mcpField
N
neural-train

neural-train

github.com/ruvnetAgent 工作流80.0k748 次安装今天更新
代码仓库

关于 neural-train

neural-train 是 Ruflo 技能，用于从已完成任务中学习模式并将其整合到长期存储。它指导记录任务轨迹、训练模式，以及进行 SONA 或 MicroLoRA 适配。

主要功能

  1. 01记录任务轨迹和结果
  2. 02学习并训练协作模式
  3. 03存储并验证已学习模式
  4. 04支持 SONA 与 MicroLoRA 适配
  5. 05使用 EWC++ 整合模式
  6. 06提供训练的命令行替代方式

适用场景

  1. 01在任务完成后记录有效做法
  2. 02整合已完成轨迹中的模式
  3. 03将模型适配到新领域

MCP 相关

使用 Ruflo MCP 工具检查神经状态、记录轨迹、学习和训练模式、存储模式及进行整合；也记录了用于 SONA 和 MicroLoRA 适配的 MCP 调用。

安装

复制下面的命令，在终端中运行。

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

安装后在 Claude Code 中输入/neural-train确认已加载。

详细介绍

神经训练

训练并巩固神经模式。实现 4 步智能流水线中的 DISTILL 和 CONSOLIDATE 阶段。

适用场景

  • 成功完成任务后——记录有效做法。
  • 累计完成 ≥10 个任务后——运行巩固，将模式整合到长期存储中。
  • 训练新领域时——为其创建 MicroLoRA 适配器。

标准流程（DISTILL）

  1. 检查当前神经状态 — mcp__plugin_ruflo-core_ruflo__neural_status。
  2. 开始一条轨迹 — 使用任务上下文调用 mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-start。
  3. 记录步骤 — 对每个重要操作调用 mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-step。
  4. 结束轨迹 — 调用 mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-end，并设置 verdict: pass|fail|partial。
  5. 从轨迹中学习 — 调用 mcp__plugin_ruflo-core_ruflo__hooks_intelligence_learn。
  6. 训练模式 — 调用 mcp__plugin_ruflo-core_ruflo__neural_train，并使用 --pattern-type coordination --epochs 10。
  7. 存储模式 — 调用 mcp__plugin_ruflo-core_ruflo__hooks_intelligence_pattern-store。
  8. 验证 — 调用 mcp__plugin_ruflo-core_ruflo__neural_patterns 进行确认。

SONA 适配（单领域，<0.05ms）

用于实时微适配：

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

MicroLoRA 适配（多领域）

当有 ≥3 个不同领域时，应为每个领域创建一个 MicroLoRA 适配器，而不是让 SONA 负担过重：

# 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 标志会触发 EWC++。如果不使用此标志，新训练会覆盖较早的领域。

CONSOLIDATE 阶段（独立于训练）

每完成约 10 条轨迹后，运行一次完整的巩固流程：

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

此流程会根据 EWC++ 语义将模式整合到长期存储中。

从零开始引导

如果系统尚无已学习的模式：

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

hooks_pretrain 会写入 patterns（复数）命名空间，这与 ReasoningBank 的 pattern（单数）目标不同。有关命名空间约定，请参阅 ruflo-agentdb ADR-0001。

重置（仅用于测试）

要清除智能状态（例如用于基准测试）：

mcp tool call hooks_intelligence-reset --json

CLI 替代方案

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

评论

支持 Markdown