cognithor (Alex8791 Cyber)

MCPAI代理

提供方 Alex8791-cyber

AI代理 未标注 API Key 社区 / 第三方 ClaudeCursorVS Code

Cognithor是一个本地优先的自主代理操作系统,用于AI实验和个人自动化,支持19个LLM提供商和17个通信通道,适用于隐私优先的自动化任务。

一句话选型结论

按资料字段整理

cognithor (Alex8791 Cyber) 属于AI代理类 MCP 服务器,传输方式未标注,API Key,可直接接入 Claude、Cursor、VS Code,没有现成安装命令,需按官方文档接入。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式未标注 鉴权API Key 部署方式未标注
GitHub 星标 136 仓库热度,无公开仓库时显示未标注
工具数 75 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量75暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

自主代理Python本地部署本地AI多模态处理隐私保护自动化工作流AI代理

安装与配置

未标注 API Key
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 75 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 75 个工具,覆盖面较广,能满足多种调用。
  • 已适配 Claude、Cursor、VS Code,换客户端不用重新研究配置。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 使用前要准备好API Key对应的凭据,并按最小权限配置。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 已经在用 Claude、Cursor 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
cognithor (Alex8791 Cyber)当前 75 未标注 未标注 无 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Alex8791-cyber上游标注的维护方 Alex8791-cyber
分类AI代理本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式API Key远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型未标注上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

104.1 KB
来自项目仓库与上游目录的原文,未做删改

Cognithor · Agent OS

A local-first, autonomous agent operating system for AI experimentation and personal automation.

Cognition + Thor — Intelligence with Power

cognithor.ai ·
Agent Packs ·
Docs ·
Blog

19 LLM Providers · 17 Channels · 6-Tier Memory · 4-Channel Search · Knowledge Vault · Security · Apache 2.0

> v1.0之前的测试版 --Cognithor正在积极开发中。API可能会在不同版本之间发生变化。不建议用于面向客户的生产部署。欢迎通过以下方式提交错误报告和反馈 问题.
>
> 虽然测试套件很广泛(17000多个测试功能,89%的覆盖率门),但该项目尚未在生产环境中进行实战测试。预计会有粗糙的边缘、版本之间的突破性变化,以及系统提示和错误消息中的一些德语字符串。看 状态和成熟度 了解详情。对于非技术用户,请等到1.0.0版本才能获得稳定的长期支持。

Weekly Recap: Rank #1 | $1,644 spent vibe-engineering

> Vibe工程,而不是Vibe编码。 Cognithor不是一个由人工智能生成的意大利面条组成的周末黑客。每个模块都遵循一个深思熟虑的架构(PGE Trinity、6阶段网关初始化、3层安全、TRUST-1..10操作信任栈),由17000多个测试功能、结构化计划、规范合规性审查和代码质量门支持。人工智能编写代码,但人类设计系统。这是有区别的。


为什么是Cognithor?

大多数人工智能助手将您的数据发送到云端。Cognithor完全在您的机器上运行-使用Ollama或LM Studio,不需要API密钥。云提供商是可选的,不是强制性的。

它用一个集成系统取代了拼凑的工具:17个通道,30个模块中的141个MCP工具,具有4个通道混合搜索的6层内存,知识库,语音,浏览器自动化,计算机使用,跨平台社交倾听,签名审计收据(TRUST-1..10),可恢复的批处理工作流(CRWE),TUF Light签名包注册表等,所有这些都从第一天起就连接在一起。测试套件非常广泛(17000多个测试功能,89%的覆盖率门)。看 状态和成熟度 这能保证什么,不能保证什么。

简单地说: Cognithor是一个完全依赖计算机的人工智能助手。你可以通过你的终端、网络用户界面、电报、Discord或18个支持的频道中的任何一个与它交谈,它会回复,记住你上周说的话,并代表你行事。它可以搜索网络、编写和编辑文件、运行shell命令、控制浏览器、自动化桌面(点击、打字、阅读窗口)、管理日历,并随着时间的推移学习新技能。把它想象成一个本地的、私人的、自我完善的贾维斯。

与基于云的助手不同,Cognithor将您的所有数据保存在您的机器上。除非您明确配置了云LLM提供商,否则您的对话、记忆、文档和凭据永远不会离开您的硬件。它与Ollama或LM Studio完全脱机工作,并使用SQLCipher(AES-256)加密所有静止的内容。如果隐私对你很重要——而且应该如此——这就是你想要的架构。

与其他本地AI工具不同的是,Cognithor不仅仅是一个聊天机器人。它是一个代理操作系统:它计划多步骤任务,评估自己的结果,从错误中学习,并自主改进。它可以通过计算机使用(屏幕截图、点击、按键、窗口自动化)控制您的桌面,在ARC-AGI-3推理基准中竞争,并管理社区贡献的技能市场。它是为了和你一起成长而建造的。


状态和成熟度

Cognithor是测试版/实验版软件。 它正处于快速、积极的发展之中。

特性 状态
核心代理循环(PGE) 稳定——经过充分测试,功能齐全
存储器系统 稳定——6层架构工作可靠
CLI通道 稳定——主要开发接口
Flutter指挥中心 Beta——科幻美学、跨平台、GEPA管道可视化、机器人办公室寻路、20+配置页面、聊天、语音、学习仪表板
消息传递渠道 (Telegram、Discord等) Beta——基本流程工作,边缘情况可能会中断
语音模式/TTS Alpha——实验性,依赖硬件
浏览器自动化 稳定——基于剧作家,验证码解决,隐身模式
计算机使用 稳定——6个阶段(视觉、代理循环、规划智能、安全性、鲁棒性、UI自动化)
ARC-AGI-3基准测试 Beta版-解决了13/25个游戏(24个级别),包括SmartExplorer在内的4个求解器系列
技能市场 稳定——GitHub注册表,5检查验证,发布者验证
Windows用户界面自动化 Beta--pywinauto UIA用于精确元素坐标
部署(Docker、裸机) Beta版——在有限配置上测试
SSH远程执行 Beta——针对Docker容器进行测试,基于密钥的身份验证
进化引擎 稳定——所有6个阶段均已完成,自主深度学习具有高质量的自我检查,符合GDPR标准
自主任务框架 Beta——任务分解、自我评估、重复调度
后台流程经理 Beta版——6个MCP工具、5种方法ProcessMonitor、SQLite持久化
多代理系统 Beta——5种具有型号/温度/top_p超控功能的专用代理
审计与合规 Beta版——HMAC+Ed25519签名,RFC 3161 TSA,GDPR第15/33条,WORM就绪,哈希链 prev_hash 基于标准NFC-JSON,专用 AuditCategory.REFLECTION 自主学习通道(Compliance Spring v0.98.0)
弹性工作流引擎(CRWE) 稳定-- cognithor task 具有JSONL流、原子检查点、文件锁、任务之间的SIGINT/SIGTERM紧急检查点、清单篡改检测 --resume审计链整合。在SIGKILL(v0.99.0)下,崩溃恢复集成测试在Windows上通过。
包注册表签名 Beta——TUF Light Ed25519(离线根+在线目标)+SHA-256验证器;默认情况下,市场处于休眠状态,直到所有者铸造根密钥对
视频合成和渲染 Beta-- cognithor.video 可插拔包装 RendererABC;默认HyperFrames后端(Apache-2.0);5个MCP工具(video_compose 绿色, video_render Gatekeeper的橙色、原始HTML红色);通过以下方式将收据链接到TRUST-1 run_id;作曲家提示+技能模板随附 cognithor.video.skills
企业特性 (GDPR、A2A、治理) 稳定——GDPR 100%用户权限、同意管理、SQLCipher加密、审计跟踪
静态加密 稳定——SQLCipher(AES-256)适用于所有数据库,Fernet适用于文件,操作系统密钥管理
跨平台社交倾听 Beta版——Reddit+黑客新闻+Discord扫描,LLM评分线索,统一MCP工具
分层文档推理 Beta——基于树的PDF/DOCX/HTML/Markdown检索,LLM导航部分选择
CAG层(缓存增强生成) Beta——LLM KV缓存重用的确定性前缀生成,前缀+本机构建器
CLI配置TUI 稳定——交互式终端配置编辑器(rich+prompt_toolkit),模型发现
基于AST的安全 稳定——Python AST+bashlex shell分析取代了基于正则表达式的保护
OSINT/HIM模块 Beta——具有信任评分的个人/项目/组织调查
观察者审计层 稳定——在4个维度(幻觉、谄媚、懒惰、工具无知)上进行反应后LLM质量检查;触发再生或完全PGE再循环;无法打开

测试套件包括哪些内容: 所有模块的单元测试、集成测试、基于属性的测试(假设)、审计完整性烧入(夜间CI)、真实场景测试和Ollama实时测试。17000多个测试函数在受控环境中验证代码的正确性。

测试套件未涵盖的内容: 真实世界的部署场景、网络边缘情况、长时间运行的稳定性、多用户负载、特定于硬件的语音/GPU问题或实际的LLM响应质量。

用户注意事项:

  • 该项目由一位独立开发人员在人工智能的帮助下开发。代码是人工审查的,但速度很快。
  • 次要版本之间可能会发生重大更改。如果稳定性很重要,请固定您的版本。
  • 默认语言为 德语,可切换到 英语 通过Flutter指挥中心或 config.yaml。参见 语言与国际化.
  • 对于生产使用,强烈建议在您的特定环境中进行彻底测试。
  • 欢迎提交Bug报告和贡献——请参阅 问题.

> 认知者 是一个完全本地的、由Ollama/LM Studio驱动的自主代理操作系统,充当您的个人人工智能助理。所有数据都保留在您的机器上-没有云,没有强制性的API密钥,完全符合GDPR。它支持从研究、项目管理和知识组织到文件管理和自动化工作流程的任务。可选的云LLM提供商(OpenAI、Anthropic、Gemini和12个以上)可以使用单个API密钥启用。用户可以添加自定义技能和规则,以根据自己的需求定制代理。

目录

  • 为什么是Cognithor?
  • 状态和成熟度
  • 亮点
  • 建筑
  • 大语言模型提供商
  • 频道
  • 快速开始 (不到5分钟)
  • 配置
  • 安全
  • 运营信托(Trust-1..10)
  • MCP工具
  • 测试
  • 部署
  • 语言与国际化
  • 许可证
  • 最新动态

亮点

  • 19名法学硕士提供者 --Ollama(本地)、LM Studio(本地)和vLLM(本地),llama cpp-python(本地);OpenAI、Anthropic、Google Gemini、Groq、DeepSeek、Mistral、Together AI、OpenRouter、xAI(Grok)、Cerebras、GitHub Models、AWS Bedrock、Hugging Face、Moonshot/Kimi、Claude Code——以及任何自定义的OpenAI兼容端点
  • 17个沟通渠道 -CLI、Web UI、REST API、Telegram、Discord、Slack、WhatsApp、Signal、iMessage、Microsoft Teams、Matrix、Google Chat、Mattermost、飞书/Lark、IRC、Twitch、语音(STT/TTS)
  • 六层认知记忆 --核心身份、情景日志、语义知识图、程序技能、工作记忆、战术记忆
  • 4通道混合搜索 --BM25全文+向量嵌入+知识图遍历+基于分数融合的层次化文档推理
  • PGE架构 --计划器(LLM)->网守(确定性策略引擎)->执行器(沙盒)
  • 乘员层(v0.93.0) -高级多代理API(from cognithor import Crew, CrewAgent, CrewTask)在PGE三一之上。异步启动,并行扇出,幂等重放,护栏,5个模板(研究,客户支持,数据分析师,内容,versicherungs-vergleich)。
  • 8页快速入门 — docs/quickstart/ --从 pip install 在10分钟内为您的第一批船员提供双语(德语初级+英语)。包括第一组人员、第一工具、第一技能、护栏和PKV报告的可运行示例。
  • 安全 --平台自适应沙盒(Linux上的bubblewrap、子进程+超时回退)、基于AST的Python/Shell代码分析(Python ast.NodeVisitor + bashlex 解析器)、SHA-256审计链、凭证库、运行时令牌加密(Fernet AES-256)、具有绿色/黄色/橙色/红色风险分类的网守策略引擎(未独立审计——请参阅 状态和成熟度)
  • 知识库 --黑曜石兼容的Markdown库,带有YAML frontmatter、标签、, [[backlinks]],全文搜索
  • 文件分析 --基于LLM的PDF/DOCX/HTML结构化分析(摘要、风险、行动项、决策)
  • 视频输入 --附加本地视频(.mp4 / .webm / .mov / .mkv / .avi)或粘贴直接视频URL;Qwen3.6-27B(或任何支持视频的VLM)通过vLLM的原生端到端分析它们 video_url 内容类型。自适应帧采样(对于短剪辑,fps=3, num_frames=32 长期)via ffprobe每回合一个视频,由127.0.0.1的HTTP文件服务器提供,24小时自动清理。需要vLLM后端——Windows安装程序捆绑LGPL ffmpeg。看 docs/vllm-user-guide.md.
  • VLM路由器 --三层配置文件系统(fast / balanced / premium)用于视频和图像理解。启发式分类器检查用户的提示和剪辑元数据,选择正确的VLM(Qwen3-VL-8B-Instruct→ Qwen3-VL-8B-思考→ Qwen3.6-27B-NVFP4),通过TRUST-2公开路由决策(rule_id + matched_pattern)因此,收据审阅者可以重播选择特定模型的原因。通过以下方式覆盖 with router.quality_scope("premium"): 或 config.vllm.quality_default.ContextVar已隔离以确保异步安全。看 src/cognithor/core/vlm_router.py.
  • 视频合成和渲染 --Cognithor不仅 读 视频,它可以 制造 他们。这 cognithor.video 包裹发货很薄 RendererABC 抽象与 超帧(Apache-2.0) 作为默认后端;未来的渲染器(远程、云)可以在不接触MCP工具层的情况下进行交换。五个MCP工具涵盖了工作流程: video_compose (GREEN——纯函数,从结构化规范构建自包含的HTML组合,没有子流程,没有FS编写), video_compose_explainer (16:9标题卡+正文+CTA预设), video_compose_social_cut (垂直9:16钩+快切拍+外伸), video_caption_overlay (平行字幕轨道),以及 video_render (橙色-将合成HTML渲染为MP4/MOV/WEB ~/.cognithor/render//).用户提供的原始HTML是 红 在Gatekeeper中,只有结构化规范才能到达渲染器。渲染输出通过相同的链接链接到代理运行 run_id 流式EventEmitter和TRUST-1接收API使用,因此每个帧都是端到端可验证的属性。编辑器提示+可重用模板 cognithor.video.skills (HF-5)。VLM视频读取可以直接驱动构图——见VLM-4烟雾 tests/test_video/.
  • 模型上下文协议(MCP) --30个模块(文件系统、shell、内存、web、浏览器、媒体、保险库、合成、代码、技能、文档、社交、看板、身份、进化、计算机使用、sevDesk、A2A等)中的141个工具——自动生成的计数 docs/integrations/catalog.json 每次发布
  • 计算机使用 --完全的桌面自动化:屏幕截图、点击、打字、滚动、拖动,通过pywinauto实现Windows UI自动化,以获得精确的元素坐标,3层安全性,自适应等待
  • ARC-AGI-3基准测试代理 --参加2026年ARC大奖:13/25个游戏已解决(24个级别),4个求解器系列(ClusterClick、SequenceClick+SimA*、键盘DFS、SmartExplorer),持久游戏配置文件,多模式视觉(qwen3 vl)
  • 分布式锁定 --Redis支持的(基于文件的回退)锁用于多实例部署
  • 持久消息队列 --SQLite支持的具有优先级、DLQ和自动重试的持久队列
  • 普罗米修斯指标 --/带有Grafana仪表板的度量端点,用于生产可观察性
  • 技能市场 -SQLite-persisted技能市场,提供评级、搜索和REST API
  • 社区技能市场 --GitHub托管的注册表,具有发布者验证(4个信任级别)、5个检查验证管道、ToolEnforcer运行时沙盒、异步安装/搜索/报告
  • Telegram Webhook --轮询+webhook模式,延迟低于100ms
  • 自动依赖加载 --启动时检测到并安装了缺失的可选软件包
  • 代理对代理协议(A2A) --Linux Foundation RC v1.0,具有完整的JSON-RPC 2.0服务器/客户端,通过MCP工具进行计划级委托,自动发现,SSE流
  • 集成聊天 --Flutter命令中心的完整聊天页面,带有WebSocket流、工具指示器、画布面板、批准横幅和语音模式
  • Flutter指挥中心 --跨平台UI(Flutter 3.41,Web/桌面/移动),具有科幻美学、GEPA管道可视化、机器人办公室寻路、20多个可编辑配置页面、观察面板、知识图、语音模式、学习仪表板、亮/暗主题、4语言i18n
  • 主动学习和好奇心 --CuriosityEngine检测知识缺口,KnowledgeConfidenceManager具有时间衰减和反馈功能,ActiveLearner在空闲时间在后台处理文件
  • 人性化感受 --个性引擎(温暖、幽默、问候)、情绪检测(沮丧/紧急/困惑/积极)、用户偏好学习、实时状态回调、用户友好的德语错误消息
  • 自动检测通道 --当令牌存在时,通道会自动激活 .env --不需要手动配置标志
  • 知识综合 --基于LLM融合的内存+保险库+网络的荟萃分析: knowledge_synthesize (具有置信度评级的完整综合), knowledge_contradictions (事实核查), knowledge_timeline (因果链), knowledge_gaps (完整性得分+研究建议)
  • 自适应上下文管道 --每次Planner调用前自动丰富上下文:BM25内存搜索+vault全文搜索+最近剧集,在\<50ms内注入WorkingMemory
  • 安全强化 --跨所有通道的运行时令牌加密(Fernet AES-256)、对webhook服务器的TLS支持、对所有上传/处理路径的文件大小限制、SQLite中的持久会话映射
  • 一键开始 --双击 start_cognithor.bat ->浏览器打开->单击 开机 ->完成了
  • 增强网络研究 --4提供商搜索回退(SearXNG->Brave->Google CSE->DuckDuckGo),用于JS密集型网站的Jina AI阅读器,域名过滤,源代码交叉检查
  • 程序性学习 --Reflector自动综合成功会话中的可重用技能
  • DAG工作流引擎 --具有并行分支、条件边、循环检测、自动重试的有向无环图执行。现在连接到Executor以进行并行工具执行
  • 分布式工作者 --基于能力的作业路由、运行状况监控、故障转移、死信队列
  • 多Agent协作 --代理团队的辩论、投票和管道模式
  • i18n语言包 --基于JSON的国际化,具有SHA-256完整性验证,包括德语和英语,可扩展到任何语言
  • 工具砂箱硬化 --每个工具的资源限制、网络保护、逃逸检测(8个攻击类别)
  • GDPR合规工具包 --数据处理日志(第30条)、保留执行、删除权(第17条)、审计输出
  • ARC-AGI-3基准测试 --参加比赛 2026年ARC奖 (200万美元+奖金池) arc/ 模块:混合代理(算法+LLM+CNN),3个MCP工具(arc_play, arc_status, arc_replay)、CLI模式、群集模式。 pip install cognithor[arc]
  • 多代理基准脚手架 --顶层可复制的基准测试工具 cognithor_bench/ 包:自己 pyproject.toml, cognithor-bench CLI、Cognithor+AutoGen适配器
  • 确定性回放 --通过假设分析和差异比较记录和回放代理执行
  • 代理SDK --基于装修商的代理商注册(@agent, @tool, @hook)项目脚手架
  • 插件远程注册表 --具有SHA-256校验和、依赖关系解析、安装/更新/回滚的远程清单
  • 跨平台社交倾听 -Reddit+黑客新闻(Firebase/Algolia)+Discord(REST API v10)扫描,LLM领先评分。2个统一的MCP工具(social_scan, social_leads),可按平台间隔配置,自动后选择加入
  • 分层文档推理 --基于树的检索(第四个搜索通道):5个解析器(Markdown、PDF、DOCX、HTML、明文)构建标题树,LLM导航部分选择,无需嵌入
  • CAG层(缓存增强生成) --LLM KV缓存重用的确定性前缀生成。前缀构建器(兼容Ollama)+本地llama.cpp构建器、内容规范化、命中率指标
  • CLI配置TUI --交互式终端配置编辑器(rich+prompt_toolkit):从实时提供商处发现模型、部分导航、验证、保存/丢弃
  • 基于AST的保安 python ast.NodeVisitor + bashlex shell解析器取代了基于正则表达式的代码分析。在语法树级别检测导入、子流程调用、eval、网络访问和文件操作
  • _safe_call() 模式 --统一的错误处理取代了静默 except Exception: pass.具有按功能跟踪、异步变体、断路器集成的故障注册表
  • uv安装程序支持 --自动紫外线检测,安装速度快10倍,透明pip回退
  • 观察者审计层 --根据4个质量维度(幻觉、谄媚、懒惰、工具无知)对每个响应进行审核,并采用不同的重试策略。以qwen3:32b在本地运行。
  • 运营信托(Trust-1..10) --已签名的跑步收据(cognithor receipt show / verify / list / export-all / diff),结构化的看门人决策解释(rule_id + rule_source + matched_pattern),15值 FailureMode 分类法、包回滚、六个仅可追加的分类账(来源、权限范围、工具指纹、云升级、微美元成本、迁移)。休息: GET /api/crew/trace/{trace_id}/receipt。参见 运营信托 和 docs/operational_trust.md
  • 弹性工作流引擎(CRWE,v0.9.0) — cognithor task 按任务运行具有JSONL流的声明性批处理工作流 flush() + os.fsync(),原子模-N .checkpoint.json, .checkpoint.lock (POSIX fcntl.flock /窗户 msvcrt.locking),任务之间的SIGINT/SIGTERM紧急检查点,清单篡改检测 --resume,以及审计链集成(workflow_resumed / system_checkpoint_created 事件)。崩溃恢复用途 results.jsonl 线计数作为真理的来源。
  • 哈希链审计日志 --每个审计事件都通过HMAC-SHA-256链接到前一个 prev_hash 基于规范的NFC标准化JSON。Reflector通过专用 AuditCategory.REFLECTION 通道(Compliance Spring v0.98.0),有九种事件类型,涵盖因果序列、权重快照、情节附加、语义事实和程序自动创建——可通过端到端验证 cognithor audit verify基于属性的假设检验+夜间老化CI可以保持链的完整性。
  • TUF Light Pack注册表签名 --社区包注册表使用Ed25519+SHA-256(离线根密钥,在线目标密钥) TUF灯规格.操作员手册: docs/runbooks/registry_key_rotation.md默认情况下,市场处于休眠状态,直到所有者铸造根密钥对。
  • 集成目录 --自动生成自 src/cognithor/mcp/ --看 docs/integrations/catalog.json.DACH特定:sevDesk REST连接器(会计)。
  • 竞品分析 — docs/competitive-analysis/ --Cognithor vs AutoGen/MAF/LangGraph/CrewAI。
  • 17000+测试功能 · 89%覆盖门 · 0个棉绒错误 · 0个CodeQL警报 · mypy——严格 清洁新的TRUST+CRWE表面

建筑```mermaid id="k8v3zp"

flowchart TB

%% ===== ENTRY POINTS =====
subgraph ENTRY["Entry Points"]
UI["Flutter UI / Web UI
(Mobile app available)"]
API["REST API"]
CHANNELS["Messaging Channels
(17 channels — chat, voice, REST)"]
end

%% ===== CORE LOOP =====
subgraph CORE["Autonomous Agent Loop"]
GATEWAY["Gateway
Session + Routing + State"]

CONTEXT["Context Pipeline
Memory + Vault + Episodes"]

subgraph PGE["PGE Core Engine"]
direction LR
PLANNER["Planner
Task Understanding
+ Planning"]

GATEKEEPER["Gatekeeper
Policy + Risk Validation"]

EXECUTOR["Executer
Sandbox + Action"]
end

MEMORY["Cognitive Memory
6-Tier Learning System"]
end

%% ===== EXECUTION =====
subgraph EXEC["Execution Stack"]
WORKFLOW["DAG Engine
Parallel + Retry Logic"]

TOOLS["MCP Tools
(141 tools / 30 modules)"]

LLM["LLM Backends
Local + Cloud Models
(22 API endpoints)"]
end

%% ===== FLOW =====

%% Entry into loop
UI --> GATEWAY
API --> GATEWAY
CHANNELS --> GATEWAY

%% Core loop
GATEWAY --> CONTEXT
CONTEXT --> PLANNER
PLANNER --> GATEKEEPER --> EXECUTOR

%% Execution path
EXECUTOR --> WORKFLOW --> TOOLS --> LLM --> MEMORY

%% Feedback loop
MEMORY --> CONTEXT

%% Visibility (important fix)
EXECUTOR --> UI


### PGE三一(策划-&gt;把关-&gt;执行)

每个用户请求都经过三个阶段:

1. **规划师** --基于LLM的理解和规划。分析请求,在内存中搜索相关上下文,使用工具调用创建结构化的行动计划。支持对失败进行重新规划。
1. **守门人** --确定性政策引擎。根据安全规则(风险级别为绿色/黄色/橙色/红色、沙箱策略、参数验证)验证每个计划的工具调用。没有法学硕士,没有幻觉,没有例外。
1. **执行者** --通过基于DAG的并行调度执行批准的操作(独立操作以波浪形式并发运行)。Shell命令独立运行(进程-&gt;命名空间-&gt;容器),文件访问仅限于允许的路径。

### 六层认知记忆

|层级|名称|持久性|目的|
|------|------|------------|---------|
| 1 | **核心** | `CORE.md` |身份、规则、个性|
| 2 | **情节性的** |每日日志文件|今天/昨天发生了什么|
| 3 | **语义** |知识图谱+SQLite|客户、产品、事实、关系|
| 4 | **程序性** |Markdown+frontmatter |学习技能和工作流程|
| 5 | **工作** |RAM(易失性)|活动会话上下文|
| 6 | **战术的** |SQLite |活动目标、待定操作、回滚|

内存搜索使用4通道混合方法: **BM25** (使用FTS5进行全文搜索,针对德语复合词进行了优化)+ **向量搜索** (Ollama嵌入,余弦相似性)+ **图的遍历** (实体关系)+ **分层文档推理** (长文档的基于树的部分导航)。具有可配置权重和近因衰减的分数融合。

### 知识库

除了6层存储器外,Cognithor还包括 **黑曜石兼容知识库** (`~/.cognithor/vault/`)对于持久的、人类可读的笔记:

- **文件夹结构**: `recherchen/`, `meetings/`, `wissen/`, `projekte/`, `daily/`
- **黑曜石格式**:YAML frontmatter(标题、标签、来源、日期), `[[backlinks]]`
- **6工具**: `vault_save`, `vault_search`, `vault_list`, `vault_read`, `vault_update`, `vault_link`
- 直接在中打开vault文件夹 黑曜石 用于图形可视化

### 反思与程序性学习

在完成会话后,Reflector评估结果,提取语义记忆的事实,并将可重复模式识别为过程候选。对于未来的类似请求,会自动建议学习程序。

### 计算机使用管道```
User Goal → CUTaskDecomposer → Sub-Tasks
→ UIA (exact coords) / Vision (fallback)
→ 3-Layer Tool Enforcement
→ Adaptive Wait → Next Iteration

Cognithor可以像人一样控制你的桌面:截图,用视觉模型分析,点击像素坐标,键入文本,滚动和拖动。第3阶段通过pywinauto添加了Windows UI自动化,它读取操作系统可访问性树以获取精确的元素坐标,而不依赖于视觉。三层安全模型(allowlist+网守+工具执行器)确保破坏性操作需要明确批准。

架构决策记录

  • docs/adr/0001-pge-trinity-vs-group-chat.md
    --为什么Cognithor使用Planner/Gatekeeper/Executor而不是对话
    群聊模式。

与其他框架的比较

  • docs/competitive-analysis/ —
    Cognithor vs AutoGen,微软代理框架,LangGraph,CrewAI。

大语言模型提供商

Cognitor通过API密钥自动检测后端。设置一个键,模型将自动配置:

提供者 · 后端类型 · 配置键 · 模型(计划器/执行器)
奥拉玛 (本地) · ollama · (无需) · 问题3:22b/问题3:8b
LM工作室 (本地) · lmstudio · (无需) · (您加载的模型)
vLLM (本地,NVIDIA GPU) · vllm · (无需) · qwen3.6:27b NVFP4(RTX 5090/32 GB VRAM目标)
llama cpp python (本地) · llama_cpp · llama_cpp_base_url · (llama.cpp服务器加载GGUF模型)
开放人工智能 · openai · openai_api_key · gpt-5.2/gpt-5-mini
人类 · anthropic · anthropic_api_key · claude-opus-4-6/claude-haiku-4-5
谷歌双子座 · gemini · gemini_api_key · 双子座-2.5-pro/双子座-2.5-flash
格罗克 · groq · groq_api_key · 美洲驼4-mavirick/美洲驼-3.1-8b-instant
深度求索 · deepseek · deepseek_api_key · 深度搜索聊天(V3.2)
米斯特拉尔 · mistral · mistral_api_key · mistral大最新/mistral小最新
一起AI · together · together_api_key · 美洲狮-4-小牛队/美洲狮-4-童子军
开放路由 · openrouter · openrouter_api_key · claude-opus-4.6/双子座-2.5-睫毛
xAI(格罗克) · xai · xai_api_key · grok-4-1-禁食/grok-4-1禁食
思睿博 · cerebras · cerebras_api_key · gpt-oss-120b/llama3.1-8b
GitHub模型 · github · github_api_key · gpt-4.1/gpt-4.1-mini
AWS基岩 · bedrock · bedrock_api_key · claude-opus-4-6/claude-haiku-4-5
拥抱脸 · huggingface · huggingface_api_key · 美洲狮-3.3-70B/美洲狮-3.1-8B
登月计划/基米 · moonshot · moonshot_api_key K2.5/K2-Turbo。
克劳德代码 · claude-code · (使用Claude Code CLI) · (克劳德代码模型)```yaml

~/.cognithor/config.yaml — just set one key, everything else is auto-configured

gemini_api_key: "AIza..."

That's it. Backend, models, and operation mode are auto-detected.

Or use LM Studio (local, no API key needed):

llm_backend_type: "lmstudio"

lmstudio_base_url: "http://localhost:1234/v1" # default


## 频道

|通道|协议|功能|
|---------|----------|----------|
| **命令行界面** |终端REPL |丰富的格式化、流媒体、, `/commands`,状态反馈|
| **Web 用户界面** |WebSocket |实时流媒体、录音、文件上传、暗主题、状态事件|
| **REST API** |FastAPI+SSE |程序化访问,服务器发送事件|
| **电报** |Bot API(poll+webhook)|文本、语音消息(Whisper STT)、照片、文档、webhook模式(\&lt;100ms)、打字指示器|
| **Slack** |Socket模式|块套件、交互式按钮、线程支持|
| **WhatsApp** |Meta Cloud API |文本、媒体、位置、联系人|
| **信号** |signal-cli桥|加密消息、附件|
| **iMessage** |PyObjC(macOS)|原生macOS集成|
| **微软Teams** |Bot Framework v4 |自适应卡,批准|
| **矩阵** |matrix nio |联邦加密房间|
| **谷歌聊天** |聊天API |工作区集成|
| **马特莫斯特** |REST API |自助式团队聊天|
| **飞树/云雀** |机器人API |字节跳动企业消息|
| **互联网中继聊天** |IRC协议|经典互联网中继聊天|
| **Twitch** |TwitchIO |实时流聊天集成|
| **语音** |Whisper+Piper+ElevenLabs | STT、TTS、唤醒词(Levenshtein)、Konversationsmodus、Piper TTS(Thorsten Emotional)|

## 快速开始

**从下载到运行代理不到5分钟。**

### 选项A:Windows Installer(推荐给Windows用户)

1. **下载** `CognithorSetup-{version}.exe` 从 最新版本
1. **运行安装程序** --它捆绑了Python、Ollama、Flutter UI和所有依赖项
1. **发射** 通过桌面快捷方式或“开始”菜单
1. **完成** --浏览器在以下位置打开 `http://localhost:8741`

&gt; 安装程序会自动检测您的GPU,下载正确的型号,并运行健康检查。不需要先决条件。

### 选项B:Linux/macOS/源代码安装```bash
# Clone
git clone https://github.com/Alex8791-cyber/cognithor.git
cd cognithor

# Linux/macOS: Interactive installer (venv, Ollama, models, systemd)
chmod +x install.sh &amp;&amp; ./install.sh

# Windows (from source): Double-click install.bat

# Or manual: pip install
pip install -e &quot;.[all,dev]&quot;

选项C:PyPI(任何平台)```bash

pip install cognithor # Core only: PGE, CLI, Ollama
pip install cognithor[telegram] # + Telegram channel
pip install cognithor[web] # + Web UI (Flutter Command Center)
pip install cognithor[all] # Everything (large install)
ollama pull qwen3:8b # Pull a model
cognithor # Start

Upgrade to a specific version:

pip install cognithor[all]==0.99.0

Upgrade to latest:

pip install --upgrade cognithor[all]


### 先决条件(仅选项B/C)

- Python&gt;=3.12
- 奥拉玛 (本地,免费) **或** 任何云LLM API密钥(OpenAI、Anthropic、Gemini等)

### 安装后:拉模型```bash
ollama pull qwen3:32b              # Planner (20 GB VRAM)
ollama pull qwen3:8b               # Executor (6 GB VRAM)
ollama pull qwen3-embedding:0.6b   # Embeddings (500 MB VRAM)

没有GPU?使用 qwen3:8b 或者设置云API密钥-模型是自动配置的。

> 卸载: Windows:运行 uninstall.bat.Linux: ./install.sh --uninstall.PyPI: pip uninstall cognithor.

启动(约10秒)

选项A:一键式(Windows) --包含预构建的Web UI,不需要Node.js```
Double-click start_cognithor.bat -> Browser opens -> Click "Power On" -> Done.


&gt; 如果缺少,启动器会通过winget自动安装Python和Ollama。Node.js仅用于UI开发(`npm run dev`).

**选项B:CLI**```bash
cognithor                          # Interactive CLI
python -m cognithor                   # Same thing (always works, no PATH needed)

python -m cognithor --lite            # Lite mode: qwen3:8b only (6 GB VRAM)
python -m cognithor --no-cli          # Headless mode (API only)
COGNITHOR_HOME=~/my-cognithor cognithor  # Custom home directory

> 窗户: 如果 cognithor 之后不被识别 pip install,使用 python -m cognithor 相反,无论PATH配置如何,这总是有效的。或者,添加Python Scripts 将目录添加到PATH(通常 %APPDATA%\Python\PythonXY\Scripts 或 Scripts 您的venv内的文件夹)。

选项C:Flutter指挥中心(开发)```bash
cd flutter_app
flutter pub get
flutter run # Desktop, or:
flutter run -d chrome # Web


Flutter命令中心连接到端口8741上的Python后端。先启动后端(`python -m cognithor --no-cli`),然后启动Flutter应用程序。这 **聊天页面** 作为默认起始页打开--立即开始与Cognithor对话,或激活 **语音模式** 用于免提通话。科幻美学以深色半透明面板、霓虹灯和GEPA管道可视化为特色。

所有配置——代理、提示、cron作业、MCP服务器、A2A设置——都可以通过仪表板进行编辑和保存。更改将持续到以下YAML文件 `~/.cognithor/`.

&gt; **旧版React UI(已弃用):** 旧的React+Vite用户界面 `ui/` 已弃用,将在未来的版本中删除。请改用Flutter命令中心。

&gt; **Windows用户:** 名为的桌面快捷方式 **认知者** 为了方便起见,包括在内。

### 通道自动检测

当在中找到通道的令牌时,通道会自动启动 `~/.cognithor/.env`:```bash
# ~/.cognithor/.env — just add your tokens, channels activate automatically
COGNITHOR_TELEGRAM_TOKEN=your-bot-token
COGNITHOR_TELEGRAM_ALLOWED_USERS=123456789
COGNITHOR_DISCORD_TOKEN=your-discord-token
COGNITHOR_SLACK_TOKEN=xoxb-your-slack-token

无需设置 telegram_enabled: true 在配置中,令牌的存在就足够了。

目录结构(首次启动时自动创建)```

~/.cognithor/
├── config.yaml # User configuration
├── CORE.md # Identity and rules
├── memory/
│ ├── episodes/ # Daily log files
│ ├── knowledge/ # Knowledge graph files
│ ├── procedures/ # Learned skills
│ └── sessions/ # Session snapshots
├── vault/ # Knowledge Vault (Obsidian-compatible)
│ ├── recherchen/ # Web research results
│ ├── meetings/ # Meeting notes
│ ├── wissen/ # Knowledge articles
│ ├── projekte/ # Project notes
│ ├── daily/ # Daily notes
│ └── _index.json # Quick lookup index
├── index/
│ └── cognithor.db # SQLite index (FTS5 + vectors + entities)
├── hierarchical/
│ └── trees.db # Hierarchical document trees (SQLite)
├── cag/
│ └── cache.db # CAG prefix cache (SQLite)
├── mcp/
│ └── config.yaml # MCP server configuration
├── queue/
│ └── messages.db # Durable message queue (SQLite)
└── logs/
└── cognithor.log # Structured logs (JSON)


## CLI命令

Cognithor运行后,您可以在聊天中使用这些斜线命令:

|命令|描述|
|---------|-------------|
| `/help` |显示可用命令|
| `/status` |显示系统状态|
| `/version` |显示版本|
| `/config` |打开交互式配置编辑器|
| `/ui` |在浏览器中打开web UI|
| `/clear` |清除屏幕|
| `/quit` |退出认知者|

### 启动标志

|标志|描述|
|------|-------------|
| `cognithor` |从CLI聊天开始|
| `cognithor --ui` |启动无头+自动打开浏览器|
| `cognithor --no-cli` |仅限无头后端|
| `cognithor config` |打开配置编辑器(一次)|
| `cognithor config set KEY VAL` |设置配置值|
| `cognithor --lite` |精简模式(6GB VRAM)|
| `cognithor --log-level DEBUG` |详细日志记录|

## 配置

Cognithor是通过以下方式配置的 `~/.cognithor/config.yaml`。所有值都可以使用环境变量覆盖 `COGNITHOR_` 前缀(`JARVIS_*` 仍被接受为遗留别名)。```yaml
# Example: ~/.cognithor/config.yaml
owner_name: &quot;Alex&quot;
language: &quot;de&quot;  # &quot;de&quot; (German, default) or &quot;en&quot; (English)

# LLM Backend — set a key, backend is auto-detected
# openai_api_key: &quot;sk-...&quot;
# anthropic_api_key: &quot;sk-ant-...&quot;
# gemini_api_key: &quot;AIza...&quot;
# groq_api_key: &quot;gsk_...&quot;
# xai_api_key: &quot;xai-...&quot;
# Or: llm_backend_type: &quot;lmstudio&quot;  # Local, no key needed

ollama:
base_url: &quot;http://localhost:11434&quot;
timeout_seconds: 120

web:
# Search providers (all optional, fallback chain: SearXNG -&gt; Brave -&gt; Google CSE -&gt; DDG)
# searxng_url: &quot;http://localhost:8888&quot;
# brave_api_key: &quot;BSA...&quot;
# google_cse_api_key: &quot;AIza...&quot;
# google_cse_cx: &quot;a1b2c3...&quot;
# jina_api_key: &quot;&quot;              # Optional, free tier works without key
# domain_blocklist: []          # Blocked domains
# domain_allowlist: []          # If set, ONLY these domains allowed

vault:
enabled: true
path: &quot;~/.cognithor/vault&quot;
# auto_save_research: false     # Auto-save web research results

channels:
cli_enabled: true
# Channels auto-detect from tokens in ~/.cognithor/.env
# Set to false only to explicitly disable a channel:
# telegram_enabled: false

security:
allowed_paths:
- &quot;~/.cognithor&quot;
- &quot;~/Documents&quot;

# Personality
personality:
warmth: 0.7                    # 0.0 = sachlich, 1.0 = sehr warm
humor: 0.3                     # 0.0 = kein Humor, 1.0 = viel Humor
greeting_enabled: true          # Tageszeit-Grüße
follow_up_questions: true       # Rückfragen anbieten
success_celebration: true       # Erfolge feiern

# Scaling
distributed_lock:
backend: &quot;file&quot;                 # &quot;redis&quot; or &quot;file&quot;
# redis_url: &quot;redis://localhost:6379/0&quot;

message_queue:
enabled: true
# max_retries: 3
# dlq_enabled: true

telemetry:
prometheus_enabled: true
# metrics_port: 9090

安全

Cognithor实施了多层安全机制(未经独立审计):

特性 描述
守门人 确定性策略引擎(无LLM)。4个风险等级:绿色(自动)->黄色(通知)->橙色(批准)->红色(阻止)
沙盒 4个隔离级别:进程->Linux命名空间(nsjail)->Docker->Windows作业对象
审计跟踪 仅在JSONL中附加SHA-256链。篡改明显。登录前屏蔽凭据
凭证保险库 Fernet加密,每个代理的秘密存储
运行时令牌加密 所有通道令牌(Telegram、Discord、Slack等)在内存中使用临时Fernet密钥(AES-256)加密。从未以明文形式存储在RAM中
TLS支持 适用于所有webhook服务器(Teams、WhatsApp、API、WebUI)的可选SSL/TLS。强制执行最低TLS 1.2。为没有TLS的非本地主机记录警告
文件大小限制 所有路径的上传/处理限制:50 MB文档、100 MB音频、1 MB代码执行、50 MB WebUI上传
会话保持 存储在SQLite中的通道到会话映射(WAL模式)。重新启动后幸存下来——没有丢失的Telegram/Discord会话
输入清理 shell命令和文件路径的注入保护
子代理深度保护 可配置 max_sub_agent_depth (默认值3)防止无限handle_message()递归
SSRF保护 http_request和web_fetch工具的私有IP阻止
欧盟人工智能法案 合规模块、影响评估、透明度报告
红队 自动攻击性安全测试(1425 LOC)

GDPR合规性(设计隐私)——100%用户权利

Cognithor在架构级别实现GDPR合规性,全面覆盖所有用户权限:

  • 同意管理 --具有版本控制的每个通道同意。未经明确同意,不得进行数据处理。
  • 合规引擎 --运行时强制门。失败关闭设计:如果同意存储不可用,则阻止处理。
  • 第15条(准入) --跨11个数据层(会话、保管库、实体、关系、事件、程序、核心内存、首选项、处理日志、模型使用、同意)完成导出。JSON+CSV格式。
  • 第16条(更正) — PATCH /api/v1/user/data 用于实体、首选项、vault注释。
  • 第17条(擦除) — DELETE /api/v1/user/data 7个擦除处理程序覆盖所有数据层,包括保管库注释。
  • 第18/21条(限制) -通过REST API+ComplianceEngine强制执行的多用途限制(evolution,cloud_llm,memory,osint)。
  • 第20条(便携性) --导出格式v2.0 cognithor_portable + POST /api/v1/user/data/import.
  • 静态加密 --SQLCipher(AES-256)适用于所有33个SQLite数据库,Fernet适用于内存文件,操作系统密钥管理。
  • 审计跟踪 --仅附加带有篡改检测的SHA-256合规日志。
  • TTL强制 --通过cron自动执行每日保留。
  • 隐私模式 --运行时切换禁用所有持久存储。
  • 处理注册表 --所有13个处理活动的符合第30条的登记簿。

运营信托(Trust-1..10)

从v0.97.0开始,代理做出的每个与审计相关的决定都被捕获为
结构化、可查询、签名的收据,而不是自由格式的日志字符串
规范引用是 docs/operational_trust.md.

收据CLI```bash

cognithor receipt show --include-trust --sign-key $KEY # full bundle
cognithor receipt verify path/to/bundle.json --sign-key $KEY # round-trip check
cognithor receipt list --since 2026-05-01 # enumerate run-ids
cognithor receipt export-all --since 2026-05-01 --out ./bundles/ # batch export
cognithor receipt diff bundle-A.json bundle-B.json # structural diff


同样的捆绑包也可以通过REST(所有者令牌门控)访问:```bash
curl -H &quot;X-Cognithor-User: $COGNITHOR_OWNER_USER_ID&quot; \
&quot;http://localhost:8741/api/crew/trace//receipt?include_trust=true&quot;

信托账簿

层 模块 它捕获了什么
信任-1 cognithor.audit.AuditLogger.run_receipt() 确定性每次运行JSON包;可选HMAC-SHA-256签名
信任-2 DecisionExplanation (in core/gatekeeper.py) rule_id, rule_source, matched_pattern 对于每个区块决策(12个站点)
信任-3 FailureMode (15个值)+ failure_mode_summary() 跨运行的规范分类
信任-4 cognithor pack rollback 将包还原到以前的缓存版本;密封到审计链中
信任-5 cognithor.memory.provenance.ProvenanceLedger 9个内存层捕获站点; source_type + source_id + expiry_policy
信任-6 cognithor.security.permission_scope.ScopeRegistry 每个轴的最小权限(文件系统/网络/llm/工具)
信任-7 cognithor.security.fingerprint.FingerprintLedger 5种中的4种: TOOL, PACK, MODEL, SCHEMA (BINARY 特征标记)
信任-8 cognithor.security.cloud_escalation 仅元数据:分类账从不存储提示或响应有效载荷
信任-9 cognithor.security.cost_ledger.CostEntry 整数微美元标准单位(无浮动舍入漂移)
信任-10 cognithor.security.migration_ledger 每个域链的完整性;一个领域的腐败不会毒害其他领域

所有六个TRUST-5..10分类账仅附加冻结的数据类+ StrEnum +
JSON可序列化。捕捉是最好的努力(contextlib.suppress(Exception)),
因此,账本错误不能阻塞调用层。作品集
cognithor.security.trust_bundle.build_trust_bundle(run_id) 折叠所有六个
转换为单个规范块 bundle[&quot;trust&quot;].

> 状态: 内存持久性仅此版本。磁盘持久性
> (SQLCipher)+保留窗口+TRUST-7 BINARY 捕获+信任-8
> 后端调度接线+Flutter TrustBundlePanel 0.98.x的船。
> 看 Sprint-27 IDE集成计划
> 对于消费扩展路线图。

注册表信任模型(PACK-4)

社区技能市场使用自我管理的Ed25519+TUF Light
签名方案-- 无第三方见证,无Sigstore依赖,欧盟-
主权的设计。

  • 离线 根 关键标志 root.json,代表轮换
    在线的 目标 钥匙。 root.json 带有单调 version 和
    一 valid_until 窗口,因此过时的重播攻击者无法冻结
    在飞行途中回忆。
  • 目标键旋转是透明的:一个新的目标公钥落在
    新的 root.json,由离线Root签名。客户会接受它
    下一次同步。
  • 每次签名/新鲜度/重播错误都会出现硬失败——终止开关
    必须可靠地联系客户。
  • 不 --accept-unsigned-registry 运行时标志(将是降级
    矢量)。 REQUIRE_SIGNED_REGISTRY 是构建时间常数。
文件 目的
docs/superpowers/specs/2026-05-05-pack4-registry-signing.md 完整规格
SECURITY.md 威胁模型摘要
docs/runbooks/registry_key_rotation.md 操作员手册
scripts/registry_signing/ CLI工具

MCP工具

工具服务器 工具 说明
文件系统 读、写、编辑、列出、删除 路径沙盒文件操作
外壳 exec_command 带超时的沙盒命令执行
记忆 搜索、保存、获取、添加。.. 所有6层共有10个内存工具
网络 web_search、web_fetch、search_and_read、web_news_search、http_request 4-provider搜索(SearXNG->Brave->Google CSE->DDG)、Jina Reader回退、域过滤、交叉检查、完全http方法支持(POST/PUT/PATCH/DELETE)
浏览器 导航、截图、点击、填充表单、execute_js、get_page_content 基于Playwright的浏览器自动化
媒体 转录_音频、分析_图像、提取_文本、分析_文档、转换_音频、调整大小_图像、tts、文档导出 多模式管道+LLM驱动的文档分析(所有本地)
金库 vault_save、vault_search、vault_list、vault_read、vault_update、vault_lonk 与黑曜石兼容的知识库,具有正面内容、标签、反向链接
合成 知识合成、知识冲突、知识时间线、知识地图 基于LLM融合、置信度评分、事实核查的跨记忆+保险库+网络的元分析

测试```bash

All tests

make test

With coverage report

make test-cov

Specific areas

python -m pytest tests/test_core/ -v
python -m pytest tests/test_memory/ -v
python -m pytest tests/test_channels/ -v


当前状态: **17000+测试功能** · **主线通过率100%** · **89%覆盖门** · **~257000 LOC Python源代码** · **约224000个LOC Python测试** · **~66000 LOC颤振(飞镖)**

以下测试故障计数是历史快照,可能落后于实时树-- `pytest --collect-only -q tests/ | tail -5` 是权威人物。

值得注意的测试套件:183个计算机使用测试,176个ARC测试,136个分层检索测试,71个CAG测试。

|区域|测试|描述|
|------|-------|-------------|
|核心|1893 |计划器、看门人、执行器、配置、模型、反射器、分布式锁、模型路由器、DAG引擎、委托、协作、代理SDK、工作人员、个性、情感|
|集成|1314|端到端测试、相位接线、入口点、A2A协议|
|频道|1360 | CLI、Telegram(包括Webhook)、Discord、Slack、WhatsApp、API、WebUI、Voice、iMessage、Signal、Teams|
|MCP|825|客户端、文件系统、shell、内存服务器、web、媒体、合成、vault、浏览器、网桥、资源|
|内存|658|所有6层、索引器、混合搜索、分块器、观察器、令牌估计、完整性、卫生|
|Skills | 534 |技能注册表、生成器、市场、持久性、API、CLI工具、脚手架工、linter、BaseSkill、远程注册表|
|安全|469|审计、凭据、令牌存储、TLS、策略、沙盒、消毒剂、代理库、资源限制、GDPR|
|网关|252|会话管理、代理循环、上下文管道、阶段初始化、审批流|
|A2A|158|代理到代理协议、客户端、HTTP处理程序、流媒体|
|遥测|175|成本跟踪、指标、跟踪、普罗米修斯导出、仪器、记录器、回放|
|其他|247|HITL,治理,学习,积极主动,配置管理器|
|工具| 103 |重构代理、代码分析器、技能CLI开发工具|
|Utils | 126 |日志记录、辅助函数、错误消息、安装程序|
|Cron|63|引擎、作业存储、调度|
|UI API |55|命令中心端点(配置、代理、提示、cron、MCP、A2A)|

## 部署

&gt; **注意:** Cognithor是Beta版软件。在将其用于重要工作流程之前,请在您的环境中进行彻底测试。定期备份您的数据。看 状态和成熟度.

### 一键式(Windows)

双击 `start_cognithor.bat` -&gt;浏览器打开-&gt;单击 **开机** -&gt;完成。

### Docker(开发)```bash
docker compose up -d                         # Core backend
docker compose --profile webui up -d         # + Web UI

…(正文过长,页面只展示前面部分,完整内容见仓库)

常见问题

6 问
答案由本站依据条目字段整理,不引用上游原文
cognithor (Alex8791 Cyber) 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

cognithor (Alex8791 Cyber) 怎么在 Claude、Cursor、VS Code 里配置?

它的传输方式未标注,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

cognithor (Alex8791 Cyber) 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

cognithor (Alex8791 Cyber) 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

cognithor (Alex8791 Cyber) 支持哪些客户端?

资料标注支持 Claude、Cursor、VS Code;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

cognithor (Alex8791 Cyber) 能提供哪些能力?

资料显示约 75 个工具;能力标签包括 本地AI、Python、Claude。具体工具清单以官方文档为准。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。