一个极简 AI 编码 Agent —— 用来探索支撑智能的结构，以及智能的边界。
当前各种 Agent 的最简骨架，一句话：
session_loop × query_loop（LLM × tool）
session_loop 管一条会话的完整管线（前置检索 → 执行 → 反思 → 压缩），query_loop 管单轮 LLM ↔ tool 循环。二者叠加，就是 Agent 的全部骨架。
~8,100 行 TypeScript · 16 个工具 · 零运行时依赖（除 zod）· 零遥测 · 研究级可读性。
npm i -g @wangzt_mw/mythinknode
mtn
为了探索支撑智能的结构，以及智能的边界。具体两条线：
- 智能搜索算法 —— 让大模型根据标签（keywords）与树/图结构实现高效搜索。不是把答案向量化整块喂给模型，而是让它沿着标签和结构的分支自己找到路。
- 智能管理 —— 让大模型区分知识的内在结构，并通过人机协同构建知识体系。Agent 在循环中打标签，模型在会话后反思落盘，知识在人机协同中生长。
这两条线落在 NodeMind 上；再往后，「跨书知识」（InferMem）和「思维-执行轨迹」（TraitGraph）把探索延伸到知识的图结构、思考的图结构。下面按价值排序。
这是整个项目最核心、也是其他编码 Agent 都没有的原创设计。
问题：每次对话从零开始。Agent 不记得上次踩过的坑、跑通的路线、有效的工具组合。传统 RAG 把答案向量化后整块喂给模型——但这会把上下文窗口塞爆，而且"喂答案"不等于"教会模型怎么用"。
解法：体系知识管理（原生 AI 搜索 + 逻辑树保持）——不把答案喂给 Agent，而是告诉它答案在哪条路上，让它自己一层层走下去。
~/.mythinknode/nodemind/
└── root/
├── dev-experience/ ← 父节点只知道子节点的 keywords
│ └── rest-auth/ ← 子节点存完整经验（内容 + attrs）
├── tool-usage/
└── lessons/
└── session-20240809/ ← 每轮 session 自动沉淀的经验节点
三个反直觉的设计：
- 分层导航，信息散布：父节点只存
keywords[]（"我跟什么有关"），不存正文。LLM 必须沿路径走——读根节点 → 决定深入哪个分支 → 读子节点 → 继续或停止。上下文永远可控。 - 单层搜索 + Agent 驱动深入：搜索只查一层，返回
{ matches, deeperIds, deeperHints }。深入的权利交给 Agent 自己——它用Knowledge(read)逐节点加载，觉得不够再往下走。不是系统"推"信息，是 Agent"拉"信息。这比递归多轮 LLM 路由快一个数量级，且不会一次性灌入海量文档。 - Remember 标记、Reflector 落盘：Agent 循环中随时用
Remember(action='tag')打[REMEMBER_TAG]标记（只入队列，不写树）；session 结束后由 Reflector 作为树的唯一写入入口，用 LLM 分析完整工具日志，决定"创建/更新/跳过"。写入权集中，树结构永不腐坏。
失败比成功更有价值：反思提示词明确要求记录失败路线——"试了 X 失败，Y 也失败，Z 成功"比"Z 成功"有用十倍。每个 gotcha 按 Symptom → Root Cause → Fix 三段式落盘。
主 Agent 和子 Agent 共用同一份循环 agentLoop()（src/query_loop.ts，~220 行）——不用为两种 Agent 维护两套代码。
区别全在 AgentLoopParams 配置里——主 Agent 25 轮、子 Agent 10 轮；子 Agent 有 serialTools、有自己的 system prompt、有 preRoundCheck 拦截 kill/redirect 信号。同一份代码走 LLM 调用、工具执行、进度事件、token 统计。
这意味着修一个 bug，主 Agent 和所有子 Agent 一起修好。没有双份代码漂移。
传统多 Agent 靠把每个子 Agent 的完整输出塞回主上下文来协调。这里是信号制：
- 子 Agent 用
[NEED: ...]、[FOUND: ...]标记主动向主 Agent 通信，而不是被动等召唤。 - 主 Agent 用
Agent(action='wait_any')等"任意一个完成"，Agent(action='check')拉报告，Agent(action='direct')注入新指令，Agent(action='kill')掐掉失控的。 - 后台 Agent 完成后只往通知队列塞一条一句话信号，主 Agent 需要时才去读完整报告。
协调信息是信号，不是内容。上下文窗口只装结论，不装过程。
每个 session 结束后，MessageProcessor 用 LLM 把本轮消息压缩成五段式摘要（GOAL → TIMELINE → FINDINGS → FILES → NUMBERS），原文存盘（raws/S{n}.json），精简版追加到上下文。
压缩原则来自 Skill Building 方法论：
- Delta 原则：只记模型自己推不出来的。砍掉推理噪音、原始 HTML/JSON、重复搜索结果、样板话术。
- 失败是高价值：每个错误记录"试了什么 → 精确报错 → 下一步换什么"。
- 过程优于声明：记"Write: src/auth/jwt.ts → 创建了 JWT helper"，不记"Agent 决定加认证"。
中文/日文/韩文在终端占 2 列，ASCII 占 1 列。大多数 CLI 工具按"每个字符 1 列"算宽度，导致中文输出一缩窗口就复制乱码。
这里三层防御，全部在渲染源头解决：
- 单通道 stdout：所有输出走 stdout，不用 stderr，杜绝两路交错。
- 宽度自适应：≥60 列用
\r原地覆写（正常体验），<60 列抑制中间 tick 帧（防止\r+ANSI 折行刷屏）。 - CJK 双宽截断 + ANSI SGR 栈：
charWidth()按码位判定双宽；折行时追踪活跃的 ANSI 格式码，断行后重新注入到续行——格式不丢。
这个 bug 折腾了 7 次失败的尝试，最终根因是 ANSI 转义序列被物理截断跨行边界导致状态机损坏。修复方式不是事后 patch，而是从渲染源头重构。
src/llm/retry.ts 实现了生产级的重试策略：
- 瞬态错误重试 10 次，永久错误（DNS/鉴权）立即失败并给明确提示。
- 指数退避 + 25% jitter（防惊群），优先读
retry-after响应头（服务器最清楚该等多久）。 - ECONNRESET → 下次请求禁用 keep-alive（避免复用死连接）。
- 529 / overloaded 识别（服务过载，值得重试）。
- 并发信号量：主 Agent + 所有子 Agent 共享一个计数器（默认 2），超出排队 FIFO，120s 超时兜底——防止多 Agent 同时轰炸 API 触发 429。
NodeMind 记的是经验（怎么做事），InferMem 记的是知识（书/文档里的东西）。src/infermem/ 是一个批量知识图编译器：把 markdown 文档切成块，抽取知识原子（concept/definition/theorem/formula/table/case），再语义消解成一张全局 DAG。
关键设计：
- 跨书合并：不同书里的同一个概念靠
identityKey = kind:scope路径:规范名合并成同一个节点；但case（案例）附内容哈希永不合并——不同案例必须并存。 - 原文不嵌进图：原子只存
{docId, segIndex, offset}指针，原文存sources/<docId>/content.json数组，反幻觉门要求每条边都有原文证据。 - 隐式边推断：除了显式抽取的关系，
link.ts还会推断derives/uses/generalizes等隐含依赖，标source='inferred'。 - 便宜模型干重活：抽取 + 语义判断用快模型（
deepseek-v4-flash）批量并发，主模型只做抽样验证。ingest 是后台任务（返回 jobId、防重入、逐块增量落盘）。
工具：Infer(path) 摄入一本书，InferQuery(status/query/read/walk/merge) 查询、读邻居、走依赖锥、显式融合两棵树。存储：~/.mythinknode/infermem/。
NodeMind 存沉淀后的结论，TraitGraph 存本次会话里模型怎么一步步想、怎么试错、哪里折返的过程。这是对"记录大模型如何思考和执行"的一次直接尝试。
- 节点 = 思维状态：
goal（任务目标）+plan（怎么达成）+direction（打算尝试的方向）。 - 边 = 一次尝试：
action（做了什么）+result（得到什么结果）+outcome（成败）。 - 折返：走不通就
backtrack，把这条边标dead，frontier 回退到上一个节点，换个方向再试。 - 模型显式写：
goal/plan/direction是模型的内部状态，只有模型能精确表述——所以由模型用TraitGraph(plan/step/backtrack)显式记录，而不是事后自动抽取的二手猜测。
存储与会话原文 raws/ 平级：~/.mythinknode/sessions/{id}/traitraw/T{n}.json，用 T{n} 标记索引（对齐 S{n} 索引 raws 的机制），Session Memory 能像召回 S{n} 块一样召回 T{n} 节点注入背景。
src/
├── Mythinknode.ts 入口：配置 → LLM → 工具 → 引擎 → REPL
├── session_loop.ts Session 循环：前置检索 → agentLoop → 反思 → 压缩
├── query_loop.ts 统一 Agent 循环（主/子 Agent 共用）
├── agent/
│ └── agent_def.ts 引擎：系统提示词 + Agent 状态表 + 子 Agent 提示词
├── cli/
│ ├── cli.ts REPL + 统一 stdout 渲染（宽度自适应）
│ ├── config.ts 配置持久化（~/.mythinknode/）
│ ├── render/ Markdown→ANSI（CJK 双宽）+ 折行保护
│ └── monitor/ ProgressEvent 事件合同 + 轮询
├── llm/ 双 Provider（Anthropic + OpenAI/DeepSeek）+ 重试 + 并发
├── session/ 会话持久化 + 消息压缩（MessageProcessor）
├── nodemind/ 树状经验图：Store / Navigator / Reflector
├── infermem/ 跨书知识 DAG：chunker / extractor / resolve / link / store
├── traitgraph/ 会话级思维-执行轨迹图：schema / store / recall / format
└── tools/ 16 个工具
├── core/ Tool 接口 + buildTool 工厂
├── agent/ Agent（spawn/check/wait_any/direct/kill）
├── file/ Read / Write / Edit / Glob / Grep
├── exec/ Bash
├── search/ WebSearch（Tavily）/ WebFetch
├── external/ MCP / Skill
├── nodemind/ Knowledge（search/read/browse）/ Remember（tag）
├── infermem/ Infer（构建 DAG）/ InferQuery（查询/走锥/融合）
└── traitgraph/ TraitGraph（plan/step/backtrack/status/read）
一次 Session 的完整管线：
CLI 输入 → Session 管理 → NodeMind 前置检索 → traitGraph 召回 → Agent 循环（LLM + 工具）
→ NodeMind 后置反思 → MessageProcessor 压缩 → CLI 渲染 → 持久化
9 个模块各守一段管线，通过 session_loop.ts 串联。模块内部自由，模块间只有一种耦合：数据进、数据出。
# 安装
npm i -g @wangzt_mw/mythinknode
# 设置 API key（DeepSeek / OpenAI / Anthropic）
export MYTHINKNODE_API_KEY=sk-... # sk- 开头自动识别 OpenAI/DeepSeek
export MYTHINKNODE_API_KEY=sk-ant-... # sk-ant- 开头自动识别 Anthropic
# 启动
mtn # 或: mythinknode可选的 ~/.mythinknode/config.json（首次运行自动创建）：
{
"model": "deepseek-chat",
"provider": "openai",
"openaiBase": "https://api.deepseek.com",
"tavilyApiKey": "tvly-..."
}用户记忆：写入 ~/.mythinknode/MYTHINKNODE.md，每次 session 自动注入。
| 输入 | 作用 |
|---|---|
/help |
列出工具 |
/exit / /quit |
退出（自动保存 + 生成会话标题） |
--resume |
恢复上次会话 |
| 其他 | 发给 AI |
git clone https://github.com/wangztmw/mythinknode.git
cd mythinknode
npm install
npm run build # tsc 编译到 dist/
npm run dev # tsx 直接跑源码MIT