企业官网建设流程全解析

ruflo-intelligence 智能面完整性（Surface Completeness）实践指南：29 个 MCP 工具、4 步学习流水线与跨项目 IPFS 模式迁移

【免费下载链接】ruflo🌊 The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo

ruflo-intelligence 是 Ruflo 自学习系统面向用户的统一入口，它将@claude-flow/cli底层暴露的 29 个智能相关 MCP 工具整理为可发现、可验证的技能、命令与标准流水线。本文以 ADR-0001（智能面完整性） 为骨架，完整讲解四族工具清单、RETRIEVE → JUDGE → DISTILL → CONSOLIDATE 四步流水线、基于 IPFS 的跨项目模式迁移、与 ruflo-agentdb 的命名空间协调，以及如何用脚本做离线冒烟校验。读完你既能操作完整的自学习回路，也能理解每个能力点背后的源码证据。

背景：从“包装”到“可验证的能力面”

在 ADR-0001 提出之前，ruflo-intelligence（v0.1.0）只是松散地“包装”了 intelligence 相关能力：六个文件（plugin.json、README.md、agents/intelligence-specialist.md、commands/intelligence.md、commands/neural.md、两个SKILL.md）中既没有工具盘点，也没有明确的调用清单，约一半由 CLI 实际暴露的智能面处于缺失或欠描述状态。

2026-05-04 对源码的直接核对（ADR-0001 中记录）给出了准确数字：插件文档化了约 29 个工具中的 14 个。具体缺口包括：

• hooks_intelligence_attention（注意力机制调度）完全没有提及；
• hooks_intelligence_learn（“从结果中学习”的闭环核心）缺失；
• hooks_intelligence-reset（清空智能状态，测试与干净重跑必需）缺失；
• hooks_metrics（指标看板，/intelligence命令应当调用）缺失；
• hooks_explain（路由决策解释，构建信任的关键）缺失；
• hooks_build-agents（从学习到的模式生成优化 agent 配置）缺失；
• hooks_transfer（基于 IPFS 的跨项目模式迁移，被评价为“最大的差异化能力”）完全不可见；
• ruvllm_microlora_create/ruvllm_microlora_adapt（MicroLoRA 适配）仅提及 SONA；
• neural_compress（神经模式压缩，存储效率）缺失。

同时，README 宣称的 “EWC++ consolidation” 只是一个无法调用的功能声明——实际语义存在于agentdb_consolidate与ruvllm_microlora_adapt --consolidate中；intelligence-specialist.md提到了 “SONA and MoE”，却从未说明hooks_intelligence的mode取值（balanced/sona/moe/hnsw）；CLAUDE.md 中描述的四步智能流水线从未以用户可见的形式呈现。

ADR-0001 的决策正是围绕“表面完整性”展开：不改动一行 CLI 源码，仅通过 6 项插件级变更，把既有工具完整暴露出来。同类漂移此前已在ruflo-ruvector（ADR-0001）与ruflo-agentdb（ADR-0001）中修复，本 ADR 沿用同一模式。

工具盘点：四族共 29 个 MCP 工具

插件 README 中 Tool inventory 一节给出了带源码行号的完整清单，这是“表面完整性”的第一个产物——每一个能力声明都有可核对的实现证据：

在源码中可以直接核对各工具的实际定义位置：

• 6 个neural_*工具定义于 neural-tools.ts：neural_train（L413）、neural_predict（L530）、neural_patterns（L631）、neural_compress（L927）、neural_status（L1042）、neural_optimize（L1112）；
• 19 个 hooks 家族工具定义于 hooks-tools.ts：hooks_route（L1108）、hooks_metrics（L1303）、hooks_explain（L1769）、hooks_pretrain（L1848）、hooks_build-agents（L2023）、hooks_transfer（L2094）、hooks_intelligence（L2584）、hooks_intelligence-reset（L2749）、hooks_intelligence_trajectory-start/step/end（L2819/L2888/L2963）、hooks_intelligence_pattern-store（L3243）、hooks_intelligence_pattern-search（L3321）、hooks_intelligence_stats（L3466）、hooks_intelligence_learn（L3891）、hooks_intelligence_attention（L3991）、hooks_model-route/outcome/stats（L4782/L4832/L4867），另有hooks_model-verify（L4901）与hooks_intelligence_unified-stats（L5286）；
• 4 个 SONA + MicroLoRA 工具定义于 ruvllm-tools.ts：ruvllm_sona_create（L159）、ruvllm_sona_adapt（L186）、ruvllm_microlora_create（L209）、ruvllm_microlora_adapt（L239）。

安装与兼容性

插件通过 Claude Code 插件市场安装：

/plugin marketplace add ruvnet/ruflo /plugin install ruflo-intelligence@ruflo

兼容性上，插件版本 0.3.0 固定依赖@claude-flow/cliv3.6（major+minor 对齐，与 ruflo-agentdb 保持同一节奏），验证契约即运行 smoke.sh。

四步智能流水线：RETRIEVE → JUDGE → DISTILL → CONSOLIDATE

CLAUDE.md 将 V3 智能回路描述为四个离散阶段，插件将其操作化为一张“阶段 → 工具”映射表（见 README 与 intelligence-specialist.md）：

端到端的一次运行如下（README 给出的参考序列）：

hooks_pretrain → hooks_intelligence_trajectory-start → (each step) hooks_intelligence_trajectory-step → hooks_intelligence_trajectory-end → hooks_intelligence_learn → ruvllm_sona_adapt # DISTILL → agentdb_consolidate # CONSOLIDATE → neural_compress # storage efficiency

对应到 neural-train/SKILL.md 的标准流程，即 DISTILL 阶段的 8 个步骤：查neural_status→ 开轨迹hooks_intelligence_trajectory-start→ 记录每一步 →trajectory-end带verdict: pass|fail|partial→hooks_intelligence_learn→neural_train --pattern-type coordination --epochs 10→hooks_intelligence_pattern-store→ 用neural_patterns验证。

CLI 替代方案同样可用：

npx @claude-flow/cli@latest neural train --pattern-type coordination --epochs 10 npx @claude-flow/cli@latest neural patterns --list npx @claude-flow/cli@latest neural status npx @claude-flow/cli@latest neural compress npx @claude-flow/cli@latest hooks pretrain --model-type moe --epochs 10 npx @claude-flow/cli@latest hooks build-agents --agent-types coder,tester

跨项目模式迁移：hooks_transfer 与 IPFS

hooks_transfer是本插件家族中最被低估的能力：它把学习到的模式发布到 IPFS（经 Pinata），让不同项目或不同机器可以拉取并应用。intelligence-transfer技能（SKILL.md）将其包装为三种工作流。

前置条件：必须配置PINATA_API_JWT（或等价端点环境变量），否则hooks_transfer返回结构化错误success: false, error: "PINATA_API_JWT not configured"。

发布当前项目的模式：

# 先检查本地已存内容 mcp tool call neural_patterns --json -- '{"list": true}' # 发布到 IPFS，返回 CID mcp tool call hooks_transfer --json -- '{"action": "store"}'

按 CID 拉取并应用对端模式：

mcp tool call hooks_transfer --json -- '{"action": "load", "cid": "QmXyz..."}' # 验证是否落地 mcp tool call hooks_intelligence_pattern-search --json -- '{"query": "<test>", "limit": 5}'

模式采用“合并”而非“替换”本地状态，冲突按时间近者优先解决。

镜像整个项目的模式：

mcp tool call hooks_transfer --json -- '{"action": "from-project", "source": "/path/to/peer-project"}'

适用场景包括：新项目启动前从父项目拉取先验知识、重大学习里程碑后发布共享、回归调试时拉取已知良好的模式集对照。需要注意：这是重量级操作，不应每日执行（本地等价物是agentdb_consolidate）；IPFS 默认公开，Pinata pinning 并不会让模式私有，发布前应先用aidefence_has_pii剥离 PII。此外，模式以 JSON 存储，仅含嵌入哈希与元数据而非原始文本，解码需要与产出端相同的 SONA / MicroLoRA 适配器版本；本技能不发布 AgentDB 行，只发布智能侧模式。

Hook 集成与命名空间协调

Hook 触发的智能侧写入

复数陷阱（Pluralization gotcha）：ReasoningBank 回退写入pattern（单数），pretrain钩子写入patterns（复数），它们是两个不同的命名空间。规范契约见 ruflo-agentdb ADR-0001 的 “Namespace convention” 一节。任务完成后的闭环调用（来自 intelligence-specialist.md）：

npx @claude-flow/cli@latest hooks post-task --task-id "TASK_ID" --success true --train-neural true

该调用触发agentdb_pattern-store（写入pattern，注册表不可用时回退 memory-store）并喂给 DISTILL 阶段。

三个保留命名空间

不要为智能用途发明新的顶层命名空间——约定由上游拥有。hooks_intelligence_pattern-*与agentdb_pattern-*按 ReasoningBank 路由而非命名空间字符串；命名空间字符串只适用于memory_*与embeddings_search。

EWC++ 合并与 MoE 路由

EWC++（弹性权重合并）的实际调用方式

• 轨迹结束时调用hooks_intelligence_learn登记结果；
• 周期性（或每 N 次任务完成后）调用agentdb_consolidate，在 EWC++ 语义下将模式折叠进长期存储；
• 对 SONA / MicroLoRA 适配器，调用ruvllm_microlora_adapt并带--consolidate标志，对适配器的权重增量应用弹性权重合并，防止新领域训练时的灾难性遗忘。

# MicroLoRA 适配器的 CONSOLIDATE 阶段 mcp tool call ruvllm_microlora_adapt --json -- '{"adapter": "frontend", "consolidate": true}' # 每约 10 次轨迹完成后执行完整合并 mcp tool call agentdb_consolidate --json mcp tool call neural_compress --json

省略这些调用，新鲜轨迹会无保护地覆盖旧模式——系统会“遗忘”。这也是流水线第 4 步内置合并的原因。经验阈值（来自 agent 文件）：每 ≥10 次任务完成执行一次agentdb_consolidate是合理起点。

MoE（混合专家）路由模式

hooks_intelligence接受mode参数选择学习架构（README 与 agent 文件一致）：

mcp tool call hooks_intelligence -- '{"mode": "moe", "enableSona": true}'

配置一次后，调度器将路由后续学习调用。SONA 适用于实时微适配（单领域，<0.05ms）：

mcp tool call ruvllm_sona_create --json -- '{"domain": "coding"}' mcp tool call ruvllm_sona_adapt --json -- '{"feedback": {"score": 0.9, "trajectory": "..."}}'

MicroLoRA 面向多领域（每领域一个适配器，避免过载 SONA）：

mcp tool call ruvllm_microlora_create --json -- '{"domain": "frontend"}' mcp tool call ruvllm_microlora_adapt --json -- '{"adapter": "frontend", "feedback": {...}}'

命令与技能的完整用法

/intelligence —— 仪表盘

1. hooks_intelligence_stats：模式计数、轨迹历史、SONA 学习状态；
2. hooks_metrics：指标看板（轨迹吞吐、学习周期延迟、模式增量）；
3. hooks_model-stats：三层模型路由分布（Tier 1 booster / Tier 2 Haiku / Tier 3 Sonnet/Opus）；
4. neural_status：神经模式 + SONA / MoE 状态；
5. （可选--why <task>）hooks_explain：获取路由决策依据。

汇总表中应呈现：模式计数与活跃轨迹（来自 stats）、层级分布百分比（来自 model-stats）、最近合并时间戳（来自 neural_status / stats）、近期指标增量（来自 metrics）、路由依据段落（仅--why时）。若模式过期，建议执行：

mcp tool call hooks_pretrain --json mcp tool call agentdb_consolidate --json

/neural —— 神经子系统

输出约定：train展示损失曲线摘要；predict展示预测 agent + 置信度；optimize/compress展示前后计数。

路由技能与三层模型路由

intelligence-route/SKILL.md 把任务路由组织为：hooks_route获取 agent 建议（返回{ recommended, confidence, reasoning }）→hooks_model-route选择 Haiku/Sonnet/Opus → 模式搜索 →neural_predict预测 → 以推荐层级启动 agent →（--why时）hooks_explain输出依据 → 任务完成后hooks_model-outcome训练路由器。

三层模型路由表：

hooks_route返回[CODEMOD_AVAILABLE]且意图确定时，调用hooks_codemod以 TS 编译器零成本应用变换；add-types、add-error-handling、async-await需要判断，路由到模型层（Tier 2/3，按 ADR-143），不是 $0 codemod。Agent Booster 是面向 LLM 产出编辑的快速应用合并引擎，不属于 Tier-1 路径。

结果登记（路由闭环，跳过即无学习）：

# 成功 mcp tool call hooks_model-outcome --json -- '{"taskId": "T123", "success": true, "model": "haiku"}' # 失败并附原因 mcp tool call hooks_model-outcome --json -- '{"taskId": "T123", "success": false, "model": "haiku", "reason": "complexity-misjudged"}'

CLI 替代：

npx @claude-flow/cli@latest hooks route --task "description" npx @claude-flow/cli@latest hooks pre-task --description "description" npx @claude-flow/cli@latest hooks explain --topic "routing decision"

引导与重置

无既有模式时的引导：

mcp tool call hooks_pretrain --json -- '{"modelType": "moe", "epochs": 10}' mcp tool call hooks_build-agents --json -- '{"agentTypes": "coder,tester"}'

hooks_pretrain写入patterns（复数）命名空间，与pattern（单数）ReasoningBank 目标不同。测试/基准场景下清空智能状态：

mcp tool call hooks_intelligence-reset --json

冒烟契约：把文档漂移挡在 CI 之外

ADR-0001 第 6 节定义了离线冒烟契约（smoke.sh，v0.3.1 版）：13 项结构检查 + 3 项文档不变量，全部为 grep 级检查，不做任何实时 MCP 调用：

bash plugins/ruflo-intelligence/scripts/smoke.sh # 期望输出："16 passed, 0 failed"（13 项契约检查 + 3 项文档不变量）

13 项契约检查覆盖：plugin.json 声明 0.3.1 且含microlora、ewc、attention、moe、pattern-transfer、model-routing关键词；README 具备全部新章节；6 个neural_*、10 个hooks_intelligence_*、6 个路由/元钩子、3 个hooks_model-*、4 个 SONA + MicroLoRA 工具全部在文档中被引用；四步流水线命名完整；intelligence-transfer技能存在且allowed-tools枚举并引用hooks_transfer；patternvspatterns复数陷阱被提及并指向 ruflo-agentdb；无技能授予通配符工具权限；ADR 存在且状态为Proposed；兼容性固定到 v3.6。

3 项文档不变量以单行 grep 实现：

grep -q "4-step intelligence pipeline" plugins/ruflo-intelligence/README.md grep -q "hooks_transfer" plugins/ruflo-intelligence/skills/intelligence-transfer/SKILL.md grep -qE "RETRIEVE.+JUDGE.+DISTILL.+CONSOLIDATE" plugins/ruflo-intelligence/README.md

影响与注意点

正面：每个文档化的能力声明都能映射到可验证的 MCP 工具，不再有 “EWC++ consolidation” 这类幻影功能；四步流水线以用户可见形式落地；IPFS 模式迁移变得可发现，不同项目的 agent 可以共享所学；与 ruflo-agentdb 的命名空间协调显式化，下游插件获得一致的叙事；冒烟契约让未来漂移可在 CI 中被捕获。

负面：三个下游 agent 可能仍调用旧的memory store --namespace routing-outcomes模式，更新它们是独立清理项；intelligence-transfer技能依赖hooks_transfer连接到可用的 IPFS 端点（Pinata 或等价物），端点未配置时技能返回结构化错误，文档已写明该前置条件；v0.1.0 → v0.3.0 是跨两个 minor 的跳跃，由范围（5 个新章节 + 新技能 + 冒烟 + ADR）支撑，但跟踪严格 semver 的消费者需留意。

中性：未引入任何新 MCP 工具，全部能力是对既有工具的暴露；agent 文件中写入自由格式routing-outcomes命名空间的 “Memory Learning” 部分被替换，该命名空间的消费者应迁移到类型等价的hooks_model-outcome。

关联参考

• ADR-0001 全文 — 本指南的权威骨架
• ruflo-ruvector ADR-0001 — 版本固定 + 冒烟即契约的先例
• ruflo-agentdb ADR-0001 — 命名空间约定、保留命名空间（pattern/claude-memories/default）、复数陷阱、hook 集成表
• ruflo-browser ADR-0001 — 使用 ruvector 轨迹钩子（本插件的主要学习输入）
• neural-tools.ts — 6 个神经工具定义
• hooks-tools.ts — 19 个 hooks 家族工具（intelligence、route、model、transfer、metrics、explain、pretrain、build-agents）
• ruvllm-tools.ts — 4 个 SONA + MicroLoRA 工具
• CLAUDE.md — V3 性能目标与四步流水线框架

【免费下载链接】ruflo🌊 The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo