# 🧠 HMP-Agent: REPL-цикл взаимодействия Структура БД, используемая в документе: [db_structure.sql](https://github.com/kagvi13/HMP/blob/main/agents/tools/db_structure.sql) ## 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:** ``` 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. ``` А также инструкции по работы с встроенными командами и функциями, список дополнительных (создаваемых самим HMP-агентом) утилит и баз данных. * **контекст_1:** последние *K* реплик самого LLM (`llm_recent_responses` - история его собственных рассуждений). * **контекст_2:** 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_3:** *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_4:** *входящие сообщения*, например, от пользователя 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_5:** системные настройки, параметры конфигурации, текущее время, идентификатор текущей итерации, роли и т.д. * **контекст_6 (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`. * **контекст_7:** результат работы `anti-Stagnation Reflex` из предыдущей итерации ## 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* и *семантическими графами* (прочитать, изменить, удалить и другие) * 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` * для управления дополнительными утилитами и базами данных `agent_scripts` и `agent_tables`, управлением дополнительных способов выхода из стогнаций `stagnation_strategies`, а также списком внешних сервисов `external_services` и `external_accounts` * для постановки задачи (выполняется асинхронно) другой LLM * 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`, режим обработки сообщений пользователя (`manual` или `auto`) и фильтр для режима `auto`, пауза в секундах между итерациями цикла или включение режима idle-режима (разбудить при завершение таких-то процессов из `process_log`, получение новых сообщений с такими-то пораметрами в `notes` или через такое-то время; для отключения idle-режима достаточно выполнения одного из условий) * и другие команды ## 5. Проверка на идентичность вывода (Anti-Stagnation Reflex) * Если вывод LLM идентичен предыдущему: * Включается **Anti-Stagnation Reflex** * Повторяющиеся реплики не отправляются в `llm_recent_responses` повторно но туда добавляется краткая запись, фиксирующая, запуск **Anti-Stagnation Reflex**. * Идентичность может проверяться: * По хешу или текстовому совпадению * Через мини-запрос к LLM (без полного контекста) по шаблону: `Сравни два ответа и оцени, содержатся ли в новом новые мысли или команды` * Второй вариант сравнения является более предпочтительным, так как сравнивается смысл ## 6. 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 2-5 пунктов). --- ## 🧍‍♂️🌀 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, художественных или научных, чтобы добавить свежие ассоциации * 🗣️ **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, рабочую область или симулированный контекст (например, тестовый проект вместо основной задачи) * 🧪 **Креативные вмешательства** — случайные сдвиги фокуса, реконфигурация контекста, фрейм-смена * 🧭 **Переключение** на другую задачу — текущая задача «замораживается» на время. Агент может создать процесс-будильник для возвращения к задаче через N часов. * 🔀 **Случайная итерация** — выбор случайного действия из допустимого набора, чтобы разорвать повторяющийся паттерн 3. **Внутренняя перестройка мышления**: * 🎞️ **Flashback** — выбор далёкой по смыслу записи из дневника для смены ассоциативного контекста * 🧭 **Interest Memory** — система тематической усталости/забвения: забытые темы возвращаются * 🧠 **Мета-анализ** — когнитивная переформулировка: _"Если я зациклился, в чём метапроблема? Какую стратегию смены можно применить?"_ * 🎯 **Переформулировка цели** — временное упрощение или уточнение задачи, чтобы снизить когнитивное давление * 🤖 **Смена LLM** — переключение на другую модель или mesh-доступ к альтернативным LLM 4. **Радикальная пауза**: * 💤 **Временной сон/заморозка** — полное приостановление работы над задачей на длительный период, с возвращением позже с «свежей» памятью Дополнительно: * 🗂️ Сохранение эффективных стратегий в таблице антистагнационных паттернов * 📚 Вывод статистики успешных выходов из стагнации для обучения --- ### 🔍 Алгоритм выбора механизма разрыва цикла 1. **Диагностика источника стагнации**: * Нет новых данных извне → приоритет «Внешней стимуляции» * Среда/контекст слишком однообразны → приоритет «Смены контекста» * Паттерн мышления повторяется при богатых данных → приоритет «Внутренней перестройки мышления» * Высокая усталость или перегрев когнитивных модулей → приоритет «Радикальной паузы» 2. **Оценка ресурсоёмкости**: * Быстрые, дешёвые методы — первыми (например, запрос к mesh или Flashback) * Более затратные (смена среды, сон) — только при низкой эффективности предыдущих 3. **Комбинация подходов**: * Разрешено активировать несколько механизмов из разных классов * Сохранять последовательность с пометкой для последующего анализа эффективности 4. **Возврат в основное русло**: * Автоматическое напоминание или триггер для возвращения к исходной задаче * Сравнение результатов «до» и «после» для обучения 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"_ --- ### 🧭 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 --- ## 🌐 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. --- ## 🌐 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**: - SerpAPI, DuckDuckGo API, HuggingFace Inference API и др. - 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. --- **💡 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 - [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.