🚀 Agentic-Flow v2

生产级 AI Agent 编排框架，内置 66 个自学习 Agent、213 个 MCP 工具及自主多 Agent 集群。

---

⚡ 快速入门（60 秒）

# 1. 初始化项目
npx agentic-flow init

# 2. 从代码库中引导智能体
npx agentic-flow hooks pretrain

# 3. 启动带有自学习钩子的 Claude Code
claude

大功告成！你的项目现在拥有：

• 🧠 自学习钩子 (Self-learning hooks)：随时间推移自动优化 Agent 路由。
• 🤖 80+ 专业 Agent（编码员、测试员、审核员、架构师等）。
• ⚡ 后台工作线程 (Background workers)：通过关键字（ultralearn, optimize, audit）触发。
• 📊 213 个 MCP 工具：用于集群协调。

常用命令

# 将任务路由至最优 Agent
npx agentic-flow hooks route "implement user authentication"

# 查看学习指标
npx agentic-flow hooks metrics

# 分发后台工作线程
npx agentic-flow workers dispatch "ultralearn how caching works"

# 为 Claude Code 启动 MCP 服务
npx agentic-flow mcp start

代码集成

import { AgenticFlow } from 'agentic-flow';

const flow = new AgenticFlow();
await flow.initialize();

// 将任务路由至最优 Agent
const result = await flow.route('Fix the login bug');
console.log(`Best agent: ${result.agent} (${result.confidence}% confidence)`);

---

🎉 v2 版本的新特性

SONA：自优化神经架构 (Self-Optimizing Neural Architecture) 🧠

Agentic-Flow v2 现已集成 SONA (@ruvector/sona)，实现亚毫秒级的自适应学习：

• 🎓 质量提升 55%：基于 LoRA 微调的研究配置。
• ⚡ 2048 tokens)
• 2048 tokens) const paperAnalysis = await wrapper.linearAttention( queryEmbedding, paperSectionEmbeddings, paperSectionEmbeddings );

// GNN 增强的引用网络搜索 const relatedPapers = await wrapper.gnnEnhancedSearch(paperEmbedding, { k: 20, graphContext: { nodes: allPaperEmbeddings, edges: citationLinks, edgeWeights: citationCounts, }, });

console.log(Found ${relatedPapers.results.length} related papers); console.log(Recall improved by ${relatedPapers.improvementPercent}%);

**优势：**
- 针对长文档实现 O(n) 复杂度。
- 引用发现准确度提升 12.4%。
- 基于图感知的文献搜索。
- 支持处理 10,000+ token 的论文。

#### 2. **多 Agent 研究协作**

```typescript
// 创建分层研究集群
const researchCoordinator = new AttentionCoordinator(
  wrapper.getAttentionService()
);

// Queens (PI)：首席研究员
const piOutputs = [
  { agentId: 'pi-1', output: 'Hypothesis A', embedding: [...] },
  { agentId: 'pi-2', output: 'Hypothesis B', embedding: [...] },
];

// Workers (RA)：研究助理
const raOutputs = [
  { agentId: 'ra-1', output: 'Finding 1', embedding: [...] },
  { agentId: 'ra-2', output: 'Finding 2', embedding: [...] },
  { agentId: 'ra-3', output: 'Finding 3', embedding: [...] },
];

// 使用双曲注意力进行分层协作
const consensus = await researchCoordinator.hierarchicalCoordination(
  piOutputs,
  raOutputs,
  -1.0 // 双曲曲率
);

console.log(`Research consensus: ${consensus.consensus}`);
console.log(`Top contributors: ${consensus.topAgents.map(a => a.agentId)}`);

优势：

• 模拟分层研究结构。
• Queens (PI) 拥有更高影响力。
• 比简单的投票机制达成更好的共识。
• 利用双曲注意力处理专业等级。

3. 实验数据分析

// 使用基于注意力的多 Agent 分析
const dataAnalysisAgents = [
  { agentId: 'statistician', output: 'p 80% success)
});

// 应用过往成功经验
similarTasks.forEach(pattern => {
  console.log(`Past solution: ${pattern.task}`);
  console.log(`Success rate: ${pattern.reward}`);
  console.log(`Key learnings: ${pattern.critique}`);
});

// 规避过往错误
const failures = await reasoningBank.searchPatterns({
  task: 'Implement user authentication',
  onlyFailures: true // 从失败中学习
});

2️⃣ 任务执行期间：增强上下文检索

// 使用 GNN 提升 12.4% 的上下文准确度
const relevantContext = await agentDB.gnnEnhancedSearch(
  taskEmbedding,
  {
    k: 10,
    graphContext: buildCodeGraph(), // 将相关代码构建为图
    gnnLayers: 3
  }
);

console.log(`Context accuracy improved by ${relevantContext.improvementPercent}%`);

// 大上下文处理速度提升 2.49 倍至 7.47 倍
const result = await agentDB.flashAttention(Q, K, V);
console.log(`Processed in ${result.executionTimeMs}ms`);

3️⃣ 任务执行完成后：存储学习模式

// Agent 自动执行学习循环