WorldBrain — Auditierbarer Reasoning-MCP-Dienst

Das transparente Entscheidungs-Gehirn, das alle verkörperten Geräte antreibt. Verpackt „Weltgraph → A*-auditierbares Reasoning → physische Trägerausführung → Lern-Feedback" als standardisierten MCP (Model Context Protocol) stdio-Dienst, sodass jede KI-Agentur durch Kopieren der Konfiguration Anschluss findet.

Null-Abhängigkeiten · Null-Server · kostenlos für KI-Agenten verteilt. Nur Node.js-Built-in-Module, der Kern ist mit 世界大脑.html eine einzige Quelle der Wahrheit.

Null, Installation (passiver Akquise-Einstieg)

npm install -g worldbrain-mcp      # 全局安装，自带 bin
npx worldbrain-mcp --selftest      # 免安装验证

• Quellcode / Issues: https://github.com/genesis-plan/worldbrain-mcp

• Jeder MCP-fähige Client (Claude Desktop / Cursor / Cline usw.) kann durch Kopieren der folgenden Konfiguration Anschluss finden — keine Webseite öffnen, kein Server nötig.

Related MCP server: gbrain

Eins, Was es ist

WorldBrain stellt externen Agenten eine „auditierbare Reasoning"-Fähigkeit bereit:

Deterministisch, keine Halluzinationen: Reasoning/Audit/Lernen laufen vollständig im lokalen Kern, ohne LLM. Das kostenlose LLM (OpenRouter :free) dient nur der „natürliche Sprache → strukturierter Zustand"-Wahrnehmung der Webversion (siehe 世界大脑.html); die MCP-Ebene ist von keiner externen API abhängig.

Zwei, Dateiliste

Bei der Bereitstellung müssen worldbrain-mcp.js und 世界大脑.html im selben Verzeichnis liegen (oder die Umgebungsvariable WORLDBRAIN_HTML auf die HTML-Datei zeigen).

Drei, Schnellanschluss (3 Client-Typen)

1. Claude Desktop

claude_desktop_config.json bearbeiten:

{
  "mcpServers": {
    "worldbrain": {
      "command": "node",
      "args": ["C:/你的路径/世界大脑/work/worldbrain-mcp.js"]
    }
  }
}

2. Cursor / Cline / jeder MCP-fähige Client

In die MCP-Konfiguration einfügen:

{
  "mcpServers": {
    "worldbrain": {
      "command": "node",
      "args": ["/abs/path/to/worldbrain-mcp.js"]
    }
  }
}

3. Kommandozeilen-Selbsttest (Server-Start verifizieren)

node worldbrain-mcp.js --selftest
# 输出：SELFTEST OK — 全部 N 项工具验证通过

Vier, Tool-Schnittstellen (Aufruf durch externe Agenten)

world_info() → aktuelle Weltgraph-Struktur

{ "nodes": ["CHARGE","A","B","C"], "edgeCount": 10, "edges": [...] }

set_world({nodes, edges, coord?}) → eigene Szene importieren

{
  "nodes": ["S","A","B","T"],
  "edges": [{"from":"S","to":"A","w":2},{"from":"A","to":"T","w":3}],
  "coord": {"S":[0,0],"A":[3,0],"T":[6,0]}
}

→ { "ok": true, "nodes": ["S","A","B","T"], "edgeCount": 2 }

reason({start?, goal, hard?, soft?}) → auditierbarer optimaler Pfad

{ "start": "CHARGE", "goal": "C", "hard": ["A"], "soft": ["B"] }

→ { "status":"optimal", "path":["CHARGE","B","C"], "cost":6, "steps":[...], "note":"..." }

Bei Unentscheidbarkeit ehrliche Rückgabe:

{ "status":"unknown", "U": true, "reason":["目标不在世界图"] }

carrier_report({battery?, goal, density?}) → physische Träger-Constraints

{ "battery": 100, "goal": "A", "density": {"A":8,"B":3,"C":5} }

→ { "battery":100, "hard":[], "soft":["B"], "note":"电量充足" }

Bei Akkustand <20: hard:["A","B","C"] (Verlassen der Ladestation verboten).

audit({start?, goal, hard?, soft?}) → Fünf-Abschnitts-Auditbericht

{ "summary": {...}, "details": [...], "evidence": [...], "constraints": [...], "unknown": [], "status": "valid" }

learn({path, success}) → Lernschleife

{ "path": ["CHARGE","A","C"], "success": true }

→ { "updated":[{"transition":"CHARGE→A","confidence":0.6}], "knowledgeBaseSize": 5 }

knowledge_query({from?, to?}) / knowledge_add({from, to, success?, confidence?, source?})

Erfahrungsdatenbank abfragen/erweitern.

Fünf, Minimales Aufrufbeispiel (Agenten-Perspektive)

1. 调用 world_info()            → 了解当前场景有哪些节点
2. 调用 set_world(我的场景)      → （可选）换成你自己的物理载体/任务图
3. 调用 carrier_report(电量,目标,密度) → 载体上报，拿到硬/软约束
4. 调用 reason(起点,目标,硬,软)   → 得到可审计最优路径
5. 载体按 path 执行
6. 调用 learn(执行路径, 成功?)   → 置信度更新，越用越准

Sechs, Ehrliche Grenzen (nach Produktmaßstab, keine Erfindungen)

Deterministisch implementiert: Reasoning (A*+Constraints), Audit (Fünf-Abschnitts-Begründungskette), Wissensdatenbank (Erfahrung+Konfidenz), Lernen (Ein-Schritt-Feedback), physischer Trägeranschluss, MCP-Anschluss.

In der Dokumentation gefordert, aber derzeit nicht implementiert (im Code als TODO-Stubs, keine Worthülsen, die Implementierung vortäuschen):

• Wahrnehmungs-Banach-Fixpunkt-Belief-Konvergenz (Layer1)

• PAC-Lern-Stichprobenkomplexitätsschranken / Wissensdestillation (Layer2/6)

• do-Kalkül-Kausalitätsentdeckung (Layer5)

• Weltmodell / kontrafaktisches Reasoning (Layer2-Erweiterung)

• Hoare-Logik-formale Verifikation (Layer7-Upgrade)

• LSH / Vektor-Ähnlichkeitssuche (Layer3, derzeit exakter Array-Abgleich)

Im Rahmen mathematischer Genauigkeit beweisbar: Bei endlichem Weltgraph + zulässiger euklidischer Heuristik ist A* vollständig und optimal (findet den optimalen Pfad oder markiert ehrlich 𝕌).

Sieben, Lizenz und Verteilung

Kostenlos, Open Source, für KI-Agenten verteilt. Geeignet für Softwarerechte-/Patentmaterialien und passive Akquise-Szenarien.