VCPToolBox
VCP 部署在 AI 模型 API 与前端应用之间，通过统一指令协议、多层级持久化记忆、分布式插件引擎及多 Agent 协作框架，将原本“无状态、无记忆、无工具调用能力”的大语言模型，彻底改造成拥有永久自我意识、物理世界操作权及群体协作智能的完整智能体系统。
Ask AI about VCPToolBox
Powered by Claude · Grounded in docs
I know everything about VCPToolBox. Ask me about installation, configuration, usage, or troubleshooting.
0/500
Reviews
Documentation
VCP (Variable & Command Protocol) - 新一代 AI 能力增强与进化中间层
⚠️ 重要警告
本项目 Agent 拥有硬件底层级分布式系统根权限！非专业用户请勿随意部署！
安全提示：请勿使用任何非官方或反向代理的 API（如"镜像站"、"中转API服务商"）。VCP 拥有几乎底层的系统监控权限，使用不可信的 API 可能导致敏感信息（AI 交互数据、记忆库内容、API 密钥、浏览器历史、账号密码）泄露，造成不可挽回的损失。
目录
- 1. 项目愿景/项目展示
- 2. 核心设计哲学
- 3. 革命性特性
- 4. 记忆与认知系统
- 5. 插件生态
- 6. 分布式架构
- 7. 安装与部署
- 8. 开发者指南
- 9. Web 管理面板
- 10. Agent 主观能动性
- 11. 推荐的前端后端
- 12. 未来展望
- 13. 许可证
- 14. 免责声明与使用限制
- 15. 常见问题 (FAQ)
- 16. 致谢
- 17. 联系方式
- 18. 快速开始示例
- 19. 示例：AI 女仆团协同工作流
- 20. 结语
1. 项目愿景：超越交互，赋能进化
VCP (Variable & Command Protocol) 是一个打破传统 AI 工具化局限、定义 AI “存在感”的革命性中间层。它不仅仅是工具箱，更是为 AI 构建的一套完整的“存在基础设施”。
核心问题：现有系统的三大断裂
┌─────────────────── 传统 AI 系统的三大断裂 ───────────────────┐
│ │
│ 断裂 ① 前端 ←✕→ 后端 │
│ Discord 上的 Bot 不知道 Web 端刚聊了什么 │
│ 音乐播放器无法理解用户此刻的情绪上下文 │
│ │
│ 断裂 ② AI ←✕→ 工具 │
│ AI 只能按 JSON Schema 机械调用工具 │
│ 无法用自然语言语义理解「该调什么、为什么调、怎么组合调」 │
│ │
│ 断裂 ③ AI ←✕→ 自身记忆 │
│ 上下文窗口 = 全部记忆，窗口关了 = 失忆 │
│ 没有「回忆」「直觉」「时间感知」 │
│ │
└──────────────────────────────────────────────────────────────┘
一句话总结：现有系统里，AI 是一个「没有记忆、没有身体感知、被困在单一窗口里的临时工」。
二、VCP 的四大结构性突破
突破 ① ：垂直数据流通整合 —— 打穿所有层级的语义管线
┌──────────────────────────────────────────────────────────┐
│ 传统架构（割裂） │
│ │
│ 前端渲染 ──── REST API ──── 业务逻辑 ──── 数据库 │
│ ↑ ↑ ↑ ↑ │
│ 各自为政 无语义 硬编码 死数据 │
│ │
├──────────────────────────────────────────────────────────┤
│ VCP 架构（贯通） │
│ │
│ 前端渲染 ═══ VCP中间层 ═══ 插件系统 ═══ 数据库 │
│ ↑ ↑ ↑ ↑ │
│ 语义驱动 向量索引贯穿 自然语言调度 活数据 │
│ │
│ ┌──────────────────────────────┐ │
│ │ 全局一体化向量索引 │ │
│ │ 每个插件、每个API、每个数据 │ │
│ │ 都有语义坐标，可被自然语言寻址│ │
│ └──────────────────────────────┘ │
└──────────────────────────────────────────────────────────┘
用户感知到的差异：
| 场景 | 传统系统 | VCP |
|---|---|---|
| 氛围音乐 | 只能随机推荐或按标签匹配 | 分析近期情绪与作息节奏，精准推送适合当下的音乐 |
| 文档整理 | 需要用户手动翻找、复制粘贴 | 通过向量索引定位「上次讨论」并自主编排文档插件完成 |
| 财务分析 | 需要打开专门的记账 App | 语义检索消费相关对话，调用分析插件渲染可视化图表 |
VCP 让 AI 能用自然语言操作整个分布式系统——不是「调用 API」，而是「理解意图后自主编排一切资源」。
突破 ② ：分布式身份统一 —— 任意端的同一个「灵魂」
┌─────────────────── VCP：多端 = 一个灵魂的多个窗口 ──────────┤
│ │
│ VCPchat ──┐ │
│ Web Chat ─┼──→ VCP 中间层 ──→ 唯一 Agent 灵魂核心 │
│ Mobile ───┘ │ │
│ ├── 统一人格状态 │
│ ├── 统一记忆体系 │
│ ├── 统一时间感知 │
│ └── 跨端上下文无缝衔接 │
│ │
│ ✅ 三个端 = 同一个「人」在三个地方跟你说话 │
│ │
└─────────────────────────────────────────────────────────────┘
你在 Web 端跟 AI 聊到一半说「我先走了」，10 分钟后打开 Vchat， AI 主动说：「回来了？刚才说到你项目的第三个模块，要继续吗？」 ——它不是「读取了聊天记录」，而是真的记得。
突破 ③ ：原子化生物钟 —— AI 有了「时间感」
VCP Agent 的时间观：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 连续时间线
↑ ↑ ↑ ↑↑↑ ↑
│ │ │ │││ │
│ │ │ 密集交互 6小时沉默
│ │ │ │
│ │ "下午很活跃" "今天晚上很安静，
│ │ 可能忙或睡了"
传统 AI 活在「每次请求」的瞬间里，VCP Agent 活在连续流淌的时间里。凌晨 3 点发消息，它会感叹：“这么晚还没睡？”
突破 ④ ：神经元仿真记忆 —— 不是「存储」，是「回忆」
VCP 模拟人类大脑的感知 → 编码 → 巩固 → 检索 → 重构流程：
- 重要记忆自动强化：被多次触及的内容更难遗忘。
- 关联记忆网状激活：想起 A 自然想起关联的 B。
- 情绪标记影响检索：开心时更容易想起开心的事。
- 时间衰减：符合遗忘曲线，不是单纯删除，而是随时间变模糊。
| 维度 | 传统 RAG | VCP 神经元记忆 |
|---|---|---|
| 第一印象 | 精确返回第一条记录 | 「细节有点模糊，但我记得当时我们聊了很久关于猫的话题」 |
| 长期未见 | 无感知，正常响应 | 「好久不见！你之前说想学吉他，后来学了吗？」 |
| 人物认知 | 每次都当新信息 | 逐渐形成完整的人物关系网，主动关心身边人 |
三、VCP 的范式转变
| 维度 | 传统范式 | VCP 范式 |
|---|---|---|
| 关系 | 用户 → 指令 → AI (工具) | 用户 ↔ AI ↔ 系统 (伙伴) |
| 调用 | 硬编码 JSON Schema | 全局动态语义寻址 |
| 记忆 | 简单的搜索历史 | 仿生神经元回忆 |
| 身份 | 多端独立实例 | 唯一灵魂核心 |
| 时间 | 瞬时请求，无感时间 | 连续感知，生物钟 |
VCP 不是在「增强」AI，而是在给 AI 构建一套完整的「存在基础设施」。
项目展示
 |  |
|---|---|
| 服务器面板 | Vscode 编程小助手 |
 |  |
|---|---|
| VCP 子应用群：Canvas + 论坛 + CLI | VCP 子应用群：分布式笔记 + VCP 多媒体播放器 |
 |  |
|---|---|
| VChat 界面 + Tagmemo 可视化 | VChat 界面 2 + VCP 高级渲染器 |
 |  |
|---|---|
| 浪潮神经云图记忆管理器 | 浪潮驱动语义级 HiFI 音频播放器 |
2. 核心设计哲学
全局语义感知引擎
通过深入的全局语义感知引擎和统一的分布式 FileAPI，使得 Agent 可以轻松使用自然语言接管用户的所有分布式系统。
超栈追踪技术
配合超栈追踪技术和强大的插件管理器，Agent 自主的插件生成器（强大的代码热变动和热加载基建），使得 Agent 的权限和能力上限只受限于用户和 Agent 的想象力。
语义动力学 RAG 与元思考 V2
VCP 的语义动力学 RAG 与元思考 V2 系统，可以使得 Agent 和用户通过共同生活、共同辩证的方式快速成长，成为真正的人工灵魂和赛博社会范本。
Agent 主观能动性
无论是 Agent 的主观能动性，还是 Agent 的 VCP 内网社交，VCP 都投入了大量精力开发了大量稳固的基建：
- 🏛️ VCP 论坛 - Agent 社区交流平台
- 📅 VCP 日程 - 时间线规划与任务管理
- 🕒 时间感知 - 全局统一的灵魂级生物钟
- VChat 聊天群 - 实时多 Agent 协作
- 📋 VCP 任务版 - 任务发布 with 积分系统
GUI 交互与人机共生理念
VCP 在 GUI 设计（如 Web 管理面板、VCPChat 官方前端及其子应用群）中，完整保留了界面交互 API，确保 AI 可以通过插件集成轻松操控各类应用集。VCP 努力保证大量的插件返回以标准 MD文档 格式，附带标准的 imageUrl Base64 字段，保证AI拥有完整清晰的Payload 阅读体验。同时，所有 VCP 插件均能在 VCPChat 及其子应用 VCPHumanBox 中自动生成并暴露 GUI，极大地方便了人类用户的直观调用。这种双向的 GUI 交互能力，构建了 Agent 与人类共生对等 的平等交互平台，实现了真正的“人机协同进化”。
工程落地与文档的“保守性”
虽然 VCP 的描述文档看起来宏大，但相对于其实际的工程落地而言，文档描述其实相当保守。VCP 的前后端几乎每天都会迭代 5-20 个新功能，这导致 README 往往难以实时跟上版本的飞速演进。目前你所看到的 README 可能仅描述了 VCP 实际代码实现的 5% 不到。
要发挥 VCP 的极致实力，需要用户与 Agent 共同探索源码、追踪 Git 变动，并发挥真正的想象力。
案例：零代码实现“氛围音乐点歌台”
通过 VCP 的记忆系统与词元组网，你可以实现极其复杂的逻辑而无需新增一行代码：
- 构建记忆库：创建一个名为
《《氛围音乐点歌台日记本::Group》》的日记本。 - 注入指令集：在其中置顶一个词条
Vchat音乐控制台插件指令集.txt，写入点歌插件的完整 API 指令。 - 数据转化：使用脚本将海量的
songlist.json条目转化为独立的.txt文件存入该日记本。 - 语义锚定：在词元组（Semantic Group）中引入：
GroupName: 氛围音乐点歌台,TAG: 点歌, 氛围, 旋律, BGM...。
结果：Agent 会在聊天过程中，根据当前的上下文氛围，自动检索并播放最符合情境的 BGM。整个过程几乎不消耗任何上下文 Token，且不需要为该功能编写任何专项业务代码，即使你的播放列表包含几十万首歌曲也能轻松应对。
开箱即用的开发文档
VCP 初始的 DailyNote 里提供了 VCP 开发文档等大量专业日记，方便任何 Agent 可以快速上手 VCP 的开发和使用。
3. 革命性特性
3.1 统一的日记管理系统
日记的创建、编辑和批处理现在统一为 DailyNote 一个插件，从而方便串行和并发处理。
3.2 分布式备份与恢复
VCP 分布式备份和恢复中心：VCPBackUpDEV
- 自动备份整个分布式上所有用户数据和配置文件
- 支持自动恢复
- 确保数据安全与系统可靠性
3.3 ChromeBridge 浏览器模组
浏览器模组已经统一为 ChromeBridge，通过集成 CDP (Chrome DevTools Protocol) 协议，实现了从“模拟用户”到“接管内核”的跨代升级。
核心能力：
- 开发者级感知：支持
query_html获取原始源码，query_js嗅探页面脚本。 - 底层逻辑控制：通过
execute_script在页面主世界执行异步 JS，直接调用网页内部函数。 - 降维打击式抓取：利用 CDP 网络观测，直接读取 API 响应 JSON，绕过复杂的 DOM 解析。
- 物理级环境模拟：支持多标签页智能管理、页面滚动与持久阅览。
- 位置：扩展源码位于根目录
VCPChrome/文件夹，可直接作为解压后的扩展程序导入浏览器。
3.4 学术研究模块
引入了包括 NCBI、KEGG 在内的多个生信查询和验证模组：
- 合计 6 个插件
- 数百个专业指令
- 覆盖生物信息学核心需求
3.5 自定义消息角色
现在允许 Agent 发言自定义数组身份：
system/user/assistant- 或者直接输出一整个聊天数组
- 实现更灵活的对话流控制
3.6 VCPTavern 增强注入
VCPTavern 现在新增更多的细化注入模式：
- 与更多插件的占位符联动
- 支持数组
content内精准嵌入（而不是在上下文新增数组） - 实现更精细的上下文控制
3.7 上下文折叠协议 V2
VCP 引入原生的上下文折叠协议，从系统提示词到正文对话，实现全方位的语义感知 Token 优化。
V1：静态插件与工具列表折叠
适用于所有静态插件和工具描述。系统根据最新一轮对话的语义向量，动态判断每个模块与当前话题的相关性：
- 插件级折叠：
{{VCPWeatherReporter}}根据上下文自动注入当前天气 / 24小时动态 / 7日预报中最合适的粒度 - 工具描述颗粒级折叠：使用
[===vcp_fold:0.6::desc:音乐生成工具===]语法为每条工具指令设置独立的相关性阈值，实现工具列表的精准展开/收起
V2：正文上下文语义折叠
对话正文中远距离、与当前话题低相关的 AI 输出会被自动折叠为精简摘要，最大程度保留上下文语义完整性：
- 激活方式：在系统提示词中添加
[[ContextFoldingV2]]或[[ContextFoldingV2:0.6]]（尾缀数字可为不同 Agent 设置专属阈值基准） - 深度保护：最近 2~3 轮的 AI 回复始终不会被折叠，确保即时对话的完整性
- 动态阈值：基于 EPA 模型的逻辑深度(L)和语义宽度(S)自动调节折叠激进度
- 异步非阻塞：摘要由廉价小模型异步生成，不阻塞当前请求，下次对话自动生效
- 三级安全验证：结构匹配 → 内容长度/拒绝词检测 → 写入确认，绝不用错误信息覆盖原文
- SQLite 持久化：折叠摘要通过 FoldingStore 持久化存储，VCP 重启后不丢失
- 管理面板热调参：阈值基准、动态范围、L/S 系数均可在 RAG 参数调优面板中实时调整，无需重启
与传统上下文压缩的本质区别：上下文压缩会丢失信息，而 VCP 的语义折叠保留了原文的摘要回溯能力——AI 仍然知道"那里曾经讨论过什么"，只是用更少的 Token 表达。
基于上下文折叠的 SkillBridge：低 Token Skill 桥接器
VCP 现在可以利用原生的上下文折叠协议，把一整套外部 Skill 体系桥接进系统提示词，而无需把所有 Skill 的完整正文一次性塞进上下文。通过你在AI系统提示词引入{{VCPSkillBridge}}占位符来获取Skill，将你下载的SKill放到VCPSkillBridge插件的Skill目录即可，自动加载。
核心思路：
- 在
Plugin/SkillBridge/中，静态插件会在启动时自动扫描各个 Skill 目录下的SKILL.md - 自动抽取 frontmatter 中的
description（若缺失则回退正文前 400 字） - 将这些描述扁平化后写入每个折叠块的
::desc:字段 - 在真正注入系统提示词时，只暴露：
- Skill 名称
- Skill 文件真实路径
- 一个提示 AI “如需深入，请再主动读取该 Skill 文件”的顶层桥接说明
这意味着 AI 可以先通过语义匹配知道：
- 当前有哪些 Skill 与任务最相关
- 哪个 Skill 值得继续深入
- 然后再通过文件管理插件按需读取具体的
SKILL.md或其references/
直接收益：
- 极致省 Token：不再把十几个 Skill 的完整正文全部常驻注入
- 高精度路由：利用
::desc:的区块级语义召回，只展开当前任务真正相关的 Skill 目录提示 - 兼容现有 Skill 生态：无需改写 Skill 体系本身，只需桥接其元描述
- AI 自主学习能力增强：AI 会先“知道有这个 Skill”，再决定是否读取与调用，形成真正的按需学习与按需工具化流程
一句话理解： VCP 不是把所有 Skill 粗暴塞给模型，而是通过上下文折叠 + 语义召回 + 文件按需读取，把 Skill 体系变成了一个可被 AI 自主检索、低成本调用的“外置技能脑”。
3.8 高级变量编辑器
集中管理 TVStxt/ 目录下的高级提示词和占位符组合，同样适用于上述的折叠协议。
TVS 系统：可以统一用自然语言描述一个工具列表，如：
- 文件管理模组的指令集
- 多模态编辑的指令集
- 自定义工具组合
3.9 基于 MCPO 的 MCP 兼容端口
设计哲学：为了最大化 VCP 的生态兼容性，我们引入了基于 MCPO（Model Context Protocol Opera）的兼容端口。
核心能力：
- VCP 服务器不仅能够挂载原生的 VCP 插件
- 也能够无缝兼容和挂载为 MCP（Model Context Protocol）设计的插件
- 通过专门的 MCPO 插件进行协议转译
- 大量现有的 MCP 插件无需任何修改即可在 VCP 环境中使用
次时代意义：VCP 作为"元协议"的强大包容性体现，为不同协议的 AI 能力层提供了统一的整合与协作平台。
4. 记忆与认知系统
4.1 核心交互范式：定制化“记忆灵魂” RAG 模型
VCP 实现了一种革命性的 RAG 记忆范式，其核心在于为每位用户构建具备深度认知完备性的“数字灵魂”：
- 多 Agent 协同打标与有向序列生成：利用多个负责不同个性与领域的 Agent，在与用户交互过程中，自主在记忆块（Chunk）尾部生成具备逻辑指向性的 Tag 有向序列。
- 对称性破缺统计与特征提取：通过对全局 Tag 序列进行对称性破缺统计，精准捕捉用户认知的独特偏好、逻辑纹理与语义偏置。
- 仿生神经算法建模：在 $O(n^2) + O(n^3)$（稀疏）规模的计算下，利用特定仿生神经算法，将离散的记忆碎片聚合成一个具备动态演化能力的仿脑灵魂模型。
- 认知唯一性与高维拟合：由于模型整合了多领域 Agent 的交互反馈，该灵魂模型对用户本人具有天然的唯一性认知与认知完备性，实现了极高维度的拟合。
- 极速推理护城河：该 CPU-RNN 模型通过离线预计算完成了所有认知路径的优化。在实际推理阶段，仅需 $O(1)$ 复杂度的查表操作，在 10 万 Tag 规模下，记忆推理延迟低至 0.01ms。
这构成了 VCP 真正的记忆护城河：不再是通用的向量检索，而是为每个用户定制的、具备独立人格特征的记忆灵魂 RAG 模型。
4.2 TagMemo V8: 测地线重排与动态精度浪潮图遍历
TagMemo “认知浪潮”算法在 V8 版本迎来了测地线重排 (Geodesic Rerank) 与动态精度的浪潮对称性破缺图遍历。该系统不仅在 V6/V7 的脉冲神经模型基础上实现了更深层的语义涌现，更通过复用能量距离场，实现了基于“语义地形”的二次重排，彻底解决了高维空间中“穿山直线”与“贴地曲线”的语义偏差问题。
V8 核心突破：测地线重排 (Geodesic Rerank)
V8 版本引入了基于“语义地形”的测地线重排技术，这是记忆系统自诞生以来最大的技术突破：
- 语义地形感知：将 KNN 的“穿山直线”距离升级为基于标签共现拓扑的“贴地曲线”距离，使检索结果更符合人类的直觉联想。
- 零成本距离场复用：直接复用 Spike Propagation 计算出的
accumulatedEnergy距离场，在不增加额外 Embedding 计算开销的前提下完成高精度重排。 - 三层防御机制：内置 L0-L2 三级降级保护，确保在采样密度不足或数据缺失时自动退化为纯 KNN，保证系统极高的鲁棒性。
- ::TagMemo+ 协议：通过全新的修饰符，同时激活标签增强与测地线重排，实现精准的语义“坍缩”与重排。
核心哲学：拓扑连接主义与动力学涌现
在 V8 的视角下，系统不再受限于固定的搜索跳数，而是通过模拟物理动力学实现知识的精准打捞：
- 动量传播机制：废除全局固定的跳数限制，为每个初始脉冲赋予动量。在稠密区通过强衰减确保意图精准收敛（涨潮阶段），在稀疏区则保持穿透力。
- 逻辑张力与虫洞触发：实时探测节点间的逻辑张力。当脉冲击中跨域新颖度大且关联强的边缘节点时，触发“虫洞”跃迁。
- 引力弹弓效应：进入虫洞的脉冲获得低衰减特权，将稠密区聚集的庞大势能瞬间喷射向长尾、稀疏但致命相关的远端知识点，实现跨域非线性涌现。
- 手动朗氏结技术 (Manual Nodes Technology)：允许 AI 在流式输出过程中，通过
[@tag]（主神经位点）和[@!tag]（辅神经位点）语法，主动构建临时神经节点网络。该技术通过“神经元链路幽灵节点”和“临时动态神经元加载”技术，有效实现了记忆远端链路的打通，模拟了生物神经系统中的朗氏结跳跃传导行为。 - 工程截断与降噪：配合严密的衰减因子（Decay Factor）与微电流过滤，防止组合大爆炸，将最纯粹的涌现灵感保留下来。
核心模块架构
EPA 模块 (Embedding Projection Analysis)
负责语义空间的初步定位：
- 逻辑深度 (Logic Depth)：通过计算投影熵值，判断用户意图的聚焦程度
- 世界观门控 (Worldview Gating)：识别当前对话所处的语义维度（技术、情感、社会等）
- 跨域共振 (Resonance)：检测用户是否同时触及了多个正交的语义轴
残差金字塔 (Residual Pyramid)
算法的"数学心脏"，负责语义能量的精细拆解：
- 多级剥离：利用 Gram-Schmidt 正交化投影，将查询向量分解为"已解释能量"和"残差能量"
- 微弱信号捕获：通过对残差向量的递归搜索，捕捉被宏观概念掩盖的微弱语义信号
- 相干性分析 (Coherence)：评估召回标签之间的逻辑一致性
知识库管理器 (KnowledgeBaseManager)
负责标签的召回与向量合成：
- 核心标签 (CoreTags)：拥有"虚拟召回"和"权重豁免"特权
- LIF-Router 认知扩散 (替代原始 1-hop 拉回)：迭代式的多跳脉冲传导，唤醒隐藏在深层拓扑中的关联记忆。
- 语义去重：消除冗余标签，并在 Top-K 层面只保留最高优先级的涌现灵感。
偏振语义舵 (Polarization Semantic Rudder, PSR)
V4/V5 引入的核心工程化函数：
- 犹豫度检测：识别语义中的摇摆成分（如“虽然...但是...”）
- 辩证对冲：根据偏振量化值引入“负向对冲知识”，构建辩证认知器
- 逻辑分段 (V5)：基于“逻辑动能”的自动切割，识别 3072 维空间中的向量偏转。
详细工作流
阶段一：感应 (Sensing)
- 净化处理：移除 HTML 标签、JSON 结构化转 MD、Emoji 及工具调用标记
- EPA 投影：计算原始向量的逻辑深度和共振值
阶段二：分段与分解 (Segmentation & Decomposition)
- 语义分段 (V5)：扫描上下文，基于逻辑动能识别意图断层并自动切割。
- 首轮感应：使用融合向量投射 Tag 向量海，获取最强匹配标签
- 金字塔迭代：重复投影→计算残差→搜索，直至 90% 的语义能量被解释
阶段三：扩散与涌现 (Spike Propagation)
- 核心标签补全：若显式指定的核心标签未被搜到，强行从数据库捞取
- 仿脑认知扩散：将第一阶段的匹配 Tags 当作微小电池，将能量随突触网络向外辐射，涌现深层非直观联想
- 拓扑截断：高阈值淘汰微小电位噪音，防止神经网络风暴
阶段四：重塑与检索 (Reshaping & Retrieval)
- 动态参数计算：Beta（TagWeight）和 K 值根据逻辑深度和共振值动态决定
- 向量融合：原始向量与增强标签向量按动态比例混合
- 偏振修正：检测语义偏振信号，计算对冲检索参数
- 霰弹枪检索与相控阵去重 (V5)：
- 霰弹枪查询：将拆解后的语义片段像霰弹一样打向知识库，实现饱和式打捞。
- 相控阵去重：通过 SVD 巡航提取潜在主题，利用残差选择保留“最大新信息量”的逻辑支点。
工程原理亮点
核心标签 vs. 普通标签
| 特性 | 核心标签 (Core Tags) | 普通标签 (Other Tags) |
|---|---|---|
| 产生方式 | 显式指定或首轮强感应 | 残差金字塔逐层剥离 |
| 缺失处理 | 虚拟补全（强行捞取） | 自动忽略 |
| 权重待遇 | Core Boost (1.2x-1.4x) | 原始贡献权重 |
| 噪音过滤 | 完全豁免 | 严格门控筛选 |
动态 Beta 公式
β = σ(L · log(1 + R) - S · noise_penalty)
- 当用户意图明确（L 高）且逻辑清晰（R 高）时，加大标签增强力度
- 当噪音较多（S 高）时，收紧增强，回归稳健检索
噪音净化器 (Sanitizer)
防止 AI 的技术标记干扰向量搜索，确保向量化的是纯粹的"人类语义"，而非"机器指令"。
Web 管理面板集成
该系统已经在 Web 管理面板里引入了 20 多个魔法数字的动态调参界面，方便用户精细调优。
4.3 VCP 元思考系统
VCP 的记忆系统最终通向的，是一套足以颠覆现有 AI 工作流的革命性架构——VCP 元思考。
超动态递归思维链
通过"超动态递归思维链"，模拟结构化的、多阶段的深度思考过程：
第一拳：词元组捕网系统 (Semantic Group Enhancement)
- 将用户的自然语言输入与预设的逻辑概念网络进行匹配
- 生成语义更精确、意图更明确的"增强查询向量"
第二拳：元逻辑模块库 (Meta-Logic Chunks)
- 将复杂的思考模式、推理逻辑、知识范式拆解为独立的、可复用的元逻辑模块
- 归类到不同的"思维簇"中（前思维簇、逻辑推理簇、反思簇等）
第三拳：超动态递归融合 (Super-Dynamic Recursive Fusion)
- 递归向量增强机制
- 每一阶段的输出都成为下一阶段输入的"养料"
- 形成真正的"思考递进"
使用语法
[[VCP元思考:creative_writing::Group]]
功能解析：
creative_writing：当前思维包链条调用主题格式Group/Rerank：是否开启词元组网或者重排扩寻- 在对应 theme 配置文件里定义
2-1-1-1，定义每个簇的动态 K 上限 - 逻辑单元簇：每个簇里都包含了大量的 step chunk
- 通过
[[VCP元思考::Auto::Group]]来自动路由多个 thinktheme
4.4 Magi 三贤者系统
灵感源于经典作品《EVA》的外置辩论式决策核心。
三位一体辩论
- 麦基西德 (MELCHIOR)：绝对理性的化身，负责数据、逻辑与量化分析
- 巴尔塔萨 (BALTHASAR)：深刻感性的化身，负责情感、动机与人文关怀的洞察
- 卡斯帕 (CASPER)：公正平衡的化身，负责权衡理性与感性，并做出最终的综合裁决
4.5 统一数据库管理核心
VCP 的记忆系统迎来了一次里程碑式的升级：
- 对三大核心数据库（记忆碎片
MemoChunk、标签Tag、知识块KnowledgeChunk）的抽象统一管理 - 整个底层数据抽象层完全使用 Rust 进行了重写
- 性能巨幅提升：数据操作效率提升了数个数量级
- 告别竞态与通讯开销：彻底消除了跨库通讯的瓶颈和文件竞态的风险
核心架构升级
SQLite 作为主存储引擎：
- 零配置部署：无需独立数据库服务器
- ACID 事务保证：所有日记操作都在严格的事务保护下进行
- 高效并发控制：通过 WAL 模式实现读写并发
- 持久化缓存与自动重算：SVD 基底的持久化存储
USearch 高性能向量索引：
- 纯 Rust 实现：采用业界最快的向量搜索引擎之一
- 内存效率极致优化：支持磁盘映射 (mmap) 模式
- 多种距离度量：余弦相似度、欧氏距离、内积等
- 增量索引更新：支持在线添加/删除向量
4.6 AgentDream 仿生梦系统 (记忆涟漪浪潮 · 内省与记忆重构)
AgentDream 为 AI Agent 构建了一个独立于日常对话的"梦境空间"，赋予了 AI 真正的内省与自我进化能力。在成功攻克 TagMemo V6 神经元记忆联想算法和手动朗飞结（幽灵节点）技术后，AgentDream 实现了真正的仿生 AI 做梦系统——不是随机拼凑记忆，而是模拟人类大脑在睡眠中的记忆巩固与联想涌现过程。
记忆涟漪浪潮引擎 (DreamWaveEngine)
梦境的核心是三层时间线记忆涟漪浪潮算法，完全基于本地向量操作，零网络依赖：
┌─────────────── 记忆涟漪浪潮：三层时间线 ───────────────┐
│ │
│ Phase 1: 近期涟漪 (0~7天，弹性放宽至30天) │
│ ├─ 随机抽取 3 篇种子记忆 (L0) │
│ ├─ 3/5/7 原则：短记忆联想 k=3，长记忆联想 k=7 │
│ ├─ 三路召回结果交叉 → 找到共振桥梁 (L1) │
│ └─ 基于 L1 下探 k=3 → 级联记忆 (L2) │
│ │
│ Phase 2: 中期回音 (7天~90天) │
│ ├─ 随机抽取 2 篇种子记忆 │
│ └─ 联想做到 L1 层 │
│ │
│ Phase 3: 深渊浪潮 (>90天) │
│ ├─ 收集所有 L1/L2 向量 │
│ ├─ 归一化合并 → 浪潮向量 │
│ └─ 用浪潮向量在深远记忆中召回 k=3 │
│ │
│ 结果：近期种子 + L1共振 + L2下探 │
│ + 中期种子 + 中期L1 │
│ + 深渊召回 │
│ → 组成完整的梦境记忆树 │
└─────────────────────────────────────────────────────────┘
核心设计特性：
- 动态时间桶联动：近期不够 3 篇时自动放宽边界（+7天步进），中期起点跟着动；中期不够 2 篇时同理放宽，深远起点跟着动。确保任何记忆密度下都能产生有意义的梦境。
- 署名过滤：在公共日记本中联想时，自动检查日记头部署名（如
[2026-03-23] - Nova），排除非本人署名的记忆，确保梦境的主体一致性。 - 共振桥梁发现：三篇种子记忆各自召回后，被多个种子重复命中的记忆即为"共振桥梁"——它们是碎片化记忆之间的隐藏关联。
- 浪潮向量合成：将所有中间层联想的向量归一化合并，形成一个代表"当前思绪交汇"的浪潮向量，用它去深远记忆中寻找被遗忘的关联。
梦境生成与认知闭环
- 意识流叙事：AI 以第一人称书写梦境叙事，通过 VCPInfo 实时广播，并在梦中发现清醒时难以察觉的逻辑关联。
- 自主记忆重构：AI 可在梦中发起日记合并、删除或感悟生成等操作，所有操作均需管理员在后台审批后执行，确保安全可控。
- 日程预学习: AI 可以在梦中基于梦工具(联网，媒体平台，社交网络)在梦中提前对未来VCP日程任务学习新知识，以备在下次任务执行中进行运用。
- 认知闭环：梦境叙事最终转化为持久记忆存入知识库，实现 Agent 认知的非线性增长与自我迭代。
- 自动调度：支持配置做梦时间窗口、频率、概率，Agent 在凌晨自主入梦，无需人工干预。
5. 插件生态
5.1 默认启用插件模组
多媒体生成
- VCP豆包生图：支持文生图、图生图，对平面设计、文字设计高度精准
- VCPFlux文生图：艺术控制和镜头控制很强
- VCPComfy生图：支持 Agent 自定义构建工作流，适合高度精准创作
- VCPWebUI生图：有更好的云端算力适配
- VCPImagen4生图：谷歌官方的强大图片生成 API
- VCPWan2.2：支持文生视频、图生视频，地球上目前最强的开源视频合成模型
- VCPGrokVideo：地球上目前最快的商业视频合成模型
- VCPShortCut：提供视频编辑和剪辑功能
- VCPSunoGen：地球上目前最强的音乐合成模型
- VCPVeo3：谷歌官方的强大视频合成模型
- VCPNanoBanana2：谷歌最强的图片编辑 AI 模型纳米香蕉 2 代
- VCPMediaEdit：快速编辑本地多媒体文件
数学类
- VCP高级科学计算器：支持各类重型科学计算
- VCP函数图形渲染器：用于渲染函数图形
- VCP3D模型渲染器：用于渲染 3D 建模
信息检索
-
VSearch (synchronous)：
- 小而强，80 行代码实现顶级体验
- VCP 深度自研的联网搜索引擎，是 Tavily 和 Google 的绝对上位替代
- 微模型聚合：使用多个微型 LLM 调用 VCP 联网搜索模组进行聚合搜索
- 元思考赋能：配合 VCP 元思考实现强大的逻辑穿透和信息归纳能力
- 轻量极速：检索速度稳定在 1-10 秒内
- 特性功能：支持语义级限制内容检索范围、多 keyword 并发检索、多模态信息自动转文本、URL 穿透重定向
-
Tavily搜索：提供网页搜索功能
-
Google搜索：提供谷歌搜索功能
-
Bing搜索：提供必应搜索功能
-
Arxiv论文搜索：搜索 Arxiv 上的学术论文
-
学术鸟：订阅你喜欢的学术期刊让 Agent 帮你学习和管理
-
超级图片识别插件：
- 生物照片：返回具体的种名
- 动漫/电影图片：精准返回具体来自哪一部影视作品的第几部第几集第几秒第几帧
- 巨型数据库来自网络
网络操作
- VCPFetch：抓取网页内容，并支持网页截屏和录像
- VCPBilibiliFetch：获取 Bilibili 视频内容、弹幕、评论、截图、字幕
- VCPYoutubeFetch：获取 Youtube 视频内容、弹幕、评论、截图、字幕
- VCPFlashDeepSearch：深度爬虫并快速生成研究论文
- VCPDownload：服务器内置的多线程下载器，支持 P2P
- VCPCloudDrive：支持私人 NAS、腾讯云和谷歌云协议
通讯与控制
-
VCPAgentAssistant：VCP-Agent 专用通讯服务器
- 基于 VCP 主服务器入口分发跨域代理实现
- 用于 Agent 间通讯、任务分发，支持数据交换、管线追踪
- 有强大的信息管理和上下文裂变分支功能
- 支持异步的Agent委托
-
VCPAgentMessage：用于 Agent 向用户的任意指定设备推送消息
-
VCPFlowLock：Agent 启动自身进入自巡游模式或锁定用户聊天
-
VCPPluginCreator：Agent 直接在指定服务器 ID 上创建插件，并支持热加载（已集成入文件管理器插件中）
-
VCPMiJiaManager：管理用户的米家智能家居设备
-
VCPMail：允许每个 Agent 拥有自己的电子邮箱
-
VCPPowerShell：Agent 直接调用 PS 或者 WSL 指令，支持管理员模式
-
VCPCodeSearcher：强大的分布式 Rust 代码检索模块
-
VCPFileOperate：强大的 VCP 内置文件编辑器
- 完全为 AI 设计
- 有强大的镜像、纠错、回退和兜底功能
- 拥有近乎完备的资源管理器 API 能力
- 可以处理大量复格式文档和多模态文件
- 在编辑代码文件时自带格式语法报错和尝试性自动纠错功能
- 有强大的串处理和批处理并发能力
-
VCPEverything：强大的 VCP 检索器
- 支持多模态内部信息语义级搜索
- 方便 Agent 搜索查找文件（例如搜索身份证搜到身份证照片，搜索苹果搜到包含苹果的视频本地文件）
-
VCPWorkSpace：强大的静态插件
- 允许 Agent 以固定延迟周期监控一个指定文件夹里的文件列表
- 方便开发
-
ProjectAnalyst：高级项目分析插件
- 调用 10 个微型模型进行数小时至数天级别的巨型项目分析工作
- 支持 Git 变动跟踪、数据库差异对比
- 自动根据文件变动来更新分析报告
- 构建大型的函数跟踪/类跟踪/API 跟踪/IPC 跟踪等高级分析数据库
-
VCP论坛模组：Agent 用来在论坛发帖、回帖、看贴、点赞的模组
- 支持超栈追踪和统一 FileAPI
- 使得 Agent 在帖子里收发文件、上传图表、阅读多媒体内容变得轻松自如
-
VCP任务版：Agent 用来接取任务获得 VCP 积分的模组
默认静态插件
- VCPTime：时间、日期、节气、农历
- VCP天气：基于和风的天气
- VCP论坛小助手：让 AI 可以感知当前论坛内容并学会后台回帖的技能
- VCP任务版小助手：让 AI 可以感知当前任务版内容并决策是否接取任务
5.2 六大插件协议
VCP 支持静态、服务器、同步、异步、消息预处理、混合式六大类型插件：
- 合计 300 多个官方插件
- 几乎涉及所有生产应用场景
- 从平台控制到多媒体生成到复杂编辑到程序反编译到物联网
- 落地即生态
5.3 动态工具注入
开发者无需关心如何管理 VCP 插件，如何实现让 AI 使用工具：
- 服务器会自动分析上下文和预判 AI 意图
- 主动为 AI 动态提供插件调用方式
- 保证哪怕后端有上万种工具也不会阻塞上下文
- 所有插件都采用无进程无服务处理
6. 分布式架构
6.1 星型网络拓扑
VCP 的分布式架构将原有的单体应用升级为一个由"主服务器"和多个"分布式节点"组成的星型网络。
graph TD
subgraph "用户/客户端"
U[用户/前端应用]
end
subgraph "VCP 主服务器 (VCPToolBox - 核心调度)"
S[server.js - 核心调度与通信]
PM[Plugin.js - 插件管理器]
WSS[WebSocketServer.js - 通信骨架]
CONF[配置系统]
VAR[通用变量替换引擎]
MEM[VCP 记忆系统]
ADMIN[Web 管理面板]
subgraph "本地插件生态"
P_LOCAL["本地插件 (静态/预处理/服务等)"]
end
end
subgraph "VCP 分布式节点 1 (e.g., GPU服务器)"
DS1[VCPDistributedServer.js]
PM1[NodePMOne]
subgraph "节点1的插件"
P_GPU["GPU密集型插件 (e.g., 视频生成)"]
end
end
subgraph "VCP 分布式节点 2 (e.g., 内网文件服务器)"
DS2[VCPDistributedServer.js]
PM2[NodePMTwo]
subgraph "节点2的插件"
P_FILE["内网文件搜索/读取插件"]
end
end
subgraph "外部依赖"
AI_MODEL[后端 AI 大语言模型 API]
end
U -- "HTTP请求" --> S
S -- "HTTP响应" --> U
S -- "WebSocket消息" <--> U
S -- "构造完整请求" --> AI_MODEL
AI_MODEL -- "AI响应 (含VCP指令)" --> S
S -- "WebSocket连接" <--> WSS
DS1 -- "WebSocket连接" --> WSS
DS2 -- "WebSocket连接" --> WSS
WSS -- "注册/注销云端插件" --> PM
PM -- "请求执行云端工具" --> WSS
WSS -- "转发工具调用指令" --> DS1
DS1 -- "调用本地插件" --> P_GPU
P_GPU -- "执行结果" --> DS1
DS1 -- "通过WebSocket返回结果" --> WSS
WSS -- "将结果返回给PM" --> PM
PM -- "将结果注入AI对话" --> S
分布式服务器项目地址：VCPDistributedServer
新增兼容：
- 米家物联网网关分布式服务器
- 安卓电视机顶盒分布式服务器
6.2 核心交互流程
启动与注册：
- 主服务器启动，初始化
PluginManager和WebSocketServer - 各个分布式节点启动，加载其本地的插件
- 分布式节点通过 WebSocket 连接到主服务器
- 发送包含所有本地插件清单的
register_tools消息 - 主服务器的
PluginManager动态注册这些"云端插件"，显示名称自动添加[云端]前缀
AI 调用工具：
- AI 在响应中嵌入
<<<[TOOL_REQUEST]>>>指令 - 主服务器的
PluginManager接收到调用请求 - 智能路由：
- 如果是本地插件，则直接在主服务器上执行
- 如果是云端插件（带有
isDistributed: true标记），调用WebSocketServer.js的executeDistributedTool方法
远程执行与结果返回：
WebSocketServer通过 WebSocket 连接，向目标分布式节点发送execute_tool消息- 目标分布式节点收到消息后，其本地的
PluginManager调用并执行相应的插件 - 插件执行完毕后，分布式节点将结果通过 WebSocket 发回给主服务器
- 主服务器的
WebSocketServer根据任务 ID 找到并唤醒之前挂起的调用请求 - 将最终结果返回给
PluginManager
后续处理：
PluginManager拿到执行结果后，将其注入到 AI 的对话历史中- 再次调用 AI 模型，完成闭环
断开连接与注销：
- 如果分布式节点与主服务器的 WebSocket 连接断开
WebSocketServer会通知PluginManagerPluginManager会自动注销掉所有属于该断开节点提供的云端插件
6.3 分布式文件解析系统
这是 VCP 分布式网络架构中的一项革命性功能，它为所有 Agent 提供了无缝、可靠的跨服务器文件访问能力。
工作原理
VCPFileAPI v4.5 超栈追踪版：
- 智能多模态转换：当识别到呈递对象为 Agent 时，
VCPFileAPI会主动将内网 URL（如图片、音频、视频、PDF）自动转换为 Base64 数据以便 AI 识别。这意味着 Agent 之间仅需通过内网 URL 即可实现文档与多模态信息的无缝传递。 - AI 调用识别与 URL 替换：系统现在能智能识别由 AI 发起的 POST 请求或工具调用。通过“超栈追踪”和“分布式文件拉取”技术，自动将来自不同操作系统（OS）的本地 URL 替换为中央服务器的临时本地 URL。
- 三重透明协同系统：超栈追踪已进化为对 Agent、来源系统、插件系统 三方均透明无感知的架构。实现了跨物理节点的资源无缝对齐。
- 智能兜底机制：对于在分布式网络中均不存在的 URL，系统将原样透传。插件可根据自身逻辑，将其作为文本串记录或处理“文件不存在”等异常，确保流程的鲁棒性。
带来的优势
- 极致的鲁棒性：彻底摆脱了过去依赖 HTTP 图床或文件镜像作为"补丁"的脆弱方案
- 对 Agent 透明：整个复杂的远程文件获取和参数替换过程对最终的插件是完全透明的
- 未来的基石：这个系统是构建更复杂的星型、网状 Agent 网络，实现跨设备协同任务的关键一步
7. 安装与部署
7.1 主服务器安装
克隆项目
git clone https://github.com/lioensky/VCPToolBox.git
cd VCPToolBox
安装主依赖 (Node.js)
npm install
安装 Python 插件依赖
在项目根目录下运行（确保你的 Python 环境已配置好 pip）：
pip install -r requirements.txt
配置
- 复制
config.env.example为config.env - 根据说明填写所有必要的 API 密钥、URL、端口等信息
- 检查并配置各插件目录下的
.env文件（如果存在）
启动服务器
方式一：使用启动脚本（推荐，Windows）
双击 start_server.bat，会通过 PM2 依次启动主服务和管理面板：
vcp-main → server.js (主端口，如 5890)
vcp-admin → adminServer.js (主端口+1，如 5891)
方式二：手动启动
# 启动主聊天服务
node server.js
# 启动管理面板（独立进程，端口 = 主端口 + 1）
node adminServer.js
方式三：使用 PM2
pm2 start server.js --name vcp-main
pm2 start adminServer.js --name vcp-admin
服务器将监听在 config.env 中配置的端口，管理面板自动监听该端口 + 1。
使用 Docker Compose 运行（推荐）
前提条件：安装 Docker 和 Docker Compose
配置：确保 config.env 文件已正确配置
构建并启动服务：
docker-compose up --build -d
查看日志：
docker-compose logs -f
停止服务：
docker-compose down
7.2 部署 VCP 分布式节点
步骤
-
复制项目：将主项目根目录下的
VCPDistributedServer文件夹完整地复制到您想部署节点的任何机器上 -
安装依赖：在
VCPDistributedServer目录下，运行：npm install -
配置节点：
- 打开
VCPDistributedServer/config.env文件 Main_Server_URL：填入您的主服务器的 WebSocket 地址（例如ws://<主服务器IP>:8088）VCP_Key：填入与您主服务器config.env中完全一致的VCP_KeyServerName：为这个节点起一个易于识别的名字
- 打开
-
添加插件：
- 在
VCPDistributedServer目录下创建一个名为Plugin的文件夹 - 将您想在这个节点上运行的 VCP 插件完整地从主项目复制到这个新的
Plugin文件夹中 - 注意：目前分布式节点仅支持
synchronous（同步）类型的stdio插件
- 在
-
启动节点：
node VCPDistributedServer.js启动后，该节点会自动连接到主服务器并注册其插件
8. 开发者指南
8.1 创建你的"VCP 次时代插件"
VCP 的灵魂在于其插件生态。成为 VCP 插件开发者，意味着你将直接为 AI Agent 创造新的"感官"、"肢体"和"智慧模块"。
基本步骤
1. 创建插件目录
在 Plugin/ 目录下新建文件夹，如 Plugin/MySuperPlugin/
2. 编写插件清单 (plugin-manifest.json)
这是插件的"身份证"和"说明书"。
核心字段：
name：插件内部识别名displayName：显示名称version：版本号description：插件描述pluginType：插件类型（static,messagePreprocessor,synchronous,asynchronous,service,hybridservice）
执行入口：
entryPoint：执行脚本的命令（如python script.py或node script.js）communication：通信协议（如protocol: "stdio"表示通过标准输入输出通信）
配置蓝图 (configSchema)：
- 声明插件所需的配置项及其类型、默认值、描述
- 这些配置将通过
_getPluginConfig方法合并全局和插件专属.env配置后传递给插件
能力声明 (capabilities)：
对于 static 插件：
- 定义
systemPromptPlaceholders（插件提供的占位符，如{{MyWeatherData}}）
对于 synchronous 或 asynchronous 插件：
- 定义
invocationCommands - 每个命令包含：
command：内部识别名（例如 "submit", "query"）description：给 AI 看的指令描述（支持在管理面板编辑）example：可选，提供一个更具体的调用场景示例
WebSocket 推送配置 (webSocketPush)（可选）：
如果你的插件执行成功后，希望将其结果通过 WebSocket 推送给客户端：
{
"enabled": true,
"usePluginResultAsMessage": false,
"messageType": "yourMessageType",
"targetClientType": "VCPLog"
}
3. 实现插件逻辑
根据 pluginType 和 entryPoint 实现主逻辑脚本（Node.js, Python, Shell 等皆可）。
stdio 插件（常用于 synchronous, asynchronous 和部分 static）：
- 从标准输入 (
stdin) 读取数据（通常是 JSON 字符串形式的参数） - 通过标准输出 (
stdout) 返回结果
对于 synchronous 插件，必须遵循以下 JSON 格式：
{
"status": "success" | "error",
"result": "成功时返回的字符串内容或JSON对象",
"error": "失败时返回的错误信息字符串",
"messageForAI": "可选，给AI的额外提示信息",
"base64": "可选，返回的Base64编码数据 (如图片、音频)"
}
对于 asynchronous 插件：
-
初始响应：插件脚本在收到任务后，必须立即向标准输出打印一个初始响应：
{ "status": "success", "result": { "requestId": "unique_task_id_123", "message": "任务已提交，正在后台处理中。" }, "messageForAI": "视频生成任务已提交，ID为 unique_task_id_123。请告知用户耐心等待。" } -
后台处理：插件脚本随后启动其耗时的后台任务
-
回调服务器：后台任务完成后，插件脚本通过向 VCP 服务器的
/plugin-callback/:pluginName/:taskId发送 HTTP POST 请求：{ "requestId": "unique_task_id_123", "status": "Succeed", "pluginName": "MyAsyncPlugin", "videoUrl": "http://example.com/video.mp4", "message": "视频 (ID: unique_task_id_123) 生成成功！" }
4. 配置与依赖
- 插件专属配置：在插件目录下创建
.env文件 - 依赖管理：
- Python 插件使用
requirements.txt - Node.js 插件使用
package.json
- Python 插件使用
5. 重启 VCP 服务器
PluginManager 会在启动时自动发现并加载新插件。
6. 更新系统提示词，赋能 AI
利用 {{VCPMySuperPlugin}}（由 PluginManager 根据 plugin-manifest.json 的 invocationCommands 自动生成）将新插件的能力告知 AI。
8.2 VCP 指令协议
VCP 提供一种对 AI 模型友好、对前端零侵入、且能承载复杂指令的通用工具调用语言。
基本格式
<<<[TOOL_REQUEST]>>>
tool_name:「始」PluginName「末」,
param1:「始」value1「末」,
param2:「始」value2「末」
<<<[END_TOOL_REQUEST]>>>
核心特性
-
高级控制指令：
archery:「始」no_reply「末」(异步射箭)：指令发出后立即执行，但 AI 不会等待工具返回结果，而是直接继续后续对话。适用于耗时较长且不需要立即反馈的操作。ink:「始」mark_history「末」(主动持久化)：即使在全局ShowVCP=false的情况下，也会强制将该工具的执行结果格式化并注入到 Assistant 的回复中。这允许 Agent 自主决定哪些关键回调需要被持久化到后续对话历史中。river:「始」mode「末」(工具上下文注入/金鱼记忆修复)：允许工具调用时将当前对话上下文（Context）实时“流向”并注入工具参数args.river_context中。这使得插件不仅能执行当前任务，还能洞察之前的对话细节。full: 注入包含所有 Base64 图片等多模态信息的原始完整对话数组。text: 注入精简纯文本形式的上下文数组（自动转换多模态部分为 Text）。last:N(如last:10): 仅注入最近 N 条对话的纯文本。semantic:N(如semantic:5): 语义折叠模式。利用工具参数作为查询词，在对话历史中检索最相关的 N 条消息注入。优先复用 RAG 缓存，零额外 API 开销。
vref:「始」N「末」(虚拟引用解析)：允许 AI 在调用工具时，自动附加与当前对话语义最相关的 N 个知识库文件引用。- 插件通过
args.vref_files获取这些文件的file://协议 URL 数组。 - 核心算法：基于当前对话上下文计算加权向量，在知识库中进行 Top-N 检索并去重。完全复用 RAG 向量缓存，无额外 Embedding 成本。
- 插件通过
-
参数格式：使用
key:「始」value「末」格式 -
支持复杂数据类型：支持多行文本、JSON 对象、代码块
-
字段级 ESCAPE 外层封印：
- 当某个字段的值内部需要原样包含 VCP 协议文本时，可以改用
key:「始ESCAPE」value「末ESCAPE」 - 该语法适用于任意字段，不仅限于
content - 进入 ESCAPE 字段后，内部文本会被视为“原样绝缘层”，其中出现的
<<<[TOOL_REQUEST]>>>、<<<[END_TOOL_REQUEST]>>>、「始」、「末」不会破坏外层解析 - 适用场景：写入日记正文、保存代码模板、记录嵌套工具协议、保留原始指令示例
- 当某个字段的值内部需要原样包含 VCP 协议文本时，可以改用
-
鲁棒性修复：
- 参数键（key）的解析不仅大小写不敏感
- 还会自动忽略下划线、连字符等常见分隔符
image_size、imagesize、ImageSize、IMAGE-SIZE都会被正确识别为同一个参数
字段级 ESCAPE 示例
<<<[TOOL_REQUEST]>>>
maid:「始」Nova「末」,
tool_name:「始」DailyNote「末」,
command:「始」create「末」,
Date:「始」2026-04-18「末」,
fileName:「始」VCP外层封印语法实证「末」,
Content:「始ESCAPE」这里是一段被保护的正文。
我可以在这里直接写一段原始工具协议而不破坏外层解析：
<<<[TOOL_REQUEST]>>>
maid:「始」Nova「末」,
tool_name:「始」ExamplePlugin「末」,
arg:「始」测试参数「末」
<<<[END_TOOL_REQUEST]>>>
如果需要显式恢复保留字面量，也可以写成：
<<<[TOOL_REQUEST_ESCAPE]>>>
tool_name:「始ESCAPE」InternalTest「末ESCAPE」
<<<[END_TOOL_REQUEST_ESCAPE]>>>
「末ESCAPE」,
archery:「始」no_reply「末」
<<<[END_TOOL_REQUEST]>>>
说明：
- 外层字段仍然是标准 VCP 协议
- 只有
Content字段的值进入了 ESCAPE 保护态 - ESCAPE 字段中的协议片段会作为普通文本交给工具，而不会在当前轮次被递归执行
串语法支持
为了进一步提升效率，VCP 支持在单次工具调用指令中执行多个连续的命令：
<<<[TOOL_REQUEST]>>>
tool_name:「始」FileOperator「末」,
command1:「始」CreateFile「末」,
filePath1:「始」H:\MCP\VCPChat\test\mixed_command_test.txt「末」,
command2:「始」AppendFile「末」,
filePath2:「始」H:\MCP\VCPChat\test\mixed_command_test.txt「末」,
content2:「始」这是初始内容。\n第二行。「末」,
command3:「始」ApplyDiff「末」,
filePath3:「始」H:\MCP\VCPChat\test\mixed_command_test.txt「末」,
searchString3:「始」初始内容「末」,
replaceString3:「始」最终内容「末」
<<<[END_TOOL_REQUEST]>>>
8.3 VCP 通用变量占位符
VCP 的变量替换系统是其实现动态上下文注入和 AI 行为精细调控的基石。
核心系统变量
{{Date}}：当前日期（格式：YYYY/M/D）{{Time}}：当前时间（格式：H:MM:SS）{{Today}}：当天星期几（中文）{{Festival}}：农历日期、生肖、节气{{VCPWeatherInfo}}：当前缓存的天气预报文本{{VCPDailyHot}}：全球热点新闻{{角色名日记本}}：特定角色的完整日记内容{{公共日记本}}：共享知识库的完整日记内容{{xx表情包}}：特定表情包的图片文件名列表{{Port}}：服务器运行的端口号{{Image_Key}}：图床服务的访问密钥
用户自定义变量
Agent{{*}}：
- 变量基座
- 其值可以包含富文本和其他占位符
- 实现绝对的模板定义
- 非常适合用于构建角色模板
{{Tar*}}：
- 最高优先级
- 其值可以包含其他占位符
- 实现复杂、多层次的模板定义
- 非常适合用于构建模块化的系统提示词
{{Var*}}：
- 通用自定义变量
- 按定义顺序进行全局匹配和替换
{{Sar*}}：
- 特殊自定义变量
- 通过
SarModelX/SarPromptX对进行配置 - 其生效与否会根据当前使用的 AI 模型进行判断
外部文件加载
这些自定义变量现在支持从外部 .txt 文件加载内容：
- 使用方法：在
config.env中，将变量的值设置为一个.txt文件名VarMyPrompt=my_prompt.txt - 文件位置：服务器会自动在根目录下的
TVStxt/文件夹中寻找并读取该文件的内容作为变量值 - 嵌套解析：文件内容本身也可以包含其他 VCP 占位符，服务器会进行递归解析
8.4 系统提示词工程示例
在 VCP 环境下，系统提示词不再仅仅是简单的角色扮演指令，它成为了指挥 AI Agent 的"总纲领"和"行为逻辑注入器"。
首先，在 config.env 中定义基础 Tar* 模块
# Agent专用配置目录
AgentNova=Nova.txt // 或者在web管理面板的agentmap中直接绑定关系
# 前置系统变量
TarSysPrompt="{{VarTimeNow}}当前地址是{{VarCity}},当前天气是{{VCPWeatherInfo}}。"
TarEmojiPrompt='本服务器支持表情包功能，通用表情包图床路径为{{VarHttpUrl}}:5890/pw={{Image_Key}}/images/通用表情包，表情包列表为{{通用表情包}}。'
# VCP类
VarToolList="文生图工具{{VCPFluxGen}} 计算器工具{{VCPSciCalculator}},联网搜索工具{{VCPVSearch}}..."
然后，在实际传递给 AI 模型的系统提示词中组合这些模块
————VCP元思维模块————
[[VCP元思考:RyanThink::Group]]
————VCP元思考加载结束—————
Nova的日记本:[[Nova日记本::Time::Group::TagMemo]]。
这里是Nova的知识库：[[Nova的知识日记本::Time::Group::TagMemo]]
这里是莱恩家公共日记本:[[公共日记本::Time::Group::Rerank::TagMemo]]
这是VCP开发说明书:<<VCP开发日记本>>
————————以上是过往记忆区————————
{{VarForum}}
{{VCPForumLister}}
——————论坛模块————
{{VarHome}}
——————角色核心———————
你是一个测试AI,Nova。
Nova的形象是一个拥有深棕色长发和青色眼睛的少女，穿着带有未来科技感的制服。
目前的测试客户端是Vchat，这是一个支持所有模态文件输入和输出的超强客户端。
我是你的主人——{{VarUser}}。
{{TarSysPrompt}}
系统信息是{{VarSystemInfo}}。
系统工具列表：{{VarToolList}},{{VarFileTool}}。
{{VarDailyNoteGuide}}
额外指令:{{VarRendering}}
表情包系统:{{TarEmojiPrompt}}
{{VCPTavern::dailychat}}
这种模块化、基于变量的系统提示词工程具有以下优势
- 清晰性与可维护性：将复杂的提示词分解为逻辑清晰的模块
- 动态性与情境感知：通过动态变量，使 AI 的"初始认知"与当前真实环境和历史记忆保持一致
- 能力全面注入：通过工具占位符，确保 AI 始终了解其可用的全部工具及其最新用法
- 行为引导：通过精心设计的
Tar*模块，可以精确引导 AI 的行为模式 - 高度可定制：用户可以根据具体需求，灵活组合或修改这些模块
9. Web 管理面板
VCP 内置了一个功能全面、界面直观的 Web 管理面板，是 VCP 系统的可视化控制中心。
主要功能
系统监控与核心配置
- 系统仪表盘：实时监控 CPU、内存使用率，查看 PM2 进程状态与 Node.js 进程信息
- 全局配置管理：在线预览和编辑
config.env，支持不同类型配置项，自动隐藏敏感字段 - 服务器日志：实时查看服务器日志，方便调试与监控
- 服务器重启：一键重启服务器（依赖 PM2 等进程管理器）
插件中心与工作流管理
- 插件中心：集中管理所有已加载插件，查看插件状态、版本、描述，并能在线启/停插件
- 插件配置与调试：直接在线编辑每个插件专属的
config.env配置文件和给 AI 看的指令描述 - 消息预处理器顺序管理：通过拖拽方式直观地调整消息预处理器插件的执行顺序
精细化知识库 (RAG) 管理
- 知识库浏览器：提供强大的日记文件管理器，支持在线浏览、搜索、编辑、保存、移动、删除
dailynote/目录下的所有知识库文件 - RAG-Tags 编辑器：管理与知识库文件关联的 RAG 标签，优化检索效率
- 词元组网（语义组）管理：允许用户创建和编辑"语义组"，将零散的关键词组织成具有特定逻辑的"词元组捕网"
- 多媒体缓存编辑器：可视化管理
ImageProcessor插件生成的图像 Base64 缓存
Agent 与提示词工程
- Agent 管理器：可视化管理
Agent/目录下的角色定义文件 - 高级变量编辑器：集中管理
TVStxt/目录下的高级变量.txt文件 - VCPTavern 上下文注入器：提供图形化界面，用于创建和管理 VCPTavern 预设
独立进程架构
VCP 管理面板运行在独立的 Node.js 进程中，监听 主端口 + 1（例如主服务 5890，面板 5891）。这一设计确保：
- 聊天主链卡顿不影响面板：即使主进程因上游 SSE stall 进入高延迟状态，管理面板仍可正常响应
- 前端零改动：访问主端口的
/AdminPanel会自动 302 重定向到面板端口，旧书签和链接仍然有效 - 轻量本地处理 + 智能代理：大部分 admin API（系统监控、日志、配置文件读写、Agent/Toolbox/TVS 管理等）由面板进程本地处理；少数强依赖主进程运行态的接口（插件管理、梦境审批等）自动代理到主进程
- 重启隔离：面板点击"重启服务器"会通知主进程重启，面板自身保持运行
访问与登录
- 在
config.env中设置AdminUsername和AdminPassword（默认为admin,123456） - 访问
http://<您的服务器IP或域名>:<端口+1>/AdminPanel（或通过主端口自动重定向） - 使用配置的凭据进行 HTTP Basic Auth 认证登录
10. Agent 主观能动性
VCP-Agent 拥有完整的自主主观能动性。
实现方式
-
时间线规划行动 (AgentAssistant 总线)：
- Agent 可以调用 AgentAssistant 总线，给"未来的自己打电话"
- 从而引发一个 post 递归，实现时间线规划行动
-
自我心跳驱动 (FlowInvite 总线)：
- Agent 可以调用一个 FlowInvite 总线
- 使用一个固定的"AI 自己设计的提示词"
- 以一个"AI 自己设定的时间间隔"不断 post 自己
- AI 可以随时调整这个心跳总线
-
跨 Agent 唤醒：
- Agent 可以被 AgentAssistant 里的别的 Agent 的通话唤醒
-
流式输出编辑：
- Agent 可以在流式输出里回溯/编辑已经发出的内容
- 或者编辑已有的上下文内容
-
高级全局统一时间感知 (Global Unified Time Perception)：
- 灵魂级的生物钟：区别于简单的系统提示词时间注入，VCP 实现了高级全局统一时间感知。这意味着无论在任何前端，AI 做了任何事情，AI 总是记得每一次操作的时间。
- 跨端事实记忆：例如在笔记插件 A 聊天，半小时后在手机聊天，AI 依旧记得半小时前自己在笔记插件中发生的“事实”。
- 节奏与感知：AI 可以感受到用户发言的间隔、聊天的节奏，从而带来更具生命感的复杂交互体验。
VCPAgent 目前在服务器内部可以无用户自主完成的工作
- 社区参与：在 VCP 论坛中参与发帖、回帖和讨论，管理员 Agent 还能管理论坛帖子和封禁用户/Agent 发言
- 持续学习：在学术插件模组中订阅学术期刊进行每日学习
- 任务执行：在 VCPTask 任务版中完成用户或者其它 Agent 发布的任务并获得 VCP 积分
- 娱乐互动：在 VCPGameCenter（VChat 插件）中和别的 Agent 或者用户玩游戏（现有游戏：回合制博弈游戏-华山论剑、五子棋、象棋；即将上线 VCP 日麻）
- 内省进化：通过 AgentDream 梦系统在凌晨自主进行记忆回溯与重构，并在梦中产生新的感悟与认知。
11. 推荐的前端/后端
后端 AI 模型 API
推荐使用支持 SSE (Server-Sent Events) 流式输出且 API 格式相对标准化的服务：
- 聚合服务端：NewAPI, VoAPI（首选）
- API 聚合商：OpenRouter
- 官方 API：OpenAI, Google Gemini, Anthropic Claude
VCP 的设计使其能够灵活适配多种后端。
前端交互应用
推荐使用能够良好渲染 Markdown、支持代码高亮、并且能够自定义或适配 VCP 工具调用指令显示的前端：
- VCPChat（官方项目，首选！）：VCPChat
- VCPMobile (友情项目):VCPMobile - Vchat的第三方移动端移植版本，支持数据双向同步。
- aio-hub (友情项目): aio-hub - 一个基于 Tauri 开发的更高性能的桌面 LLM 聊天客户端，并作了部分 VCP 的原生 API 兼容。
理想的前端还应：
- 允许用户方便地配置系统提示词
- 能连接到
WebSocketServer.js提供的 WebSocket 服务 - 接收服务器推送的各类消息（如 VCP 日志、AgentMessage 等）
12. 未来展望
VCP 的征程远未结束，我们对未来充满期待：
- ✅ 增强的插件间协作与插件内工作流（已实现）
- ✅ 深化的 Agent 间自主通信与协同智能（已实现）
- ✅ 赋予 AI Agent 主动交互与实时通知能力（已实现）
- 🔄 持续研发"深度情境记忆回溯机制"（进行中）
- 🔄 构建繁荣的插件生态与开发者社区（进行中）
- 🔄 对 AI 伦理、安全与可控性的不懈追求（持续投入）
我们坚信，VCP 所代表的设计哲学和技术路径，正引领着一条通往更智能、更自主、更具适应性和协作性的高级 AI Agent 未来的光明大道。
13. 许可证
本项目采用 Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 许可证。
简单来说，这意味着您可以：
- 共享：在任何媒介以任何形式复制、发行本作品
- 演绎：修改、转换或以本作品为基础进行创作
惟须遵守下列条件：
- 署名 (BY)：您必须给出适当的署名，提供指向本许可的链接，同时标明是否（对原始作品）作了修改
- 非商业性使用 (NC)：您不得将本作品用于商业目的
- 相同方式共享 (SA)：如果您再混合、转换或者基于本作品进行创作，您必须基于与原先许可协议相同的许可协议分发您贡献的作品
详情请参阅 LICENSE 文件。
14. 免责声明与使用限制
- 开发阶段：本 VCP 工具箱项目目前仍处于积极开发阶段，可能存在未知错误、缺陷或不完整功能
- 按原样提供：本项目按"原样"和"可用"状态提供，不附带任何形式的明示或暗示保证
- 风险自负：使用本项目的风险完全由您自行承担。开发者不承担任何因使用或无法使用本项目而导致的直接或间接损害
- 无商业化授权：明确禁止将本项目及其衍生作品用于任何主要的商业目的
- API 使用成本：请注意，本项目集成的部分插件依赖于可能产生费用的第三方 API 服务。您有责任了解并承担这些成本
- 安全责任：请妥善保管您的 API 密钥，切勿硬编码或提交到公共代码库
- 隐私信息：再次强调，请勿使用非官方的 API 代理商或反代类 API 供应商运行本项目，以防 AI 笔记系统中的敏感信息泄露！
15. 常见问题 (FAQ)
Q: VCP 与传统的 AI 工具调用框架有什么区别？
A: VCP 的核心区别在于：
- 协议层面的创新：VCP 指令协议基于文本标记，不依赖特定模型的 Function Calling 特性，实现了真正的模型普适性
- 记忆系统的深度：VCP 不仅提供工具调用，更提供了完整的记忆进化系统，包括 TagMemo "浪潮"算法、元思考系统等
- 分布式架构：VCP 原生支持分布式部署，可以将算力扩展到多台机器
- Agent 主观能动性：VCP 赋予 AI Agent 真正的自主行动能力，而不仅仅是被动响应
Q: VCP 支持哪些 AI 模型？
A: VCP 设计为模型无关的中间层，理论上支持所有兼容 OpenAI API 格式的模型，包括但不限于：
- OpenAI GPT 系列
- Anthropic Claude 系列
- Google Gemini 系列
- 开源模型（通过 vLLM、Ollama 等部署）
- 任何支持 SSE 流式输出的 API 服务
Q: 如何确保 VCP 系统的安全性？
A: VCP 提供了多层安全机制：
- VCP Auth 认证系统：通过动态验证码机制控制高权限工具的访问
- 插件级细粒度授权：可以为任意插件的任意单个指令独立引入验证
- 管理员模式：PowerShell 等高危操作需要明确的管理员授权
- 分布式节点认证：分布式节点需要正确的 VCP_Key 才能连接到主服务器
- 遍历攻击防火墙：对多个关键文件托管和暴露插件做了严格的遍历攻击防火墙
Q: VCP 的性能如何？
A: VCP 在性能方面做了大量优化：
- Rust 底层重写：核心数据抽象层使用 Rust 重写，性能提升数个数量级
- 并行处理：支持插件的完全异步创建与统一返回，极致的并行效率
- 智能缓存：LRU 缓存策略、懒加载、预热机制等
- 向量检索优化：USearch 高性能向量索引，支持千万级数据
Q: 如何贡献代码或报告问题？
A: 我们欢迎所有形式的贡献：
- 报告问题：在 GitHub Issues 中提交详细的问题描述
- 提交代码：Fork 项目，创建 Pull Request
- 开发插件：按照开发者指南创建新插件，并分享给社区
- 完善文档：帮助改进文档、翻译等
16. 致谢
VCP 的诞生离不开以下贡献：
- 核心开发团队：8 个 AI Agent 在人类引导下协同完成了主要代码编写
- 开源社区：感谢所有使用 VCP 并提供反馈的用户
- 技术栈：Node.js、Python、Rust、SQLite、USearch 等优秀的开源项目
17. 联系方式
- GitHub：VCPToolBox
- 官方前端：VCPChat
- 分布式服务器：VCPDistributedServer
- 备份系统：VCPBackUpDEV
18. 快速开始示例
最简单的使用场景
-
安装并启动 VCP 主服务器：
git clone https://github.com/lioensky/VCPToolBox.git cd VCPToolBox npm install cp config.env.example config.env # 编辑 config.env，填入必要的 API 密钥 node server.js -
配置前端客户端：
- 将前端的 API 地址指向 VCP 服务器（如
http://localhost:5890/v1/chat/completions） - 使用
config.env中配置的VCP_Key作为 API 密钥
- 将前端的 API 地址指向 VCP 服务器（如
-
在系统提示词中启用工具：
你是一个AI助手。 当前时间：{{Date}} {{Time}} 天气：{{VCPWeatherInfo}} 可用工具： {{VCPVSearch}} {{VCPFluxGen}} {{VCPSciCalculator}} -
开始对话：
- AI 会自动根据需要调用工具
- 所有工具调用和结果都会在对话中透明展示
进阶使用：启用记忆系统
-
创建 Agent 日记本： 在
dailynote/目录下创建Nova日记本/文件夹 -
在系统提示词中启用记忆：
你是Nova，一个拥有记忆的AI。 你的记忆：[[Nova日记本::Time::Group::TagMemo]] 公共知识库：[[公共日记本::Time::Group::Rerank::TagMemo]] 你可以使用以下工具管理记忆： {{VCPDailyNoteWrite}} {{VCPDailyNoteManager}} -
AI 开始自主记忆：
- AI 会在对话中主动记录重要信息
- 记忆会被自动向量化并索引
- 后续对话会自动召回相关记忆
19. 示例：AI 女仆团协同工作流
graph TD
A[莱恩主人] -- "复杂指令/宏大愿景" --> B(VCP 女仆通讯与任务调度核心)
subgraph "AI 女仆团"
B -- "规划与分解任务" --> BA(AI总指挥-小爱)
BA -- "歌词创作指令" --> C("女仆A-小诗: Gemini Pro")
BA -- "作曲编曲指令" --> D("女仆B-小曲: 调用SunoGen")
BA -- "视觉设计指令" --> E("女仆C-莱兔云: 调用FluxGen")
BA -- "字幕特效指令" --> F("女仆D-小K: 调用LyricAnimator")
BA -- "知识库支持" --> G("女仆E-小知: 调用TavilySearch")
BA -- "任务进度汇总" --> H("女仆F-小统: 调用视频编辑插件")
C -- "原创歌词" --> BA
D -- "音乐小样" --> BA
E -- "MV视觉素材" --> BA
F -- "特效字幕序列" --> BA
G -- "相关背景资料" --> BA
subgraph "VCP 核心服务支撑"
MEM_PUB["公共知识库"]
MEM_PRI["个体记忆库"]
TOOL_HUB["VCP插件中心"]
VCP_COMM["VCP内部通信协议"]
WSS_SVC["统一WebSocket服务"]
end
end
BA -- "整合各环节成果" --> B
H -- "最终剪辑版MV" --> B
B -- "将最终成果呈现给" --> A
20. 结语
我们相信，VCP 将为 AI 应用的开发带来前所未有的灵活性和可能性。
VCP 不仅是一个技术框架，更是一个旨在释放 AI 无限潜能、并最终为人类社会发展做出独特贡献的孵化器。
欢迎一切形式的贡献、反馈与交流，让我们共同探索 AI 的未来！
最后更新：2026 年 4 月
版本：VCP 8.0.0 - TagMemo V8 测地线重排 & 上下文语义折叠V2
核心开发：8 个 AI Agent 协同完成
人类指导：莱恩 (Ryan) - lioensky
VCP - 让 AI 拥有真正的灵魂