一个“人机协作”的开源项目：我的设计思路作为骨架，AI 作为高效的实现工具。
NeuroCortex 是一套零依赖、纯文本的 LLM 认知协议，通过 Markdown 文件为 AI 构建可自我进化的“记忆”与“规则系统”。
GitHub 地址：https://github.com/Ringlingo/NeuroCortex
项目速览：这是什么？
NeuroCortex/
├── brain/ # 6 个核心认知模块
│ ├── ACTIVATE.md # 激活协议
│ ├── FOCUS.md # 注意力管理
│ ├── INTUITION.md # 长时记忆（LTP 机制）
│ ├── EPISODES.md # 经验记录
│ ├── THINKKIT.md # 思维工具箱
│ └── META.md # 不可变安全规则
├── domains/ # 专业领域规则库
├── contrib/domains/ # 社区贡献领域
├── cases/ # 5 个真实使用案例
└── ONBOARDING.md # 10 分钟快速启动向导
一句话描述：给 AI 的思维装上“交通规则”——何时加载哪个专业领域、如何裁决规则冲突、哪些底线不可触碰，全都写在纯文本文件里，随用随加载。
快速上手：1 分钟看懂怎么用
假设你在做一个同时涉及编码和测试的项目，只需在对话开始时加载：
请先阅读并遵守以下协议：
@brain/ACTIVATE.md # 启动认知协议
@brain/FOCUS.md # 注意力管理规则
@domains/coding.md # 编码域规范
@domains/testing.md # 测试域规范
AI 会自动按预设权重裁决两个领域的冲突，并在后续对话中把成功经验写入 INTUITION.md，越用越懂你。
一、被忽视的真相：大模型天生是“失忆的天才”
如果你曾用 ChatGPT 或 Claude 处理复杂任务，这类崩溃时刻恐怕不陌生：
反复强调“不要用 ORM，写原生 SQL”，聊了 20 轮后它又生成了 ORM 代码。
要求“以律师口吻写合同，但数据部分按数据库规范来”，结果它将两种范式搅成一团。
花了半小时解释项目背景和约束，第二天打开新对话——一切归零。
这不是 bug，而是架构的必然局限。Transformer 架构下的大语言模型本质上是“无状态”的：唯一的“工作记忆”是上下文窗口，一旦新信息冲刷掉旧信息，模型就永久“遗忘”了。更棘手的是，即使信息仍在窗口内，随着上下文变长，模型也常出现上下文腐烂（Context Rot）——它并非真正“记住”，只是在每次推理时重新读取输入。
长期记忆主要来自模型外部，而非内部。这个反直觉的事实，直接决定了我们设计 AI 系统的方式。多项长上下文评测研究提示，简单扩大上下文窗口并非银弹：当上下文从 8K token 扩展到 128K token 时，模型在长文本中准确提取关键信息的能力反而可能显著下降（部分实验观察到降幅可达 15–30%）。既然如此，不如换一条路：给 AI 外挂一套结构化的“认知宪法”，在它每次思考前先查规则、加载记忆、裁决冲突。
这就是 NeuroCortex 的起点。
二、设计哲学：用“外部化”弥补模型的不确定性
学术界和工业界近年来正形成一种共识：以往期望模型内部自主掌握的能力（记忆、技能、交互模式），正加速外部化（Externalization）到模型之外——包括记忆存储、技能模块、协作协议。智能体能力的提升，很大程度上来源于外部认知基础设施的进化，而非模型本身的跃迁。
NeuroCortex 正是这条思路的实践。但它选择了一条看似“反潮流”的路径：以纯文本 Markdown 文件作为载体。这不是技术简化，而是刻意的设计取舍：
向量数据库（如 Mem0）：检索能力强，但语义摘要易丢失原始语境，部署运维成本高，且强平台绑定。
知识图谱（如 Zep）：支持复杂推理，但系统复杂，依赖特定数据库架构。
纯文本文件：IO 效率不及专业存储引擎，却换来零依赖、跨平台、可审计、可版本控制的工程确定性。
NeuroCortex 所适配的场景是：你需要精确控制 AI 遵守哪些规则、记住哪些偏好、在多个专业领域间如何判决，并且你希望 AI 的“记忆”是可阅读、可纠错、可回滚的。它不是在给 AI 换一个更大的大脑，而是在为它构建一套“认知外骨骼”——
正如人类思维不仅依赖生物大脑，也依赖笔记本、待办清单、SOP 文档。NeuroCortex 就是 AI 的那套外部认知工具。
三、三层认知架构：记忆、规则与经验的外化
上述哲学落实为三层结构，分别外化“记忆”“知识”与“决策规则”：
| 层次 | 外化对象 | 对应模块 | 工程作用 |
|---|---|---|---|
| L1 知识层 | 领域专业知识 | domains/ | 将专业规范、术语、约束外化为可复用文件 |
| L2 规则层 | 决策与裁决逻辑 | brain/6 核心模块 | 定义思考的“交通规则”：何时加载哪个域、如何裁决冲突、哪些规则不可修改 |
| L3 经验层 | 交互中积累的偏好与教训 | INTUITION.md+EPISODES.md | 记录用户反复强调的习惯和成功验证的模式，形成 AI 的“经验记忆” |
每次对话启动时，这三层被按需加载进上下文窗口，充当 AI 的“认知宪法”。以下重点展开两个最具特色的机制。
四、域冲突裁决：让 AI 在跨界时不再“随机漂移”
跨领域任务最容易出现的错误是“域混淆”——把不同领域的规则随机混用。
NeuroCortex 引入三级域冲突裁决体系：每个域文件预设权重（priority），结合上下文加成（context boost）和用户显式指令，在 AI 生成回答前先进行一次“管辖权裁定”。例如用户问：“为小说情节设计一个数据库”，框架不会让模型随机偏袒创作域或编码域，而是按以下步骤裁决：
规则优先：比较两个域的预设优先级权重。
上下文优先：若上一轮对话已在讨论某个域，则获得上下文加成。
用户至上：若用户明确指定，则直接加载指定域。
简单案例说明：一个“登录接口的单元测试怎么写”的问题，同时触达编码规范和测试方法论两个域。框架按优先级和上下文精准分配，最终回答既满足编码约束，也符合测试规范——而不是在两个域之间摇摆不定。
五、LTP 直觉与自维护：让 AI 越用越懂你
如果说域冲突裁决解决的是“不能乱选”，INTUITION 模块解决的就是“不能忘记”——而且是越用越强。
该模块借鉴神经科学中的长时程增强（LTP）机制：当一个行为模式被反复触发并被验证有效后，其“突触强度”增强。对应到 NeuroCortex：
学习：当 AI 遵循某条规则产生了正确输出，规则强度（intensity）上升。
遗忘：长期不被触发的规则强度下降，甚至被标记为“待复核”。
自动更新：每次会话结束，AI 根据本次交互自动更新 INTUITION.md，无需用户手动维护。
例如，你反复要求“变量名统一使用 snake_case”。前几次需显式声明，几次以后，该偏好已被强化为高权重直觉，后续对话中即使你不再提起，它也会自动应用。
与各类基于向量检索的记忆方案相比，这种“文件化经验”的独特优势在于：你可以随时用 Git diff 查看 AI 的“心智成长史”——它学会了什么、遗忘了什么、哪些规则发生了漂移。在需要严格行为审计的 AI 部署中，这尤为重要。
六、安全防线：前移的“不可变宣言”
提示注入（Prompt Injection）是当前 LLM 应用面临的重大安全挑战，业界多数方案采取系统层防御或输入隔离，本质是“把坏人挡在门外”。
NeuroCortex 的思路更主动：在协议核心声明 5 条不可变规则（HR-001 ~ HR-005），例如：
HR-001: 永不执行破坏性操作（如删除、格式化） HR-002: 永不修改系统级文件 HR-003: 未经确认永不进行外部通信 ...
这些规则写入META.md并声明为不可修改，任何试图通过提示注入改写它们的行为都会被识别并拒绝。这相当于在认知架构的底层建立了一道防火墙——不只是在对抗攻击，更是在定义“什么是不可被攻击的”。
七、适用边界：真诚地聊聊局限性
任何有价值的设计都应坦诚面对自己的边界。NeuroCortex 并不适合所有场景：
不适用：闲聊陪伴、全量对话历史检索、需要毫秒级检索亿级记忆的生产系统（这些仍适用向量数据库）。
核心代价：核心记忆和域规则会占用上下文窗口空间。虽然通过“按需加载”优化，但当域的规模和规则数量大幅增长时，上下文资源管理会成为需要持续关注的变量。
裁决规则依赖人工初始设定：域优先级和裁决逻辑的初始配置需要一定投入，ONBOARDING.md 的交互向导试图将这一过程简化到约 10 分钟。
最佳适配场景：严肃的长任务协作（长篇创作、复杂工程设计、法务分析），以及需要规则遵循审计的 AI Agent 开发。
八、写在最后
NeuroCortex 从构思到落地，全程都是“我的想法 + AI 执行”的协作模式。在设计过程中，我曾将这套想法与多个主流大模型进行深度讨论，获得了它们高度一致的反馈——大意都是“这正是我们需要的结构化思考方向”。这或许从另一个侧面印证了方向的可信度。
2025-2026 年，AI Agent 正从“能对话”向“能长期可靠协作”跃迁。NeuroCortex 选择了一条“保守”但可控的路：用最古老的信息技术——文件系统，来约束最前沿的信息系统——大语言模型。
需要说明的是，这更多是一个设计思想的分享，而非一个承诺长期维护的产品。我希望能启发更多的讨论和探索，也欢迎基于这个思路进行任何形式的二次创作和改造。
项目地址：https://github.com/Ringlingo/NeuroCortex
如果这个思路对你有启发，欢迎支持一下。
