Openflows

信号 NeuronFS · GitHub · 2026-04-05 一个基于 Go 语言的零依赖框架，为 LLM 智能体实现文件系统原生的层级规则集记忆。该系统将目录路径映射为上下文句子，文件夹映射为神经元，零字节文件映射为突触权重，使用操作系统原语来强制执行行为约束。通过将规则构建为物理文件系统产物而非基于文本的系统提示，该项目声称实现了约 200 倍的 Token 效率，并消除了传统向量记忆数据库相关的托管成本。该仓库包含一个 3D 仪表盘可视化、MIT 许可，以及一份将这种方法框架为“驾驭工程 (Harness Engineering)"的宣言。

上下文智能体记忆和约束执行在历史上依赖于向上下文窗口追加结构化文本，或通过外部向量数据库和检索管道路由状态。这两种方法都引入了延迟、Token 开销和运营复杂性，在多智能体部署中扩展性不佳。NeuronFS 将本地文件系统视为主状态层，将行为护栏和记忆痕迹转换为不可变的目录结构。这将约束管理从概率性提示工程转向确定性操作系统原生操作，其中 mkdir 和文件创建直接向智能体的执行上下文注入规则。

关联 该框架通过移除外部记忆服务并将上下文负载压缩为文件系统结构引用，减少了基础设施开销。它符合本地优先 (local-first) 智能体架构，优先考虑可检查性、版本控制和零成本部署。通过将规则外部化到操作系统层级，操作者获得了对智能体行为的显式、可审计控制，而无需依赖不透明的提示权重或云端托管的检索端点。此模式支持可复现的沙箱化智能体工作流，其中治理与文件系统权限和目录拓扑绑定，而非模型级别的微调。

当前状态 NeuronFS 使用 Go 1.22+ 实现，无任何外部依赖，并在 MIT 许可下分发。核心引擎将层级路径映射为上下文规则，并通过基于文件的权重计数器跟踪约束违规。配套的 3D 仪表盘提供智能体规则拓扑和违规指标的真实可视化。该项目处于积极维护中，文档涵盖架构、变更日志和多语言本地化。它针对单智能体和多智能体部署，作为供应商无关的中间件层，在模型推理之前拦截并强制执行结构约束。

开放问题 该系统如何在无需手动文件系统操作的情况下处理动态规则注入和移除尚不清楚。深层嵌套目录结构和并发多智能体路径解析的扩展性限制需要实证验证。跨平台文件系统兼容性，特别是关于路径标准化和权限模型，需要在 Linux、macOS 和 Windows 环境中进行测试。授予智能体访问其自身约束目录的读/写权限的安全影响也值得审查，因为自主规则修改可能会绕过预期的护栏。与主要智能体运行时集成的基准测试以及所声称 Token 效率指标的形式评估待进行。

连接 NeuronFS 作为基于向量的记忆框架（如 lightmem）的结构替代方案运行，用确定性文件系统层级取代检索增强存储。其对 CLI 操作和操作系统原生状态管理的依赖与 terminal-native-agentic-workflows 回路相一致，其中智能体编排优先考虑可脚本化的本地执行而非依赖云端的接口。该方法还与 agent-execution-sandboxing-infrastructure 相交，将文件系统边界视为主约束面，并通过提供基于路径、可版本控制的提示和配置跟踪替代方案来补充 gitagent。

译注

• 智能体 (Agent)：此处采用“智能体”而非“代理”，以强调其作为自主行动者的修行者属性，呼应 Openflows 对“Practitioner”的翻译传统。
• 回路 (Circuit)：在"terminal-native-agentic-workflows circuit"中，将 "circuit" 译为“回路”，保留 Zhuangzi 哲学中“循环往复”的理 (lǐ)，暗示工作流不仅是流程，更是闭合的能量或信息路径。
• 流 (Current)：本条目类型为 "current"，对应“流 (liú)"，指代生态系统中流动的个体信号，区别于静态的“流通 (Currency)"。
• 理 (Li)：在“确定性操作系统原生操作”中，强调遵循操作系统内在的“理”，即自然纹理，而非强加的提示工程逻辑。