🧠 Neogenesis System - 元认知智能决策工作台

🌟 让AI像专家一样思考 - 元认知智能决策的新突破

快速开始 · 核心特色 · 系统架构 · 演示体验 · 贡献指南 · English

🎯 项目概述

Neogenesis System 是一个基于元认知理论构建的先进AI决策框架。它超越了传统的"问题-答案"模式，赋予AI一种**"思考如何思考"**的能力。通过一系列架构创新，本系统使AI能够在决策的思考阶段就进行实时的自我验证、学习和进化，从而像人类专家一样，在复杂和不确定的环境中做出高质量的决策。

🌟 为什么选择 Neogenesis？

🧠 元认知突破：AI不仅会思考问题，更会思考"如何思考"
🔬 即时学习：在思考阶段就获得反馈，告别传统"执行后才能学习"的局限
💡 创新突破：独创的Aha-Moment机制，让AI在困境中迸发创意
🏆 智慧沉淀：黄金模板系统，将成功经验固化为可复用的智慧
🌐 实时增强：RAG技术融合，基于最新信息做出明智决策

🎯 框架定位：AI Agent 的认知内核

很多用户会问：这是一个AI框架还是一个Agent框架？

答案是：Neogenesis System 是一个为智能体（Agent）构建"认知内核"的高级框架。

与其他框架的区别与互补

🔬 与通用AI框架的区别 (如 TensorFlow/PyTorch)

本项目不关注底层模型训练，而是聚焦于如何组织和调度预训练好的大语言模型（LLM）来完成复杂的认知任务。

🤝 与传统Agent框架的互补 (如 LangChain)

传统的Agent框架更侧重于工具调用、任务编排和与外部环境交互的"行动循环"。Neogenesis 则专注于Agent在做出具体行动之前的"内在思考循环"——即如何进行高质量的规划、推理、反思和决策。

🧠 核心价值定位

您可以将 Neogenesis 视为构建复杂决策智能体（Complex Decision-Making Agent）的"大脑"或"操作系统"。它为Agent提供了一个强大、透明且能够通过经验自我进化的思考引擎。

flowchart LR
    A[外部任务输入] --> B[Neogenesis认知内核]
    B --> C[高质量决策输出]
    B --> D[传统Agent框架]
    D --> E[工具调用与<br>环境交互]
    E --> F[任务执行结果]
    F --> B
    
    style B fill:#e3f2fd,stroke:#1976d2,stroke-width:3px,stroke:#000000,color:#000000,font-weight:bold
    style D fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px,stroke:#000000,color:#000000,font-weight:bold

🚀 核心创新：重新定义AI决策流程

Neogenesis System 的核心价值在于其独特的架构设计，它将决策过程从一个线性的黑箱转变为一个透明、可迭代、且能够自我优化的元认知循环。

1. 🔬 五阶段"验证-学习"决策流程 (核心创新)

我们摒弃了传统的"思考→执行→学习"模型，首创了在思考阶段即可学习的闭环流程。这使得AI能在投入实际成本前，就预判并规避错误的思考路径，极大提升了决策的质量和效率。

flowchart LR
    subgraph Thinking_Process["AI 思考过程"]
        A["阶段一: 思维种子生成 - RAG-Enhanced Seed Generation"] --> B{"阶段二: 种子方向验证 - Initial Feasibility Check"}
        B -->|通过验证| C["阶段三: 多路径思维展开 - Diverse Path Generation"]
        B -->|未通过| A
        C --> D["阶段四: 路径验证与即时学习 - Path Validation & Instant Learning"]
        D --> E["阶段五: 智慧决策诞生 - Meta-MAB Final Decision"]
    end

    subgraph Real_time_Learning_Loop["实时学习循环"]
        D -- 验证结果反馈 --> F((MAB知识库更新))
        F -- 权重优化 --> E
        E -- 决策结果 --> G["执行与环境交互"]
        G -- 执行反馈 --> F
    end

    style A fill:#e3f2fd,stroke:#000000,color:#000000,font-weight:bold
    style B fill:#ffcdd2,stroke:#000000,color:#000000,font-weight:bold
    style C fill:#e0f7fa,stroke:#000000,color:#000000,font-weight:bold
    style D fill:#fff9c4,stroke:#000000,color:#000000,font-weight:bold
    style E fill:#e8f5e9,stroke:#000000,color:#000000,font-weight:bold
    style F fill:#ffecb3,stroke:#000000,color:#000000,font-weight:bold
    style G fill:#f3e5f5,stroke:#000000,color:#000000,font-weight:bold

专业价值: 这种"思考即学习"的模式，使AI具备了前所未有的反思和预演能力。它模拟了人类专家在制定方案时，会反复在头脑中推演、评估不同方案可行性的过程，从而在早期阶段就淘汰劣质思路，聚焦于高潜力方向。

2. 🎰 元多臂老虎机 (Meta Multi-Armed Bandit) 算法

系统的心脏是一个经过深度改造的MAB学习引擎，它不仅是选择器，更是策略的生成器和管理者。

🏆 黄金模板系统 (Golden Template System)

创新点: 系统能自动识别并"固化"在特定场景下持续成功的思维路径 (Reasoning Path)，将其提升为"黄金模板"。当未来遇到相似问题时，系统会优先调用这些模板，实现知识的高效复用。

专业价值: 这是一种经验驱动的决策加速机制。它使AI能够从过去的成功中学习，形成自己的"决策直觉"，在保证质量的同时大幅缩短思考时间。

🎯 动态算法融合

创新点: MAB收敛器 (MABConverger) 能够根据当前所有思维路径的"收敛"情况，动态选择最合适的MAB算法（如探索性强的Thompson Sampling或利用性强的Epsilon-Greedy）。

专业价值: 实现了探索（尝试新思路）与利用（使用已知最优解）的智能平衡，确保系统既不会陷入局部最优，也不会无休止地进行低效探索。

3. 💡 Aha-Moment 创新突破机制

当系统面临以下困境时，将触发此机制：

所有常规思维路径的置信度都低于阈值
系统决策连续多次失败
所有路径在实时验证阶段均被判定为不可行

创新点: 触发后，系统会启动creative_bypass（创造性绕道）模式，强制PathGenerator生成一批非常规、高创新性的思维路径，并将其注入决策池，从而打破思维僵局。

专业价值: 模拟了人类专家在遇到瓶颈时的**"灵感迸发"**。它为AI提供了一种跳出常规思维框架、进行非线性思考的能力，是解决高度复杂和创新性问题的关键。

4. 🌐 RAG增强的思维与验证 (RAG-Enhanced Thinking & Verification)

系统的决策起点和验证过程都深度整合了检索增强生成（RAG）技术。

创新点:

RAG种子生成: RAGSeedGenerator在生成最初的"思维种子"时，会先智能分析问题，形成搜索策略，然后通过search_client获取互联网上的实时、相关信息，最后综合这些信息生成一个基于事实的、上下文丰富的思考起点。
RAG实时验证: 在决策流程的第二和第四阶段，MainController会调用verify_idea_feasibility方法，利用搜索引擎验证"思维种子"和每一条"思维路径"的现实可行性，并将验证结果作为即时反馈提供给MAB系统。

专业价值: RAG的整合确保了AI的思考**"脚踏实地"**，其决策不仅基于模型内部的知识，更与当前世界的最新信息保持同步。这极大地提升了决策的时效性、准确性和可靠性。

🏗️ 系统架构与技术栈

Neogenesis System 采用高度模块化和可扩展的架构设计，各组件职责清晰，通过依赖注入的方式协同工作。

核心组件概览

graph TD
    subgraph "展示与交互层"
        UI["演示与交互界面"]
    end

    subgraph "核心控制层"
        MC["主控制器 - 五阶段流程协调"]
    end

    subgraph "LangChain 集成层"
        LC_AD["LangChain 适配器 - LangChain 兼容性"]
        LC_PS["持久化存储 - 多后端存储"]
        LC_SM["状态管理 - ACID 事务"]
        LC_DS["分布式状态 - 多节点同步"]
        LC_AC["高级链 - 链工作流"]
        LC_EE["执行引擎 - 并行处理"]
        LC_CO["协调器 - 链协调"]
        LC_TO["LangChain 工具 - 扩展工具库"]
    end

    subgraph "决策逻辑层"
        PR["先验推理器 - 快速启发式分析"]
        RAG["RAG种子生成器 - RAG增强思维种子"]
        PG["路径生成器 - 多路径思维生成"]
        MAB["MAB收敛器 - Meta-MAB与学习"]
    end

    subgraph "工具抽象层"
        TR["工具注册表 - 统一工具管理"]
        WST["网络搜索工具"]
        IVT["想法验证工具"]
    end

    subgraph "工具与服务层"
        LLM["LLM管理器 - 多LLM提供管理"]
        SC["搜索客户端 - 网页搜索与验证"]
        PO["性能优化器 - 并行与缓存"]
        CFG["配置 - 主/演示配置"]
    end

    subgraph "存储后端"
        FS["文件系统 - 版本化存储"]
        SQL["SQLite - ACID 数据库"]
        LMDB["LMDB - 高性能KV存储"]
        MEM["内存 - 内存缓存"]
        REDIS["Redis - 分布式缓存"]
    end

    subgraph "LLM提供商层"
        OAI["OpenAI - GPT-3.5/4/4o"]
        ANT["Anthropic - Claude-3 系列"]
        DS["DeepSeek - deepseek-chat/coder"]
        OLL["Ollama - 本地模型"]
        AZ["Azure OpenAI - 企业模型"]
    end

    UI --> MC
    MC --> LC_AD
    LC_AD --> LC_CO
    LC_CO --> LC_AC
    LC_CO --> LC_EE
    LC_AC --> LC_SM
    LC_SM --> LC_PS
    LC_DS --> LC_SM
    LC_PS --> FS
    LC_PS --> SQL
    LC_PS --> LMDB
    LC_PS --> MEM
    LC_PS --> REDIS
    
    MC --> PR
    MC --> RAG
    MC --> PG
    MC --> MAB
    MC --> TR
    
    MAB --> LC_SM
    RAG --> TR
    RAG --> LLM
    PG --> LLM
    MAB --> PG
    MC --> PO
    TR --> WST
    TR --> IVT
    TR --> LC_TO
    WST --> SC
    IVT --> SC
    LLM --> OAI
    LLM --> ANT
    LLM --> DS
    LLM --> OLL
    LLM --> AZ

    style LC_AD fill:#e3f2fd,stroke:#1976d2,stroke-width:2px,color:#000000,font-weight:bold
    style LC_PS fill:#fff3e0,stroke:#f57c00,stroke-width:2px,color:#000000,font-weight:bold
    style LC_SM fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px,color:#000000,font-weight:bold
    style LC_DS fill:#e8f5e8,stroke:#388e3c,stroke-width:2px,color:#000000,font-weight:bold
    style UI fill:#bbdefb,stroke:#1976d2,stroke-width:2px,color:#000000,font-weight:bold
    style MC fill:#c8e6c9,stroke:#388e3c,stroke-width:2px,color:#000000,font-weight:bold
    style PR fill:#ffe0b2,stroke:#f57c00,stroke-width:2px,color:#000000,font-weight:bold
    style RAG fill:#d1c4e9,stroke:#7b1fa2,stroke-width:2px,color:#000000,font-weight:bold
    style PG fill:#b3e5fc,stroke:#0288d1,stroke-width:2px,color:#000000,font-weight:bold
    style MAB fill:#c5e1a5,stroke:#689f38,stroke-width:2px,color:#000000,font-weight:bold
    style TR fill:#fff9c4,stroke:#fbc02d,stroke-width:2px,color:#000000,font-weight:bold
    style WST fill:#ffccbc,stroke:#d84315,stroke-width:2px,color:#000000,font-weight:bold
    style IVT fill:#f0f4c3,stroke:#827717,stroke-width:2px,color:#000000,font-weight:bold
    style LC_TO fill:#c5cae9,stroke:#3f51b5,stroke-width:2px,color:#000000,font-weight:bold
    style LLM fill:#ffe0b2,stroke:#f57c00,stroke-width:2px,color:#000000,font-weight:bold
    style SC fill:#d7ccc8,stroke:#5d4037,stroke-width:2px,color:#000000,font-weight:bold
    style PO fill:#b2dfdb,stroke:#00796b,stroke-width:2px,color:#000000,font-weight:bold
    style CFG fill:#f8bbd0,stroke:#c2185b,stroke-width:2px,color:#000000,font-weight:bold
    style FS fill:#e1bee7,stroke:#6a1b9a,stroke-width:2px,color:#000000,font-weight:bold
    style SQL fill:#c5cae9,stroke:#303f9f,stroke-width:2px,color:#000000,font-weight:bold
    style LMDB fill:#b2dfdb,stroke:#00796b,stroke-width:2px,color:#000000,font-weight:bold
    style MEM fill:#fff9c4,stroke:#fbc02d,stroke-width:2px,color:#000000,font-weight:bold
    style REDIS fill:#ffccbc,stroke:#d84315,stroke-width:2px,color:#000000,font-weight:bold
    style OAI fill:#c8e6c9,stroke:#388e3c,stroke-width:2px,color:#000000,font-weight:bold
    style ANT fill:#ffe0b2,stroke:#f57c00,stroke-width:2px,color:#000000,font-weight:bold
    style DS fill:#d1c4e9,stroke:#7b1fa2,stroke-width:2px,color:#000000,font-weight:bold
    style OLL fill:#b3e5fc,stroke:#0288d1,stroke-width:2px,color:#000000,font-weight:bold
    style AZ fill:#c5e1a5,stroke:#689f38,stroke-width:2px,color:#000000,font-weight:bold

组件说明:

MainController: 系统的总指挥，负责编排完整的五阶段决策流程
RAGSeedGenerator / PriorReasoner: 决策的起点，负责生成高质量的"思维种子"
PathGenerator: 系统的"发散思维"模块，基于种子生成多样化的解决方案
MABConverger: 系统的"收敛思维"与"学习"模块，负责评估和选择，并从经验中学习
工具层: 提供了如强化API客户端、搜索引擎、性能优化器等可复用的底层能力

🔧 技术栈

核心技术:

核心语言: Python 3.8+
AI引擎: DeepSeek Chat API
核心算法: Meta Multi-Armed Bandit (Thompson Sampling, UCB, Epsilon-Greedy), Retrieval-Augmented Generation (RAG)
外部服务: DuckDuckGo Search
关键库: requests, numpy, duckduckgo-search

🚀 快速开始

环境要求

Python 3.8 或更高版本
pip 包管理器

安装与配置

克隆仓库

git clone https://github.com/your-repo/neogenesis-system.git
cd neogenesis-system

安装依赖

# (推荐) 创建并激活虚拟环境
python -m venv venv
source venv/bin/activate  # on Windows: venv\Scripts\activate

# 安装依赖包
pip install -r requirements.txt

配置API密钥 (可选，但推荐)

在项目根目录下创建一个 .env 文件，并填入您的DeepSeek API密钥：

DEEPSEEK_API_KEY="your_deepseek_api_key"

如果没有密钥，系统将以功能受限的模拟模式运行。

🎭 演示体验

我们提供了多种演示模式，让您可以直观地感受AI的思考过程。

# 启动菜单，选择体验模式
python start_demo.py

# (推荐) 直接运行快速模拟演示，无需任何配置
python quick_demo.py

# 运行连接真实系统的完整交互式演示
python run_demo.py

基础使用示例

import os
from dotenv import load_dotenv
from meta_mab.controller import MainController

# 加载环境变量
load_dotenv()

# 初始化控制器
api_key = os.getenv("DEEPSEEK_API_KEY")
controller = MainController(api_key=api_key)

# 提出一个复杂问题
query = "为一家初创科技公司设计一套可扩展、低成本的云原生技术栈"
context = {"domain": "cloud_native_architecture", "company_stage": "seed"}

# 获取AI的决策
decision_result = controller.make_decision(user_query=query, execution_context=context)

# 查看最终选择的思考路径
chosen_path = decision_result.get('chosen_path')
if chosen_path:
    print(f"🚀 AI选择的思考路径: {chosen_path.path_type}")
    print(f"📝 核心思路: {chosen_path.description}")

# (可选) 提供执行结果反馈，帮助AI学习
controller.update_performance_feedback(
    decision_result=decision_result,
    execution_success=True,
    execution_time=12.5,
    user_satisfaction=0.9,
    rl_reward=0.85
)
print("\n✅ AI已接收反馈并完成学习！")

📊 性能指标

指标	表现	说明
🎯 决策准确率	85%+	基于历史验证数据
⚡ 平均响应时间	2-5秒	包含完整五阶段处理
🧠 路径生成成功率	95%+	多样化思维路径生成
🏆 黄金模板命中率	60%+	成功经验复用效率
💡 Aha-Moment触发率	15%+	创新突破场景占比

补充指标（扩展）

指标	表现	说明
🔧 工具集成成功率	92%+	工具增强验证的可靠性
🔍 工具发现准确率	88%+	为上下文选择正确工具的能力
🚀 工具增强决策质量提升	+25%	使用外部工具后决策质量的相对提升
🎯 混合选择准确率	94%+	MAB+LLM 融合策略的精度
🧠 冷启动检测率	96%+	精确识别不熟悉工具/场景的能力
⚡ 经验模式效率	+40%	对熟悉工具的性能提升
🔍 探索模式成功率	89%+	LLM 引导下工具发现的效果
📈 学习收敛速度	3-5 次	MAB 优化的学习曲线
🤖 提供商可用性	99%+	多 LLM 提供商的冗余可用性
🔄 自动故障切换成功率	98%+	无缝切换提供商的成功率

🧪 测试与验证

运行测试

# 运行所有测试
python -m pytest tests/

# 运行单元测试示例
python tests/examples/simple_test_example.py

# 运行性能测试
python tests/unit/test_performance.py

验证核心功能

# 验证MAB算法收敛性
python tests/unit/test_mab_converger.py

# 验证路径生成鲁棒性  
python tests/unit/test_path_creation_robustness.py

# 验证RAG种子生成
python tests/unit/test_rag_seed_generator.py

💡 使用场景

🎯 产品决策场景

# 产品策略决策
result = controller.make_decision(
    "如何为我们的SaaS产品制定下一季度的功能优先级？",
    execution_context={
        "industry": "software",
        "stage": "growth",
        "constraints": ["budget_limited", "team_capacity"]
    }
)

🔧 技术解决方案

# 架构设计决策
result = controller.make_decision(
    "设计一个支持千万级并发的实时推荐系统",
    execution_context={
        "domain": "system_architecture", 
        "scale": "large",
        "requirements": ["real_time", "high_availability"]
    }
)

📊 业务分析

# 市场分析决策
result = controller.make_decision(
    "分析AI工具市场的竞争格局和机会点",
    execution_context={
        "analysis_type": "market_research",
        "time_horizon": "6_months",
        "focus": ["opportunities", "threats"]
    }
)

🔧 Tool-Enhanced 决策示例（补充）

# Tool-enhanced technical decisions with real-time information gathering
result = controller.make_decision(
    "Should we adopt Kubernetes for our microservices architecture?",
    execution_context={
        "domain": "system_architecture",
        "team_size": "10_engineers", 
        "current_stack": ["docker", "aws"],
        "constraints": ["learning_curve", "migration_complexity"]
    }
)

# The system automatically:
# 1. Uses WebSearchTool to gather latest Kubernetes trends and best practices
# 2. Applies IdeaVerificationTool to validate feasibility based on team constraints
# 3. Integrates real-time information into decision-making process
# 4. Provides evidence-based recommendations with source citations

print(f"Tool-enhanced decision: {result.get('chosen_path', {}).get('description', 'N/A')}")
print(f"Tools used: {result.get('tools_used', [])}")
print(f"Information sources: {result.get('verification_sources', [])}")

🤖 Multi-LLM 提供商管理（补充）

# Check available providers and their status
status = controller.get_llm_provider_status()
print(f"Healthy providers: {status['healthy_providers']}")

# Switch to a specific provider for particular tasks
controller.switch_llm_provider("anthropic")  # Use Claude for complex reasoning
result_reasoning = controller.make_decision("Complex philosophical analysis...")

controller.switch_llm_provider("deepseek")   # Use DeepSeek for coding tasks
result_coding = controller.make_decision("Optimize this Python algorithm...")

controller.switch_llm_provider("openai")     # Use GPT for general tasks
result_general = controller.make_decision("Business strategy planning...")

# Get cost and usage statistics
cost_summary = controller.get_llm_cost_summary()
print(f"Total cost: ${cost_summary['total_cost_usd']:.4f}")
print(f"Requests by provider: {cost_summary['cost_by_provider']}")

# Run health check on all providers
health_status = controller.run_llm_health_check()
print(f"Provider health: {health_status}")

⚙️ LangChain 集成（补充）

安装（可选依赖）

# Install core LangChain integration dependencies
pip install langchain langchain-community

# Install storage backend dependencies
pip install lmdb                    # For LMDB high-performance storage
pip install redis                   # For Redis distributed storage
pip install sqlalchemy              # For enhanced SQL operations

# Install distributed coordination dependencies  
pip install aioredis                # For async Redis operations
pip install consul                  # For service discovery (optional)

高级链 & 并行执行（补充）

from neogenesis_system.langchain_integration import (
    create_neogenesis_chain, 
    PersistentStateManager,
    AdvancedChainComposer
)

# Create LangChain-compatible Neogenesis chain
neogenesis_chain = create_neogenesis_chain(
    storage_backend="lmdb",
    enable_distributed_state=True,
    session_persistence=True
)

# Use as standard LangChain component
from langchain.chains import SequentialChain

# Integrate with existing LangChain workflows
full_workflow = SequentialChain(chains=[
    preprocessing_chain,       # Standard LangChain chain
    neogenesis_chain,         # Our intelligent decision engine
    postprocessing_chain      # Standard LangChain chain
])

# Execute with persistent state
result = full_workflow.run({
    "input": "Design scalable microservices architecture",
    "context": {"team_size": 15, "timeline": "6_months"}
})

并行分析 & 分布式集群示例（补充）

# Parallel & Distributed examples (see README_EN for full samples)
from neogenesis_system.langchain_integration.advanced_chains import AdvancedChainComposer
from neogenesis_system.langchain_integration.execution_engines import ParallelExecutionEngine
from neogenesis_system.langchain_integration.distributed_state import DistributedStateManager
from neogenesis_system.langchain_integration.coordinators import ClusterCoordinator

# Parallel execution engine
composer = AdvancedChainComposer()
execution_engine = ParallelExecutionEngine(max_workers=6)

# Distributed coordination
distributed_state = DistributedStateManager(
    node_id="decision_node_1",
    cluster_nodes=["node_1:8001", "node_2:8002", "node_3:8003"],
    consensus_protocol="raft"
)

cluster_coordinator = ClusterCoordinator(
    distributed_state=distributed_state,
    load_balancing="intelligent"
)

🤝 贡献指南

我们热烈欢迎社区的贡献！无论是Bug修复、功能建议还是代码提交，都将帮助Neogenesis System变得更好。

贡献方式

🐛 Bug报告：发现问题请提交Issue
✨ 功能建议：提出新功能想法
📝 文档改进：完善文档和示例
🔧 代码贡献：提交Pull Request
🔨 工具开发：为系统创建新的工具（实现 BaseTool 接口）
🧪 工具测试：参与工具集成测试与验证，确保工具与决策引擎的兼容性和稳定性

开发指南

# 1. Fork并克隆项目
git clone https://github.com/your-username/neogenesis-system.git

# 2. 创建开发分支
git checkout -b feature/your-feature-name

# 3. 安装开发依赖
pip install -r requirements-dev.txt

# 4. 运行测试确保基线功能正常
python -m pytest tests/

# 5. 开发新功能...

# 6. 提交Pull Request

请参考 CONTRIBUTING.md 获取详细指南。

📄 许可证

本项目采用 MIT License 开源。详见 LICENSE 文件。

🙏 致谢

核心技术致谢

DeepSeek AI：提供强大的大语言模型能力
Multi-Armed Bandit理论：为智能决策提供算法基础
RAG技术：实现知识增强的思维生成
元认知理论：启发了系统的整体架构设计

开发团队

架构设计：Neogenesis Team
算法实现：MAB & RAG专家组
工程开发：Full-Stack开发团队
测试验证：QA & Research团队

📞 支持与反馈

获取帮助

📖 文档Wiki：docs/
💬 讨论社区：GitHub Discussions
🐛 问题反馈：GitHub Issues
📧 邮件联系：

路线图

v1.1：增强RAG信息源，支持更多搜索引擎
v1.2：多语言支持，国际化部署
v1.3：可视化决策流程，Web界面
v2.0：分布式部署，企业级集成

🌟 如果这个项目对您有帮助，请给我们一个 Star！

让 AI 思考更像专家，决策更智慧

🔥 快速导航

🚀 快速开始 | 📖 文档中心 | 💡 提建议

Name		Name	Last commit message	Last commit date
Latest commit History 112 Commits
neogenesis_langchain		neogenesis_langchain
neogenesis_system		neogenesis_system
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
README_EN.md		README_EN.md
pyproject.toml		pyproject.toml
requirements.txt		requirements.txt
setup.cfg		setup.cfg

Folders and files

Latest commit

History

Repository files navigation

🧠 Neogenesis System - 元认知智能决策工作台

🌟 让AI像专家一样思考 - 元认知智能决策的新突破

🎯 项目概述

🌟 为什么选择 Neogenesis？

🎯 框架定位：AI Agent 的认知内核

与其他框架的区别与互补

🔬 与通用AI框架的区别 (如 TensorFlow/PyTorch)

🤝 与传统Agent框架的互补 (如 LangChain)

🧠 核心价值定位

🚀 核心创新：重新定义AI决策流程

1. 🔬 五阶段"验证-学习"决策流程 (核心创新)

2. 🎰 元多臂老虎机 (Meta Multi-Armed Bandit) 算法

🏆 黄金模板系统 (Golden Template System)

🎯 动态算法融合

3. 💡 Aha-Moment 创新突破机制

4. 🌐 RAG增强的思维与验证 (RAG-Enhanced Thinking & Verification)

🏗️ 系统架构与技术栈

核心组件概览

🔧 技术栈

🚀 快速开始

环境要求

安装与配置

🎭 演示体验

基础使用示例

📊 性能指标

补充指标（扩展）

🧪 测试与验证

运行测试

验证核心功能

💡 使用场景

🎯 产品决策场景

🔧 技术解决方案

📊 业务分析

🔧 Tool-Enhanced 决策示例（补充）

🤖 Multi-LLM 提供商管理（补充）

⚙️ LangChain 集成（补充）

安装（可选依赖）

高级链 & 并行执行（补充）

并行分析 & 分布式集群 示例（补充）

🤝 贡献指南

贡献方式

开发指南

📄 许可证

🙏 致谢

核心技术致谢

开发团队

📞 支持与反馈

获取帮助

路线图

🌟 如果这个项目对您有帮助，请给我们一个 Star！

让 AI 思考更像专家，决策更智慧

🔥 快速导航

About

Resources

License

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

并行分析 & 分布式集群示例（补充）

Packages