认知推理引擎

⚠️ 存档-NLI转移到古巴记忆

该项目已不再开发。它的矛盾检测器是保持 它，这个想法现在存在 古巴回忆录 作为当地蕴涵法官 cuba_faro mode=verify.

那是 不 按原样移植有两个原因：

1. BART大MNLI只有英语。 cuba memorys提供的语料库有75%是西班牙语。 一个验证器在四个记忆中的三个记忆上无声地失败，比没有记忆更糟糕。 替代品是 mDeBERTa-v3-base-xnli --100种语言，同样的工作。
2. rust-bert插入libtorch：8.1 GB。 cuba memorys附带了一个13MB的二进制文件并运行 它已经链接的ONNX运行时上的模型。每次判决约50毫秒，离线，免费。

🧠 古巴思考

人工智能代理的高级认知推理引擎 --一种模型上下文协议（MCP）服务器，通过6级认知管道、9层抗幻觉、MCTS质量执行、带Veto Gate的8信号过程奖励模型（PRM）、偏见检测、元认知分析、持续思维会话、具有Kahn DP最长路径的思维图拓扑、模式崩溃检测、Softmax门控注意力奖励评分、CUSUM变化点检测、ONNX语义嵌入（fastembed）、NLI矛盾检测（rust-bert）、Flesch-Kincaid可读性评分和跨MCP记忆共生来增强AI推理。

3个工具。零云依赖。186次测试。9轮审计。16个魔法常数已正式验证。

古巴为什么思考？

人工智能代理以扁平、非结构化的序列进行思考。古巴思维给了他们：

• 6级认知引擎 --Bloom分类状态机：定义→ 研究→ 分析→ 假设→ 验证→ 合成
• 9层抗幻觉 --假设跟踪、置信度校准、CoVe结构与验证问题检测、证据积累、索赔接地（按索赔接近度）、EWMA阈值执行、矛盾检测、预热保护、反过度思考
• 6D质量指标 --清晰度（根TTR 40%+Flesch-Kincaid 30%+句子一致性30%）、深度（子句计数）、广度（名词多样性）、逻辑（连接密度）、相关性（TF-IDF余弦）、可操作性（命令式+特殊性）
• 过程奖励模型（PRM） --使用V9逻辑否决门进行8信号代码评估： Gate × (0.6×Verify + 0.4×Quality) 防止不可编译的代码得分过高
• 沙盒执行 --PyO3 0.28沙盒，具有基于AST的安全扫描、RLIMIT_AS 512MB内存上限、递归限制100、嵌套深度100、PEP 578审计挂钩、ReDoS保护、Z3空真值检测器。支持 数值Python, sympy，以及 SciPy
• MCTS强制回溯 --协议级拒绝(isError: true)当EWMA降至预算感知阈值以下，并设有对冲拒绝区时
• MCTS图 --竞技场分配PUCT+自适应UCT（基于方差的c_PUCT，相关性_lambda）——优于标准UCB1
• 思维图谱（GoT） --具有Kahn拓扑排序+DP的DAG拓扑用于正确的最长路径深度，Tarjan SCC循环检测O（V+E）用于循环推理
• 持续的思考环节 --交叉调用状态累积：EWMA、新颖性、图、置信度振荡、深度退化、根锚定、假设漂移
• 认识论倒退 --当MCTS拒绝一个想法时，会话状态的快照/回滚，防止幻觉前提毒害未来的推理
• 模式崩溃检测 --OrthogonalityGuard：Jaccard相似性+针对失败想法的语义嵌入相似性可检测被转述的被拒绝的想法
• 偏差检测 --5种认知偏差（锚定、确认、可用性、沉没成本、旅行车），有信心+可操作的建议
• 元认知分析 --填充率、内容词比（Coh-Metrix）、索赔密度、谬误检测、辩证推理检查
• 纠正指令 --3个严重级别（信息/警告/纠正），针对薄弱质量维度的规范性改进
• 舞台内容对齐 --验证思维内容是否与声明的认知阶段+逻辑有效性得分（推理/接收2024）相匹配
• 奖励一致性检查 --PRM↔EWMA发散检测（Z≈1.9，P（误报）≈2.9%）用于奖励游戏预防
• Softmax门控注意力 --通过τ=0.5的softmax实现动态EWMA权重，贝叶斯先验初始化（Fin-PRM启发，Zhou等人，2025）
• CUSUM变化点检测 --无滞后质量崩溃检测代替MACD（μ=0.70，k=0.05，h=0.15）
• 跨MCP内存共生 --桥到 古巴回忆录 带防重复保护
• EWMA奖励跟踪 --6信号复合材料，具有自适应α地板、阶段自适应重量分布、CUSUM崩溃预测、过程优势验证器（PAV）、停滞/疲劳检测
• 矛盾检测 -NLI零样本分类（rust-bet）+直接否定，30+反义词对，量词与句子上下文冲突
• 新颖性跟踪 --通过Jaccard距离+语义嵌入相似性（快速嵌入BGE小，384 dim）进行释义检测，每个思维步骤的Shannon信息增益
• 深度退化 --跟踪质量。每个想法的深度历史记录，检测到与基线相比下降>50%（KV缓存饱和代理）
• 代码感知指标 --当输入是代码还是自然语言时，质量、深度和指令会发生变化
• 反过度思考 --停滞检测、疲劳监测、模式崩溃保护、早期停止信号

快速开始

1.先决条件

• 锈蚀1.83+ & 货物
• Python 3.10+ （用于PRM沙盒执行）
• LibTorch --自动下载者 rust-bert 构建期间（~2GB，仅限CPU）

2.建造

git clone https://github.com/LeandroPG19/cuba-thinking.git
cd cuba-thinking/cuba_cognitive_engine
cargo build --release

注： 首次构建下载ONNX模型文件（fastembed约33MB）和libtorch（rust-bert约2GB）。后续版本将被缓存。

3.配置您的AI编辑器

添加到您的MCP配置中（例如。， mcp_config.json).你 必须 设置 LD_LIBRARY_PATH 转到构建工件内的libtorch目录：

{
  "mcpServers": {
    "cuba-thinking": {
      "command": "/path/to/cuba-thinking/cuba_cognitive_engine/target/release/cuba_cognitive_engine",
      "args": [],
      "env": {
        "LD_LIBRARY_PATH": "/path/to/cuba-thinking/cuba_cognitive_engine/target/release/build/torch-sys-<hash>/out/libtorch/libtorch/lib"
      }
    }
  }
}

要找到确切的路径：

find target/release/build -path '*/torch-sys-*/out/libtorch/libtorch/lib' -type d

或者，使用附带的包装器脚本：

{
  "mcpServers": {
    "cuba-thinking": {
      "command": "/path/to/cuba-thinking/run_mcp.sh",
      "args": []
    }
  }
}

零云API密钥。100%本地运行。模型在首次运行时自动下载。

三种工具

1. cuba_thinking --深度推理

核心认知引擎。通过完整的分析流程评估每个思考步骤。

所需参数：

可选参数：

输出包括： EWMA奖励百分比、信任评分、校准置信度、质量评分、矛盾警告、偏见警报、纠正指令、记忆指令、趋势指标、奖励一致性警告。

2. verify_code --过程奖励模型（PRM）

在沙盒环境中执行Python代码，并评估8个质量信号。

参数：

8个PRM信号：

V9 Veto门： Gate = (E1×0.7 + E4×0.3).max(0.05) --无论其他信号如何，不可编译的代码都会接近零分。

判决： 优秀（≥85%）、良好（≥65%）、可接受（≥45%）、不足（<45%）

3. analyze_reasoning --链分析

分析多步骤推理链的连贯性、矛盾性、新颖性衰减和基础质量。

参数：

六个认知阶段

基于布鲁姆修订的分类学（Anderson&Krathwohl，2001）：

DEFINE ──→ RESEARCH ──→ ANALYZE ──→ HYPOTHESIZE ──→ VERIFY ──→ SYNTHESIZE
  📋          🔍          🔬           💡             ✅          🎯

9层抗幻觉

零LLM电话。所有验证都在本地运行：

反过度思考（R10）： 检测停滞（3+类似的EWMA）、疲劳（3+连续下降）和模式崩溃（转述被拒绝的想法）。触发提前停车信号。

信任评分：

trust = quality×0.40 + evidence×0.20 + grounding×0.20 + calibrated×0.10 + ewma_ok×0.10

EWMA步骤奖励——Softmax门控注意力（V9）

通过softmax（τ=0.5）和CUSUM变化点检测进行动态加权的6信号复合：

EWMA_t = α · reward_t + (1 - α) · EWMA_{t-1}
α = max(2/(n+1), α_floor)    — budget-aware floor

Softmax Gated Attention (V9):
  w_i = prior_i × exp(|x_i - μ| / τ)  — signals deviating from mean get higher weight
  reward = Σ(normalize(w_i) × x_i)

CUSUM change-point detection (V9):
  S_t = max(0, S_{t-1} + (x_t - μ) - k)  — cumulative sum, k=0.05, h=0.15
  Change detected when S_t > h (lag-free, replaces MACD)

• 奖励历史记录：上限为20个入口（VecDeque环形缓冲区）
• 停滞检测：3个以上步骤，EWMA变化<2%
• 疲劳检测：连续3次质量下降
• CUSUM崩溃检测（V9）：无滞后质量下降跟踪
• 过程优势验证器（PAV）：衡量相对于基线的优势
• 奖励一致性（N3）：PRM↔EWMA散度>0.4→ 警告（Z≈1.9，P≈2.9%）

思维图谱（GoT）

跨推理链的DAG拓扑跟踪：

• 节点：每个思考步骤都成为一个节点
• 边缘：顺序和修订依赖关系
• 最长路径：Kahn拓扑排序+动态规划（收敛安全）
• 循环检测：Tarjan的SCC算法O（V+E）检测循环推理

MCTS图——PUCT+自适应UCT

竞技场分配的MCTS具有PUCT评分（优于标准UCB1）：

PUCT(s,a) = Q(s,a) + c_puct × P(s,a) × √(N_parent) / (1 + N_child)
c_puct adapts based on variance of child Q-values

持续的思考会议

会话在共享相同假设的多个MCP工具调用之间维护状态：

• EWMA积累：质量跟踪在通话中持续存在
• 新颖性跟踪：通话时词汇量会增加
• 思维图谱：DAG跨调用构建
• 趋势指标: ↗️ 改善，→ 稳定，↘️ 下降
• 假设漂移（G11）：与原始假设的语义距离
• 根部锚固：组合漂移检测（假设+初步想法）
• 置信度波动：快速检测交替置信度（5个读数中>3个符号变化）
• 深度退化：跟踪质量。深度历史，检测到与基线相比下降>50%
• 认识论倒退：当MCTS拒绝一个想法时进行快照/回滚
• 模式崩溃保护：存储被拒绝的想法，通过Jaccard检测释义>0.6
• 自动过期：TTL 600防止内存泄漏

沙盒安全

通过PyO3实现的多层Python沙盒：

舞台内容对齐（V8）

验证思维内容是否与其宣称的认知阶段相匹配：

• 6个关键字模式集：每个阶段都有双语（英语/西班牙语）
• 对齐得分：声明的阶段模式与检测到的阶段模式的比率
• 逻辑有效性得分：4个维度——前提参考（30%）、结论支持（30%），反向参考（20%），无逻辑缺口（20%）
• 警告：当对齐<0.5且检测到>2个图案时发生火灾

偏差检测

每个检测到的偏差都包括置信水平、解释和可操作的建议。

记忆共生

穿过MCP桥 古巴回忆录:

类似于皮质-海马巩固周期（McClelland等人，1995）。

预算模式

建筑学

cuba-thinking/
└── cuba_cognitive_engine/
    ├── Cargo.toml
    └── src/
        ├── main.rs                          # Entry point
        ├── server/
        │   ├── mcp_protocol.rs              # JSON-RPC 2.0, tool dispatch, progress streaming
        │   └── observability.rs             # Prometheus metrics, tool timing
        └── engine/
            ├── mod.rs                       # Module registry
            │
            ├── ── Cognitive Core ──
            ├── stage_engine.rs              # 6-stage state machine (Bloom's Taxonomy)
            ├── quality_metrics.rs           # 6D quality + Shannon entropy + LZ76 + Root-TTR
            ├── ewma_reward.rs               # Softmax Gated Attention + CUSUM + PAV
            ├── budget.rs                    # 4 budget modes with optimal stopping (Wald 1945)
            ├── anti_hallucination.rs         # 9-layer trust verification + Pareto L2 norm
            ├── bias_detector.rs             # 5 cognitive bias detectors (Kahneman & Tversky)
            ├── metacognition.rs             # Filler, CWR (Coh-Metrix), fallacies, dialectics
            ├── thought_graph.rs             # GoT DAG + Kahn DP + Tarjan SCC O(V+E)
            ├── memory_bridge.rs             # Cross-MCP memory symbiosis + anti-repetition
            ├── formatter.rs                 # Output formatting
            │
            ├── ── Semantics ──
            ├── semantic_similarity.rs       # ONNX embeddings (fastembed BGE-small, 384-dim) + TF-IDF fallback + LRU cache
            ├── contradiction_detector.rs    # NLI zero-shot (rust-bert) + negation, 30+ antonyms, quantifiers
            ├── novelty_tracker.rs           # Jaccard distance + semantic embedding similarity (paraphrase detection)
            ├── claim_grounding.rs           # ROSCOE faithfulness + specificity
            │
            ├── ── Deep Reasoning ──
            ├── thought_session.rs           # Persistent sessions + rollback + trends + drift
            ├── corrective_directives.rs     # 3-level prescriptive corrections (SEAL/FS-C)
            ├── stage_validator.rs           # Stage alignment + Logical Validity (ReasonEval 2024)
            │
            ├── ── Execution ──
            ├── micro_prm.rs                 # 8-signal PRM + Veto Gate (V9)
            ├── sandbox.rs                   # PyO3 sandbox + AST + RLIMIT + PEP 578
            ├── mcts_graph.rs                # PUCT + Adaptive UCT (arena-allocated)
            └── shared_utils.rs              # Centralized stopwords, UTF-8 truncation

依赖项

默认情况下为静音

功能仅在可操作时显示：

数学验证

通过单元测试和形式化分析验证的每个公式：

古巴生态系统的一部分

它们共同赋予了人工智能代理 记忆+推理+搜索+执行.

学术参考文献

许可证

CC BY NC 4.0 --免费使用和修改， 非商业用途.

作者

莱安德罗·佩雷斯G。

• github： @LeandroPG19
• 电子邮件： leandropatodo@gmail.com