mythinknode

一个从 Claude Code 源码精简重构而来的极简 AI 编码 Agent。单进程、统一循环、信号式多 Agent 集群，加上一个跨会话的树状经验知识图（NodeMind）。

~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

为什么会有这个项目

Claude Code 是 50 万行的庞然大物：遥测、成本追踪、企业级云功能、多产品线耦合。这个项目把它剥到只剩骨架，证明一件事——一个能用的编码 Agent 不需要那么复杂。

重构过程中没有删到"能跑"就停，而是在三条主线上做了独立的、可复用的创新。下面按价值排序。

核心创新

1. NodeMind —— 体系知识管理（原生 AI 搜索 + 逻辑树保持）

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。

2. 统一 Agent 循环 —— 一份代码驱动主 Agent 和子 Agent

主 Agent 和子 Agent 在 Claude Code 里是两套不同的循环。这里合并成一份 agentLoop()（src/query_loop.ts，~220 行）。

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。

3. 信号式多 Agent 集群 —— 不污染上下文窗口

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。

4. Delta 上下文压缩 —— 只记录模型无法自己推导的东西

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"。

5. CJK 双宽感知的终端渲染 —— 治本，不是打补丁

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：

1. 单通道 stdout：所有输出走 stdout，不用 stderr，杜绝两路交错。
2. 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）。
3. 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。

6. LLM 网络可靠性 —— 生产级重试策略

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。

7. InferMem —— 跨书知识 DAG（把 markdown 编译成图）

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/。

8. TraitGraph —— 会话级「思维-执行」轨迹图

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。

架构

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。

快速开始

# 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

配置

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。

命令

| 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 |

开发

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

License

MIT