mcpField
N
neural-train

neural-train

github.com/ruvnetエージェントワークフロー80.0k748 回インストール今日更新
リポジトリ

neural-train について

neural-trainは、完了したタスクからパターンを学習し、長期ストレージに統合するRufloスキルです。軌跡の記録、パターン学習、SONAまたはMicroLoRAによる適応を支援します。

主な機能

  1. 01タスクの軌跡と結果を記録
  2. 02協調パターンを学習・訓練
  3. 03学習したパターンを保存・検証
  4. 04SONAとMicroLoRAによる適応
  5. 05EWC++によるパターン統合
  6. 06訓練用のコマンドライン手段

活用シーン

  1. 01タスク完了後に有効だった手順を記録
  2. 02完了した軌跡からパターンを統合
  3. 03モデルを新しいドメインに適応

MCP 対応

RufloのMCPツールで、状態確認、軌跡記録、学習、訓練、パターン保存、統合を行います。SONAとMicroLoRAの適応に使うMCP呼び出しも記載されています。

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/ruvnet/ruflo --skill neural-train

インストール後、Claude Code で/neural-trainを入力して読み込まれたか確認します。

詳細

Neural Training

ニューラルパターンを学習し、統合します。4 ステップのインテリジェンスパイプラインの DISTILL フェーズと CONSOLIDATE フェーズを実装します。

使用するタイミング

  • タスクを成功させた後 — うまくいったことを記録します。
  • タスク完了が 10 件以上蓄積した後 — 統合を実行し、パターンを長期ストレージにまとめます。
  • 新しいドメインを学習するとき — そのドメイン用の MicroLoRA アダプターを作成します。

標準的なフロー（DISTILL）

  1. 現在のニューラルステータスを確認する — mcp__plugin_ruflo-core_ruflo__neural_status。
  2. 軌跡を開始する — タスクのコンテキストを指定して mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-start を実行します。
  3. ステップを記録する — 重要な操作ごとに mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-step を実行します。
  4. 軌跡を終了する — verdict: pass|fail|partial を指定して mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-end を実行します。
  5. 軌跡から学習する — mcp__plugin_ruflo-core_ruflo__hooks_intelligence_learn を実行します。
  6. パターンを学習する — --pattern-type coordination --epochs 10 を指定して mcp__plugin_ruflo-core_ruflo__neural_train を実行します。
  7. パターンを保存する — mcp__plugin_ruflo-core_ruflo__hooks_intelligence_pattern-store を実行します。
  8. 確認する — mcp__plugin_ruflo-core_ruflo__neural_patterns を実行して確認します。

SONA 適応（単一ドメイン、<0.05ms）

リアルタイムのマイクロ適応を行う場合：

mcp tool call ruvllm_sona_create --json -- '{"domain": "coding"}'
mcp tool call ruvllm_sona_adapt --json -- '{"feedback": {"score": 0.9, "trajectory": "..."}}'

MicroLoRA 適応（複数ドメイン）

3 つ以上の異なるドメインがある場合、SONA に過剰な負荷をかけるのではなく、ドメインごとに MicroLoRA アダプターを作成します。

# Create the adapter
mcp tool call ruvllm_microlora_create --json -- '{"domain": "frontend"}'

# Adapt with feedback
mcp tool call ruvllm_microlora_adapt --json -- '{"adapter": "frontend", "feedback": {...}}'

# CONSOLIDATE phase: apply EWC++ on weight deltas to prevent catastrophic forgetting
mcp tool call ruvllm_microlora_adapt --json -- '{"adapter": "frontend", "consolidate": true}'

--consolidate フラグは EWC++ のトリガーです。指定しない場合、新しい学習によって以前のドメインが上書きされます。

CONSOLIDATE フェーズ（学習とは別）

軌跡の完了が約 10 件に達するごとに、統合パスを全体に対して実行します。

mcp tool call agentdb_consolidate --json
mcp tool call neural_compress --json    # storage efficiency

これにより、EWC++ のセマンティクスに基づいてパターンが長期ストレージにまとめられます。

ゼロからのブートストラップ

システムにまだ学習済みのパターンがない場合：

mcp tool call hooks_pretrain --json -- '{"modelType": "moe", "epochs": 10}'
mcp tool call hooks_build-agents --json -- '{"agentTypes": "coder,tester"}'

hooks_pretrain は patterns（複数形）名前空間に書き込みます。これは ReasoningBank のターゲットである pattern（単数形）とは異なります。名前空間の規約については、ruflo-agentdb の ADR-0001 を参照してください。

リセット（テスト専用）

インテリジェンスの状態を消去する場合（ベンチマークなど）：

mcp tool call hooks_intelligence-reset --json

CLI の代替手段

npx @claude-flow/cli@latest neural train --pattern-type coordination --epochs 10
npx @claude-flow/cli@latest neural patterns --list
npx @claude-flow/cli@latest neural status
npx @claude-flow/cli@latest neural compress
npx @claude-flow/cli@latest hooks pretrain --model-type moe --epochs 10
npx @claude-flow/cli@latest hooks build-agents --agent-types coder,tester

コメント

Markdown 対応