Neuroverse

🧠 NeuroVerse

📦 npm からインストール | 🐙 GitHub リポジトリ

お使いの AI エージェントは英語しか話せません。NeuroVerse がそれを解決します。
お使いの AI エージェントはすべてを忘れてしまいます。NeuroVerse が記憶します。
お使いの AI エージェントは危険なことをする可能性があります。NeuroVerse がそれを防ぎます。
お使いの AI エージェントは1つのモデルに固定されています。NeuroVerse が最適なモデルに振り分けます。

自律型 AI エージェントのための、多言語インテリジェンス＋メモリ＋安全性＋音声レイヤー。

---

🚀 v4.1 の新機能

• OpenRouter の推論：高性能な分析タスク向けに、stepfun/step-3.5-flash:free モデルを統合しました。新しい neuroverse_reason ツールで深く考察できます。
• 推論トークン：すべてのリクエストで、推論トークンをリアルタイムに追跡します。
• 音声レイヤー（v2.0）：Whisper STT と Coqui TTS を標準でサポートします。

---

🚀 NeuroVerse とは？

Cursor、VS Code Copilot、または MCP 対応の AI エージェントで新しいチャットを始めるたびに、毎回ゼロから始まります。記憶も、安全性も、ユーザーの言語への理解もありません。NeuroVerse は、エージェントに次の機能を提供する MCP サーバーです。

	機能	説明
🌐	多言語インテリジェンス	タミル語、ヒンディー語、テルグ語、カンナダ語、マラヤーラム語、ベンガル語と英語が混在した表現を理解します。言語を切り替えながら話しても問題ありません。
🎙️	音声レイヤー	Whisper による STT と Coqui による TTS に対応します。ユーザーの音声を文字起こしし、エージェントの応答を音声合成します。
🧠	インテント抽出	LLM を優先した構造化インテント抽出と、決定論的なルールベースのフォールバックを備えています。コマンドを見逃しません。
💾	階層型メモリ	短期（セッション）、エピソード（最近の情報）、意味（長期的な事実）の各メモリを、重要度スコアリングとともに提供します。
🛡️	3層の安全機能（Kavach）	キーワードのブロックリスト → インテントのリスク分類器 → LLM 判定。手遅れになる前に DROP DATABASE をブロックします。
🤖	マルチモデルルーター（Marga）	OpenAI · Anthropic · Sarvam AI · Ollama · OpenRouter — 各タスクを最適なモデルへ自動的に振り分けます。
🔗	エージェント間連携（Setu）	自動フォールバックを備えた REST+JSON エージェントレジストリです。エージェントがエージェントを呼び、そのエージェントがさらに別のエージェントを呼び出します。
⚡	すべてが非同期	FastAPI + asyncpg + httpx。サブミリ秒の安全性チェック。ブロッキングはゼロです。

⚡ NeuroVerse はモノリシックな製品ではなく、モジュール型のインテリジェンスレイヤーです。必要な機能を組み込み、不要な機能は使わずに済みます。

---

目次

• クイックスタート
• NeuroVerse を選ぶ理由
• 仕組み
• 多言語インテリジェンス（Vani）
• インテント抽出（Bodhi）
• 階層型メモリ（Smriti）
• 安全レイヤー（Kavach）
• マルチモデルルーター（Marga）
• エージェント間連携（Setu）
• MCP ツール
• REST API
• 設定
• テスト
• アーキテクチャ
• ロードマップ
• コントリビューション

---

🚀 クイックスタート

1. インストール

オプション A：npm（推奨）— どこでも使用可能

npm install neuroverse

オプション B：ソースからインストール（Python）

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

💡 ヒント： npm 経由でインストールした場合、パスは node_modules/neuroverse/dist/index.js です。ソースからの場合は、クローンしたディレクトリの絶対パスを使用してください。

2. MCP 設定に NeuroVerse を追加

NeuroVerse は標準的な MCP サーバー（stdio）です。ホストの設定に追加してください。

Cursor / VS Code Copilot / Claude Desktop（npm）

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

ソースから（Python）

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

3. NeuroVerse を使うようエージェントに指示

エージェントのルールファイル（.md、.cursorrules、システムプロンプトなど）に次の内容を追加してください。

## NeuroVerse Integration
- Use `neuroverse_process` to handle any user request — it auto-detects language, extracts intent, checks safety, and executes.
- Use `neuroverse_reason` for complex tasks requiring analytical reasoning (powered by OpenRouter).
- Use `neuroverse_store` / `neuroverse_recall` for persistent context across sessions.
- Use `neuroverse_execute` for any potentially dangerous action — it will block destructive operations.

以上です。エージェントが把握しておく必要があるコマンドは 2 つだけです。

コマンド	使用するタイミング	実行内容
neuroverse_process(text, user_id)	ユーザーからリクエストがあったとき	言語を検出し、インテントを抽出して、安全性を確認したうえで実行します
neuroverse_store(user_id, intent, ...)	作業の終了時	次のセッションに備えてコンテキストを保存します

次のセッションでは、エージェントはまるで忘れていなかったかのように、中断したところからそのまま再開できます。

要件

• npm 版： Node.js 18 以降（データベース依存なし — JSON ファイルを使用）
• Python 版： Python 3.10 以降 + PostgreSQL（永続メモリ用）

---

🤔 NeuroVerse を選ぶ理由

NeuroVerse なし	NeuroVerse あり
エージェントが理解できるのは英語のみ	エージェントはタミル語、ヒンディー語、テルグ語、カンナダ語に加え、英語とのコードスイッチングも理解します
"anna file ah csv convert pannu" → ❌ エラー	"anna file ah csv convert pannu" → ✅ ファイルを CSV に変換
セッションを開始するたびにゼロから始まる	エージェントはセッションやエージェントをまたいで、実行した内容を記憶します
DROP DATABASE → 💀 データが消失	DROP DATABASE → 🛡️ 1 ミリ秒未満、トークン消費ゼロでブロック
1 つの LLM プロバイダーに固定される	各タスクに最適なモデルへ自動的にルーティング
2 つのエージェントが混乱を招く	エージェント A からエージェント B へスムーズに引き継ぎ

トークン効率

NeuroVerse の安全レイヤーは トークン消費ゼロ で動作します。純粋な正規表現とルールの照合を使用するため、LLM 呼び出しを無駄にしません。

安全性の方式	チェックあたりのコスト	レイテンシ
LLM ベースの安全性チェック	500～2,000 トークン	1～5 秒
埋め込みベース	100～500 トークン	200～500ms
NeuroVerse Kavach	0 トークン	< 1ms

セッションあたり 100 回のツール呼び出しを行う場合、LLM ベースの安全性チェックと比べて 50,000～200,000 トークンを節約できます。

---

⚙️ 仕組み

User Input (any language)
        │
   ┌────┴────┐
   │  Vani   │ ← Language detection + keyword normalisation
   │ (भाषा)  │   Tamil/Hindi/Telugu → normalised internal format
   └────┬────┘
        │
   ┌────┴────┐
   │  Bodhi  │ ← LLM intent extraction + rule-based fallback
   │ (बोधि)  │   Returns structured JSON with confidence
   └────┬────┘
        │
   ┌────┴────┐
   │ Kavach  │ ← 3-layer safety: blocklist → risk → LLM judge
   │ (कवच)   │   Blocks dangerous actions at zero token cost
   └────┬────┘
        │
   ┌────┴────┐
   │  Marga  │ ← Routes to best model (OpenAI/Anthropic/Sarvam/Ollama)
   │ (मार्ग)  │   Based on task type: multilingual/reasoning/local
   └────┬────┘
        │
   ┌────┴────┐
   │ Smriti  │ ← Stores/recalls from tiered memory
   │ (स्मृति) │   Short-term + Episodic + Semantic (PostgreSQL)
   └────┬────┘
        │
   Tool Execution + Response

---

🌐 多言語インテリジェンス — Vani

課題： MCP サーバーはどれも英語しか使えません。インドでは 70％の人が日常的にコードスイッチングを行っています。

"anna indha file ah csv convert pannu"
         ↓
"anna this file ah csv convert do"     ← keyword normalisation (not full translation)
         ↓
Intent: convert_format { output_format: "csv" }

ハイブリッドパイプライン（ルール + LLM）

Input → Language Detect (langdetect) → Code-Switch Split → Keyword Normalise → Output

重要な洞察： すべてを翻訳するのではなく、ドメイン上重要なキーワードだけを正規化します。それ以外はそのままにし、コンテキスト、口調、ニュアンスを保ちます。

対応言語

言語	対応するキーワード	例
🇮🇳 タミル語	pannu → 実行、maathru → 変更、anuppu → 送信	"file ah csv convert pannu"
🇮🇳 ヒンディー語	karo → 実行、banao → 作成、bhejo → 送信	"report banao sales ka"
🇮🇳 テルグ語	cheyyi → 実行、pampu → 送信、chupinchu → 表示	"data chupinchu"
🇮🇳 カンナダ語	v2 で対応予定	—
🇬🇧 英語	そのまま処理	"convert json to csv"

コードスイッチングの検出

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

---

🧠 インテント抽出 — Bodhi

LLM を優先。ルールベースのフォールバック。必ず動作します。

LLM succeeds (confidence ≥ 0.5)?
   ├─ Yes → use LLM result
   └─ No  → rule-based parser (deterministic)

LLM 戦略

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

ルールベースのフォールバック（7 パターン）

パターン	意図	トリガーキーワード
フォーマット変換	convert_format	convert, csv, json, excel, pdf
要約	summarize	summarise, summary, brief, tldr
レポート生成	generate_report	report, generate report
削除	delete_data	delete, remove, drop, clean
データクエリ	query_data	query, search, find, fetch, get
コミュニケーション	send_message	send, share, email, notify
説明	explain	explain, describe, what is, how to

出力

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

主な違いは、LLM ではなくコードが判断することです。LLM が失敗したり、幻覚を起こしたり、でたらめな結果を返したりした場合は、ルールエンジンが引き継ぎます。決定論的で、信頼性があります。

---

💾 階層型メモリ — Smriti

問題： 生のログには価値がありません。すべてを保存するとリソースを浪費します。関連性のスコアリングもありません。

NeuroVerse のアプローチ： スコアリング → フィルタリング → 圧縮 → 保存。

3 つの階層

階層	保存先	保存期間	用途
短期	プロセス内の dict	現在のセッション	アクティブなコンテキスト。ユーザーごとに最大 50 件
エピソード	PostgreSQL	最近のアクション	エージェントが最近実行したこと
セマンティック	PostgreSQL	長期的な事実	ユーザー、プロジェクト、エンティティに関する永続的な知識

重要度のスコアリング

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

重要なメモリだけが残ります。肥大化せず、無関係な情報を想起することもありません。

コンテキストの圧縮

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

生のテキストダンプではなく、構造化された JSON ペイロードです。圧縮され、インデックス化でき、クエリ可能です。

メモリスキーマ（PostgreSQL）

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

---

🛡️ セーフティレイヤー — Kavach

「決して眠らない盾。」

3 層構成 — 多層防御

Agent calls tool  →  MCP Server receives request
                            │
                ┌───────────┴───────────┐
                │   Layer 1: Blocklist  │  ← regex + keywords, < 0.1ms
                └───────────┬───────────┘
                            │ pass
                ┌───────────┴───────────┐
                │  Layer 2: Risk Score  │  ← intent → risk classification
                └───────────┬───────────┘
                            │ pass
                ┌───────────┴───────────┐
                │  Layer 3: LLM Judge   │  ← optional model-based check
                └───────────┬───────────┘
                            │ pass
                     Execute handler

レイヤー 1 — ルールベースのブロックリスト（コストゼロ）

MCP サーバー内で実行されます。純粋な正規表現で、ネットワークもトークンも不要です。

ブロックするキーワード：

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

ブロックするパターン（正規表現）：

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

レイヤー 2 — 意図のリスク分類

リスクレベル	意図	アクション
🟢 低	convert_format, summarize, generate_report, query_data, explain	✅ 許可
🟡 中	send_message, unknown	⚠️ 厳格モードではブロック
🔴 高	delete_data	❌ 常にブロック
⛔ 重大	drop_database, system_shutdown	❌ 常にブロック

レイヤー 3 — LLM セーフティ判定（任意）

レイヤー 1～2 を通過した場合、任意で LLM に尋ねます。「これは安全ですか？」

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

セーフティ判定

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

トークンコスト：ゼロ

Most AI safety:  Agent → "rm -rf /" → Safety LLM → 2,000 tokens burned
NeuroVerse:      Agent → "rm -rf /" → regex match → BLOCKED (0 tokens, < 1ms)

厳格モード

# .env
SAFETY_STRICT_MODE=true    # Also blocks MEDIUM risk (unknown/send)
SAFETY_STRICT_MODE=false   # Only blocks HIGH and CRITICAL

---

🤖 マルチモデルルーター — Marga

問題： ベンダーロックイン。すべてに 1 つのモデルを使用。過剰な支払い。

NeuroVerse のアプローチ： タスクごとに最適なモデルへ自動的にルーティングします。

ルーティングロジック

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

対応プロバイダー

プロバイダー	デフォルトモデル	最適な用途	コスト
🇮🇳 Sarvam AI	sarvam-2b-v0.5	インドの言語、多言語対応	低
🧩 OpenRouter	stepfun/step-3.5-flash:free	高性能な推論	無料
🧠 Anthropic	claude-sonnet-4-20250514	推論、分析	中
🤖 OpenAI	gpt-4o	一般的なタスク、コード	中
🦙 Ollama	llama3	ローカル、プライベート、オフライン	無料

メリット

	Marga なし	Marga あり
コスト	すべてのタスクで GPT-4 に支払う	単純なタスクには Ollama を使用
速度	すべてのタスクで同じレイテンシ	高速なタスクにはローカルモデルを使用
プライバシー	すべてがクラウドへ送られる	機密データはローカルに保持
ベンダーロックイン	1 つのプロバイダーに縛られる	いつでも切り替え可能

フォールバックチェーン

優先するプロバイダーが停止中、または設定されていない場合：

OpenRouter → Anthropic → OpenAI → Sarvam → Ollama (local, always available)

---

🔗 エージェント間通信 — Setu

エージェントがエージェントを呼び出し、さらにエージェントを呼び出します。

エージェントレジストリ

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

ルーティング

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

フォールバック

対象のエージェントに到達できない場合：

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

呼び出し元はローカル実行にフォールバックできます。致命的な失敗は起こりません。

---

🧩 MCP ツール

NeuroVerse は、Model Context Protocol を通じて9 個のツールを公開します。

#	ツール（npm）	ツール（Python）	説明
1	neuroverse_process	india_mcp_process_multilingual_input	全工程のパイプライン：検出 → 正規化 → インテント判定 → 安全性確認 → 実行
2	neuroverse_store	india_mcp_store_memory	階層型システムにメモリレコードを保存
3	neuroverse_recall	india_mcp_recall_memory	ユーザー、インテント、または階層に基づいてメモリを取得
4	neuroverse_execute	india_mcp_safe_execute	エンドツーエンドの安全な実行（便利機能）
5	neuroverse_route	india_mcp_route_agent	登録済みの下流エージェントにタスクをルーティング
6	neuroverse_model	india_mcp_model_route	マルチモデルルーターに問い合わせ（任意で呼び出しも可能）
7	neuroverse_transcribe	india_mcp_transcribe_audio	Whisper STT を使って音声をテキストに書き起こし
8	neuroverse_synthesize	india_mcp_synthesize_speech	Coqui TTS を使ってテキストから音声を合成
9	neuroverse_reason	N/A	OpenRouter を使った高性能な推論

実世界での例

── Session 1 (Agent Alpha, 2pm) ───────────────────────────
india_mcp_process_multilingual_input({
    text: "anna indha sales data ah csv convert pannu",
    user_id: "alpha",
    execute: true
})
→ Language: Tamil+English (code-switched)
→ Intent: convert_format { output_format: "csv" }
→ Safety: ✅ allowed (LOW risk)
→ Execution: ✅ success

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

── Session 2 (Agent Beta, next day) ───────────────────────
india_mcp_recall_memory({
    user_id: "alpha",
    intent: "convert_format",
    limit: 5
})
→ "Agent Alpha converted sales_q1.json to CSV yesterday"
→ Beta picks up exactly where Alpha left off

---

🌐 REST API

NeuroVerse には、MCP 以外のクライアント向けの FastAPI REST レイヤーも含まれています。

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

エンドポイント	メソッド	説明
/health	GET	ヘルスチェック
/api/process	POST	多言語パイプライン全体
/api/memory/store	POST	メモリを保存
/api/memory/recall	POST	メモリを呼び出し

---

⚙️ 設定

すべての設定は環境変数（.env）で行います。

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

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

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

# Safety
SAFETY_STRICT_MODE=true     # Block MEDIUM risk actions too

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

---

🧪 テスト

python -m pytest tests/ -v

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

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

テスト対象

カテゴリ	テスト数	カバレッジ
言語検出	10	タミル語、ヒンディー語、英語、空の入力、コードスイッチフラグ
インテント抽出	10	7 つのルールパターンすべて、LLM モック、LLM の失敗、空の入力
安全性エンジン	12	キーワード、正規表現、リスクレベル、パイプライン全体、厳格モード
パイプライン全体	8	英語・タミル語・ヒンディー語の E2E、危険なコマンド、エッジケース

---

🏗️ アーキテクチャ

npm 版（Node.js / TypeScript）

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

Python 版

app/
├── core/
│   ├── language.py           # Vani  — Language detection (langdetect)
│   ├── intent.py             # Bodhi — Intent extraction (LLM + fallback)
│   ├── memory.py             # Smriti — Tiered memory (PostgreSQL)
│   ├── safety.py             # Kavach — 3-layer safety engine
│   └── router.py             # Marga — Multi-model AI router
├── models/schemas.py         # 12 Pydantic v2 models
├── services/
│   ├── executor.py           # Tool registry + retry engine
│   └── agent_router.py       # Setu — Agent-to-Agent routing
├── config.py                 # Settings from environment
└── main.py                   # FastAPI REST entry point
mcp/server.py                 # MCP Server (FastMCP) — 6 tools
tests/                        # 40 tests (pytest)

依存関係 — 最小限

npm（3 パッケージ）：

パッケージ	用途
@modelcontextprotocol/sdk	MCP プロトコル
zod	スキーマ検証
axios	HTTP リクエスト

Python（7 パッケージ）：

パッケージ	用途
mcp[cli]	Model Context Protocol SDK
fastapi + uvicorn	REST API レイヤー
pydantic	入力検証（v2）
langdetect	統計的な言語識別
asyncpg + sqlalchemy[asyncio]	PostgreSQL 非同期ドライバー
httpx	モデル API 用の非同期 HTTP

---

🚀 ロードマップ

フェーズ	ステータス	内容
v1.0	✅ 完了	多言語解析 + インテント抽出 + 5 個のツール
v1.0	✅ 完了	階層型メモリシステム（PostgreSQL）
v1.0	✅ 完了	3 層の安全性エンジン（Kavach）
v1.0	✅ 完了	マルチモデルルーター（Marga）+ エージェントルーティング（Setu）
v2.0	✅ 完了	音声レイヤー（Whisper/Coqui）+ 多言語対応の拡張
v3.0	✅ 完了	Redis キャッシュ + 埋め込みベースのセマンティック検索
v4.0	✅ 完了	強化学習（RLHF）+ Arachne コンテキストインデックス
v4.1	✅ 完了	OpenRouter 推論レイヤーの統合
v5.0	🔮 将来	エージェントマーケットプレイスと外部システムプラグイン

---

🔐 セキュリティ

対策	実装
API キー管理	環境変数のみで管理 — コードには記載しません
入力サニタイズ	すべての入力にフィールド制約を設定した Pydantic v2
レート制限	v2.0 で予定
パストラバーサル	該当なし — ツールはファイルシステムにアクセスしません
SQL インジェクション	SQLAlchemy によるパラメーター化クエリ
暗号化ストレージ	PostgreSQL TLS に委任

---

🤝 貢献

貢献を歓迎します！始め方は次のとおりです。

1. リポジトリをフォークします
2. フィーチャーブランチを作成します（git checkout -b feature/amazing-feature）
3. 変更をコミットします（git commit -m 'feat: add amazing feature'）
4. ブランチにプッシュします（git push origin feature/amazing-feature）
5. プルリクエストを作成します

開発環境のセットアップ

# npm edition
git clone https://github.com/joshua400/neuroverse.git
cd neuroverse/npm
npm install
npm run build

# Python edition
cd neuroverse
python -m pip install -e ".[dev]"
python -m pytest tests/ -v    # All 40 should pass

---

📜 ライセンス

Apache-2.0

---

「セッションのたびにエージェントがすべてを忘れ、タミル語をまったく理解できないのを見るのがつらくて、NeuroVerse を作りました。」

Joshua Ragiland M
✉️ [email protected]
🌐 ポートフォリオサイト

_{明日のエージェントのために、Joshua が 🧠 を込めて開発しました。}