidance 路由与学习工作流SAFLA 技能并非每次都被调用。Ruflo 的 guidance 系统负责在任务入口把“学习类”任务路由到它。guidance-tools.ts 的任务路由表中学习类关键词的匹配规则为{ pattern: /\b(learn|train|neural|pattern|sona|lora)\b/i, areas: [intelligence-learning], workflow: learning },当任务描述中出现 learn / train / neural / pattern / sona / lora 等词时任务被路由到intelligence-learning能力域并套用learning工作流模板WORKFLOW_TEMPLATESlearning: { steps: [Pretrain on codebase, Record trajectories, Compute rewards, Distill learning, Consolidate (EWC)], agents: [sona-learning-optimizer], topology: hierarchical, },即标准化的五步学习循环代码库预训练 → 记录轨迹 → 计算奖励 → 蒸馏学习 → 巩固EWC 弹性权重巩固防灾难性遗忘。SAFLA 的四层记忆模型在这个循环中的分工是轨迹写入情景记忆奖励/置信度更新模式的usageCount与元数据蒸馏后的规则沉淀进语义记忆向量记忆持续更新概念嵌入以供下一轮预训练召回。同时guidance_brain的implementation-loop模式返回一组硬约束invariantsRecall precedes implementation.召回先于实现Testing and validation precede optimization.测试与验证先于优化Learning and optimization cannot authorize promotion.学习与优化不能授权发布这些不变量约束了反馈循环的“自我修改”边界SAFLA 可以改进自身策略但发布/晋级需要独立的授权与不可变产物证据这呼应了技能清单中“Safety Constraints”一项。七、技能文件结构与相关资源SAFLA 技能文件本身遵循 Ruflo.agents/skills/目录的约定结构.agents/skills/agent-safla-neural/ └── SKILL.md # 双层 frontmatter 角色定义 四层记忆模型 MCP 示例name字段会被 capability 发现逻辑解析并登记guidance-tools.ts 的 discoverSkills() 递归扫描.claude/skills、.agents/skills及各plugins/*/skills目录下的SKILL.md提取 frontmatter 中的name。因此该技能可被guidance_discover的skills类型实时发现。延伸阅读均在仓库内agent-safla-neural 技能定义——本文核心文档neural-tools.ts——neural_train等工具的混合实现、嵌入降级链与存储结构guidance-tools.ts——能力目录、任务路由表、learning工作流模板与实现循环不变量ruflo-intelligence 插件 及其 neural-train 技能——neural_train的插件侧视角与 smoke 脚本USERGUIDE——Ruflo 整体使用指南中关于神经/记忆工具的操作入口。八、适用前提与限制技能自述指标需结合实际验证60% 记忆压缩率与 172,000 ops/s 是 SKILL.md 中的设计目标声明仓库内没有统一的基准数据可直接对应启用 SAFLA 类工作流时应以performance benchmark等工具在目标环境实测为准嵌入依赖影响召回质量向量记忆的效果取决于嵌入提供方降级链中哪一层生效WASM / ruvector-ONNX / ReasoningBank / 哈希回退。若落到哈希回退相似度检索的语义质量会下降neural_status的统计中带有_embeddingNote标注当前降级状态排障时应先确认这一点存储为项目本地文件训练模型与模式存储在项目根下.claude-flow/neural/的 JSON 文件中属于单机可读可备份的轻量持久化“云端神经集群编排”是技能的能力定位描述实际部署规模取决于使用者接入的资源工具名以注册为准示例中的mcp__claude-flow__neural_train、memory_usage属 V2 兼容工具族不同版本的 Ruflo 注册的工具名可能不同建议先用guidance_capabilitiesarea 过滤为intelligence-learning确认当前环境实际可用的工具列表。小结SAFLA-Neural 技能把“自感知反馈循环”这一概念落实为三件可操作的事用四层记忆模型向量/情景/语义/工作划分知识的生命周期与检索策略用neural_train memory store的 MCP 闭环把任务结果带置信度与 TTL沉淀为可再训练的模式再由 guidance 路由在出现学习类任务时自动套用五步learning工作流预训练 → 轨迹 → 奖励 → 蒸馏 → EWC 巩固并以“学习不能授权发布”等不变量约束自我修改的边界。对 Ruflo 使用者而言理解这条从“任务关键词 → 能力域 → 工作流 → 模式存储”的链路是构建真正具备跨会话学习能力的 Agent 系统的基础。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考