OpenCode × RecursiveMAS — logica ufficiale, zero dipendenze

Tutta la logica di RecursiveMAS (MIT) replicata come procedura nativa OpenCode: nessun server, nessun MCP, nessuno script, nessuna GPU. Ogni regola cita il file ufficiale da cui deriva.

Stato verificato: config globale minima, agent 9 sezioni (11 citazioni), comando /recursive, repo allineata al locale.

Indice

1. Preview

2. Architettura

3. Struttura repo

4. Installazione

5. Agent recursive — le 9 sezioni

6. Comando /recursive

7. Flusso logico

8. Schema operativo

9. Fonti ufficiali e vendor

10. Cosa NON è incluso (e perché)

11. Extra opzionali

Related MCP server: advanced-reason-mcp

1. Preview

2. Architettura

tu scrivi in OpenCode (qualsiasi progetto)
  └─▶ instructions globali (routing, 1 riga per regola)
        └─▶ agent recursive (primary, temp 0.6 ufficiale)
              ├─▶ §1 routing code/choice/math  (infer_hie_task, infer_distill_task)
              ├─▶ §2 sequential + feedback     (prompts.py planner/refiner/solver)
              ├─▶ §3 mixture + summarizer      (prompts.py hie)
              ├─▶ §4 distillation learner      (prompts.py distill)
              ├─▶ §5 deliberation reflector    (reflector_tool_notes.py, TOOL_RE)
              ├─▶ §6 passaggi = slot ufficiali (FEEDBACK/REFINED/DISTILL/HIE slots)
              ├─▶ §7 log esiti result_jsonl    (run.py) in memory/recursive-results.jsonl
              ├─▶ §8 temperature 0.6 / 0.2     (run.py, MBPPPLUS_TEMPERATURE)
              └─▶ §9 judge {"true_false"}      (llm_judge.py)

3. Struttura repo

agent/recursive.md              # agent globale: 9 sezioni, ogni regola citata
command/recursive.md            # /recursive: forza il protocollo
opencode.example.json           # config minima: $schema + instructions
memory/recursive-results.jsonl  # log esiti (schema result_jsonl ufficiale)
docs/                           # guide (guida completa, token-saver, installazione, CPU roles)
recursivemas/                   # sorgenti extra archiviati + vendor/ (file ufficiali MIT)
scripts/                        # start server, setup CPU roles, Modelfile

4. Installazione

mkdir -p ~/.config/opencode/agent ~/.config/opencode/command
cp agent/recursive.md ~/.config/opencode/agent/
cp command/recursive.md ~/.config/opencode/command/
# unisci "instructions" da opencode.example.json nel tuo ~/.config/opencode/opencode.jsonc

Verifica: apri opencode in un progetto qualsiasi, chiedi codice + math e controlla che segua planner → refiner → solver con \boxed{}.

5. Agent recursive — le 9 sezioni

• §1 Routing — task code/choice/math come infer_hie_task/infer_distill_task; dataset ufficiali (math500, medqa, gpqa, mbppplus, aime25/26, livecodebench, bamboogle, hotpotqa); search-QA → deliberation.

• §2 Sequential — wording originale planner/refiner/solver (code 3-6 step "Do not write code"; math "Give a plan"); solver 1 blocco codice o \boxed{}; feedback-slot; round da tabella release (3 default, 2 su task veloci).

• §3 Mixture — esperti testuali + summarizer ufficiale ("You may reference the three expert information").

• §4 Distillation — learner ufficiale ("Use the expert plan as guidance, but prioritize the task constraints"), judge a chiudere il loop.

• §5 Deliberation — reflector ufficiale (think in mind, tag search/python/result, \boxed{} latex), tool eseguiti con quelli OpenCode.

• §6 Passaggi inter-round — solo ciò che gli slot ufficiali trasportano (Initial/Refined Plan, feedback, result). Nient'altro.

• §7 Log esiti — schema result_jsonl di run.py (question/gold/pred/raw_output + verdetto); rilettura ultime 20 su task duri.

• §8 Temperature — 0.6 default, 0.2 code con test nascosti.

• §9 Judge — JSON {"true_false": bool} (llm_judge.py); false → 1 riparazione, max 2 giudizi.

6. Comando /recursive

Forza il protocollo sulla richiesta $ARGUMENTS con lo stesso routing e le stesse chiusure dell'agent. Nessun tool esterno.

7. Flusso logico

richiesta → routing (§1) → famiglia (§2/3/4/5)
  → round con feedback via slot (§6, conteggi §2)
  → judge (§9) → false? 1 riparazione : fine
  → append log (§7)

8. Schema operativo

1. Installi una volta (vedi §4) → vale per OGNI progetto.

2. Programmi normale: il protocollo scatta da solo.

3. /recursive ... solo per forzarlo.

4. Niente da accendere, niente da aggiornare: è testo in config.

9. Fonti ufficiali e vendor

recursivemas/vendor/ contiene (MIT, (c) 2026 RecursiveMAS, vedi ATTRIBUTION.txt): official_prompts.py, official_mas_prompt.py, off_notes.py (reflector), off_judge.py (llm_judge). Studiati anche inference_mas*.py (6985 righe), load_from_repo.py (STYLE_SPECS), run.py (dataset, temperature, result_jsonl).

10. Cosa NON è incluso (e perché)

Non è logica replicabile ma calcolo fisico o attività separata:

• Esecuzione latente (modeling.py RecursiveLink, adapter .pt, pesi) → richiede GPU/VRAM.

• Training (train/) → richiede cluster per gradienti.

• Eval harness eseguito → richiede i pesi; la sua logica (routing, temperature, result_jsonl, judge) È inclusa sopra.

11. Extra opzionali

In extras/ (richiedono dipendenze, non servono all'uso nativo): wrapper FastAPI OpenAI-compatible, router CLI, pipeline ruoli CPU via Ollama (testata), MCP server, setup Colab T4, code pipeline, check-gpu. Dettagli in docs/.