Локальная когнитивная архитектура с долговременной, ассоциативной и проверяемой памятью для LLM.
BlockcoinWitres — экспериментальная система памяти для локальных AI-агентов. Она связывает LLM с графом знаний, эпизодической памятью, семантическим поиском, ассоциативными связями, целями и механизмами рефлексии.
Проект является прототипом архитектуры, которая в дальнейшем может стать основой Global Cognitive Network (GCN) — распределённого слоя проверяемых знаний между AI-системами.
Идея: LLM не должна каждый раз начинать с нуля. Она должна иметь память, историю, связи между знаниями, источники и возможность проверять и обновлять свои представления.
- Долговременная память — факты, события, гипотезы и цели.
- Граф знаний — связи между объектами памяти.
- Ассоциативное обучение — Hebbian/STDP-подобные механизмы изменения связей.
- Гибридный поиск — семантическое сходство + граф + свежесть + уверенность + доказательства.
- Векторный индекс — FAISS и embeddings.
- Распространение активации — поиск связанных понятий через граф.
- Предсказания — вероятностная модель переходов между концептами.
- Рефлексия — анализ ошибок и корректировка поведения системы.
- Цели — формирование и отслеживание долгосрочных задач.
- Автономное исследование — поиск информации при недостаточной уверенности.
- Память диалога — сохранение взаимодействий пользователя и AI.
- Локальная LLM — работа через LM Studio.
- REST API — доступ к когнитивной системе из других приложений.
USER
│
▼
CognitiveController
│
┌──────────┼──────────┐
▼ ▼ ▼
Memory Search Planning
│ │ │
└──────────┼──────────┘
▼
CognitiveMemory
│
┌─────────────┼─────────────┐
▼ ▼ ▼
Knowledge Graph FAISS Memory Events
│ │ │
└─────────────┼─────────────┘
▼
Hybrid Retrieval
│
▼
Context Builder
│
▼
Local LLM
(LM Studio)
│
▼
Response
│
▼
Memory + Reflection
Основной цикл:
Запрос
↓
Поиск памяти
↓
Поиск связанных знаний
↓
При необходимости — внешнее исследование
↓
Формирование контекста
↓
LLM
↓
Ответ
↓
Сохранение опыта
↓
Обновление графа и памяти
↓
Рефлексия
| Компонент | Назначение |
|---|---|
MemoryStore |
Хранение объектов знаний, событий и графа |
CognitiveMemory |
Когнитивный слой над памятью |
CognitiveController |
Управление циклом обработки запроса |
KnowledgeObjects |
Факты, события, гипотезы и цели |
Knowledge Graph |
Связи между знаниями |
FAISS |
Векторный поиск |
Hebbian/STDP |
Изменение силы ассоциативных связей |
Prediction Model |
Предсказание связанных концептов |
Reflection |
Анализ ошибок и адаптация |
Web Research |
Получение внешней информации |
LM Studio |
Локальная LLM |
Основные файлы:
BlockcoinWitres/
│
├── ai_assistant.py
├── GCN/
│ ├── GCN.py
│ ├── memory_graph.py
│ └── config_ai.py
│
├── ai_memory_v3/
│
├── requirements.txt
├── VISION.md
├── WHITEPAPER.md
└── README.md
Обычный RAG в основном решает задачу:
Запрос → поиск документов → контекст → LLM
BlockcoinWitres пытается построить более устойчивый когнитивный цикл:
Запрос
↓
Память
↓
Ассоциации
↓
Граф знаний
↓
Предсказания
↓
Внешние источники
↓
LLM
↓
Новый опыт
↓
Изменение памяти
↓
Рефлексия
Поэтому память здесь рассматривается не только как база документов, а как динамическая структура знаний и опыта.
Требования:
- Python 3.10+
- локальный сервер LLM
- LM Studio
- зависимости из
requirements.txt
Установка:
pip install -r requirements.txtОсновные зависимости:
aiohttp
fastapi
uvicorn
numpy
faiss-cpu
sentence-transformers
scikit-learn
beautifulsoup4
ddgs
Запустите модель в LM Studio и включите OpenAI-compatible API.
По умолчанию система ожидает:
http://localhost:1234
Параметры подключения находятся в:
GCN/config_ai.py
uvicorn ai_assistant:app --host 0.0.0.0 --port 8000После запуска API доступен на:
http://localhost:8000
| Метод | Endpoint | Назначение |
|---|---|---|
POST |
/ai/chat |
Основной чат с памятью |
POST |
/ai/search |
Поиск в памяти |
POST |
/ai/research |
Исследование темы |
POST |
/ai/generate_image |
Генерация изображения |
POST |
/ai/enhance_prompt |
Улучшение промпта |
GET |
/ai/global_stats |
Статистика памяти |
Пример:
POST /ai/chat
{
"message": "Расскажи про графовые нейросети",
"stream": false,
"web_search": true,
"reasoning": false
}Система поддерживает естественные команды:
запомни <текст>
Сохраняет информацию в памяти.
забудь <текст>
Удаляет соответствующую информацию.
что ты знаешь о <тема>
Ищет связанные знания в памяти.
- когнитивное хранилище;
- граф знаний;
- ассоциативные связи;
- embeddings + FAISS;
- гибридный поиск;
- эпизодическая память;
- цели и гипотезы;
- предсказательная модель;
- рефлексия;
- автономное исследование;
- REST API;
- интеграция с локальной LLM.
- криптографические подписи объектов;
- Merkle-структуры для проверки состояния памяти;
- происхождение (
provenance) каждого знания; - обнаружение и разрешение противоречий;
- репутация источников;
- P2P-синхронизация;
- частичная репликация знаний;
- взаимодействие нескольких когнитивных узлов.
BlockcoinWitres рассматривается как локальный прототип более крупной идеи — Global Cognitive Network (GCN).
GCN предполагает сеть, в которой AI-системы смогут обмениваться не просто текстом, а структурированными знаниями:
Knowledge Object
│
├── Content
├── Source
├── Timestamp
├── Confidence
├── Evidence
├── Relations
└── Cryptographic Proof
Это позволит сохранять происхождение знаний, проверять изменения и строить распределённую сеть памяти между различными AI-системами.
Подробная концепция находится в:
VISION.mdWHITEPAPER.md
Research / Experimental / Prototype
Проект находится на стадии разработки. Архитектура и отдельные механизмы являются экспериментальными и не претендуют на доказанную реализацию AGI.
MIT — если не указано иное.
BlockcoinWitres — эксперимент с долговременной памятью для машин.