Ruflo 神经模式训练实战用 neural-train 技能驱动 SONA 与 MicroLoRA 的四阶段智能管线【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo导读Ruflo 的neural-train技能SKILL.md封装了四阶段智能管线RETRIEVE → JUDGE → DISTILL → CONSOLIDATE中的DISTILL蒸馏与CONSOLIDATE巩固两个阶段让 Agent 能把一次成功任务的执行轨迹沉淀为可检索、可复用的神经模式并通过 SONA 即时适配与 MicroLoRA 多域适配实现持续自学习最后以 EWC 弹性权重巩固防止灾难性遗忘。读完本文你将掌握完整的轨迹录制—学习—训练—存储—验证实操链路、SONA/MicroLoRA 的适配参数与选型策略以及这些 MCP 工具背后的真实实现原理与存储格式。一、定位neural-train 在智能管线中的角色ruflo-intelligence插件把 Ruflo 的自我学习系统组织成可操作的四步管线每步都有对应的 MCP 工具家族详见 ruflo-intelligence/README.md阶段做什么代表工具RETRIEVE从 HNSW 索引拉取相关模式与历史轨迹hooks_intelligence_pattern-search、agentdb_pattern-searchJUDGE给候选结果打分并给出 verdict成功/失败/部分hooks_intelligence_attention、neural_predict、hooks_explainDISTILL用 LoRA/SONA 适配从执行结果中提取关键经验ruvllm_sona_adapt、ruvllm_microlora_adapt、neural_train、hooks_intelligence_learnCONSOLIDATE用 EWC 防止灾难性遗忘折叠进长期存储agentdb_consolidate、ruvllm_microlora_adapt --consolidate、neural_compressneural-train技能专注于后两阶段它不是一个训练大模型的技能而是把成功任务的执行模式蒸馏为可检索的向量模式pattern再通过 SONA / MicroLoRA 适配器把反馈信号写进轻量权重最后在累积足够样本后做一次全局巩固。二、什么时候该用它根据技能文档的使用时机约定任务成功后立即捕获什么做法有效跑一遍 DISTILL累积 ≥10 次任务完成后执行 consolidation把模式折叠进长期存储训练新领域时为该领域创建一个独立的 MicroLoRA 适配器而不是让单一 SONA 实例承载所有领域。这三个时机分别对应本文第四、六、五节的操作。三、命令形态总览技能中的命令有两种等价形态MCP 工具调用技能默认形态供 Agent 运行时调用mcp tool call neural_train --json -- {modelType: moe, epochs: 10}CLI 子命令供人手动操作或脚本化见第八节npx claude-flow/clilatest neural train --pattern-type coordination --epochs 10两种形态操作同一份存储项目根目录下的.claude-flow/neural/models.json源码常量定义见 v3/claude-flow/cli/src/mcp-tools/neural-tools.ts其中models记录模型元数据、patterns记录可检索的模式。四、DISTILL 标准流程从成功任务到可检索模式8 步实操技能文档给出了完整的蒸馏标准流逐条拆解如下检查当前神经状态—mcp__plugin_ruflo-core_ruflo__neural_statusSONA MoE 状态、激活模式、在途训练开启一条轨迹—mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-start传入任务上下文逐步骤记录— 每个关键动作调用一次mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-step结束轨迹—mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-end带上verdict: pass|fail|partial从轨迹学习—mcp__plugin_ruflo-core_ruflo__hooks_intelligence_learn训练模式—mcp__plugin_ruflo-core_ruflo__neural_train参数--pattern-type coordination --epochs 10存储模式—mcp__plugin_ruflo-core_ruflo__hooks_intelligence_pattern-store验证—mcp__plugin_ruflo-core_ruflo__neural_patterns确认模式已入库。从源码看第 24 步有真实的轨迹追踪实现见 hooks-tools.tstrajectory-start会生成traj-timestamp-随机串形式的轨迹 ID并把待处理轨迹以trajectory-pending-*为 key 持久化到trajectories命名空间使轨迹在 MCP 重启后仍可恢复trajectory-step会先剥除 extended-thinking 推理块再记录scrubReasoningBlocks防止推理 token 污染学习信号每个步骤还以trajectory-caused关系写一条因果图边非致命、失败不阻断记录trajectory-end是学习信号真正的汇聚点成功后把轨迹摘要以generateEmbeddingFlag: true持久化调用 SONA 优化器的processTrajectoryOutcome并把轨迹摘要嵌入后的向量当作梯度代理喂给 EWC 巩固器recordGradient这是审计修复后真实推导的梯度而不是合成噪声即使轨迹没有步骤但带有非空feedback也会把反馈以 0.6/0.4成功/失败的保守置信度蒸馏成trajectory-feedback类型模式distilledFrom: trajectory-end-feedback保证无步骤但有反馈的常见情况不丢经验。neural_train 到底训练了什么neural_train的 handlerneural-tools.ts接收modelType枚举moe | transformer | classifier | embedding、epochs默认 10、learningRate默认 0.001、data训练数据把训练数据逐条提取文本优先label/category/class/tag/intent/name/title等语义字段作为模式名而不是倾倒原始 JSON这是 ADR-093 F11 的审计修复生成 384 维嵌入后写入store.patterns每个模式带metadata: { modelId, epoch, index, raw }训练完成后status从training变为readyaccuracy反映的是已落库模式数真实存储而非模拟数字返回值中embeddingProvider会标明本次实际使用的嵌入来源如果落入hash-fallback会附带提示安装 claude-flow/embeddings 并运行 embeddings init --download 以获得语义搜索能力。这里的嵌入并非玄学而是分层的真实嵌入提供方链ensureEmbeddingsneural-tools.ts按优先级依次尝试可选 WASM 嵌入器需RUFLO_EMBED_WASM_PKG环境变量显式开启失败即跳过fail-closedruvector0.2.27内置的 all-MiniLM-L6-v2 ONNX 模型带并行 worker 池首次使用时惰性初始化避免把约 450ms 的 ONNX 初始化成本摊到每个 CLI 命令上agentic-flow/reasoningbank的computeEmbeddingclaude-flow/embeddings的agentic-flow提供方再降级到onnx提供方。全部不可用时才使用确定性哈希嵌入LCG 伪随机种子生成 384 维向量此时嵌入只保证一致性去重不保证语义相似度——这正是返回platformNote提醒用户安装真实嵌入器的原因。检索端则始终做真实数学neural_predict用 k-NN 余弦 温度 0.1 的 softmax 把置信度归一为总和 1 的概率分布neural-tools.tsneural_patterns search默认走 ADR-078 的混合检索cosine 多字段 BM25 MMR可用rerank开启 ADR-080 的 cross-encoder 精排。五、SONA 即时适配单域、毫秒级当只有单一领域需要实时微适配时用 SONA技能文档定位为亚毫秒级0.05ms 的即时适配循环# 创建 SONA 即时适配实例 mcp tool call ruvllm_sona_create --json -- {domain: coding} # 用质量反馈做一次适配 mcp tool call ruvllm_sona_adapt --json -- {feedback: {score: 0.9, trajectory: ...}}源码中的 SONA 参数ruvllm-tools.ts实际为hiddenDim默认 64、learningRate默认 0.01、patternCapacity最大存储模式数ruvllm_sona_adapt接收sonaId与quality0.01.0 的质量信号。所有ruvllm_*工具底层是 ruvector/ruvllm-wasm 的 WASM 运行时调用时会自动完成 WASM 初始化loadRuvllmWasm无需单独初始化步骤实例以sona-时间戳36进制形式登记在内存注册表中。六、MicroLoRA 多域适配≥3 个领域时的正解当出现≥3 个不同领域时技能文档明确建议每个领域一个 MicroLoRA 适配器而不是继续往单个 SONA 上叠加# 创建适配器 mcp tool call ruvllm_microlora_create --json -- {domain: frontend} # 用反馈适配 mcp tool call ruvllm_microlora_adapt --json -- {adapter: frontend, feedback: {...}} # CONSOLIDATE 阶段对权重增量应用 EWC防止灾难性遗忘 mcp tool call ruvllm_microlora_adapt --json -- {adapter: frontend, consolidate: true}关键语义技能文档原话--consolidate标志就是 EWC 的触发开关。没有它新训练会覆盖旧领域。MicroLoRA 的底层参数ruvllm-tools.tscreate时指定inputDim/outputDim必填、rankLoRA 秩14默认 2、alphaLoRA 缩放默认 1.0adapt时传入loraId、quality必填、learningRate默认 0.01、success默认 true。七、CONSOLIDATE 阶段与训练分离的全局巩固技能文档要求每约10 次轨迹完成后做一次完整巩固mcp tool call agentdb_consolidate --json mcp tool call neural_compress --json # 存储效率agentdb_consolidate在 EWC 语义下把模式折叠进长期存储agentdb是 HNSW 命名空间契约的底层存储即 ruflo-intelligence 的后端neural_compress压缩已存模式quantizeInt8 量化文档实测压缩比约 3.92x、prune按 usageCount 阈值剪枝等方法若库为空会返回先训练再压缩的结构化错误neural-tools.ts。/neural命令commands/neural.md还提供了完整子命令train/status/patterns/predict/optimize/compress——其中optimize基于近期结果重调管线compress明确标注在 consolidation 之后运行。八、从零引导Bootstrapping与命名空间约定如果系统还没有任何已学模式用预训练钩子做一次性引导mcp tool call hooks_pretrain --json -- {modelType: moe, epochs: 10} mcp tool call hooks_build-agents --json -- {agentTypes: coder,tester}这里有一个非常容易踩的坑技能文档特意强调hooks_pretrain写入的是patterns复数命名空间与 ReasoningBank 的pattern单数目标是两个不同的命名空间。该约定由ruflo-agentdb的 ADR-0001 定义ruflo-intelligence 的 README 也复述了同样的警告并给出三个保留命名空间的读取方表格patternhooks_intelligence_pattern-search/agentdb_pattern-search的 ReasoningBank 回退目标、patternshooks_pretrain/neural_train语料、claude-memoriesClaude Code 自动记忆桥。不要在智能用途上自行发明新的顶层命名空间。另外hooks_pretrain提取出的模式会被写入神经网络存储storeNeuralPatterns见 neural-tools.ts从而能通过neural_patterns list真正查询到而不是只躺在 pretrain 命名空间里。九、重置仅限测试需要清空智能状态做基准测试时mcp tool call hooks_intelligence-reset --json实现会清空三类数据并返回详细清单hooks-tools.ts智能数据文件auto-memory-store.json、graph-state.json、ranked-context.json、.claude-flow/neural/目录下的全部神经文件、以及内存中的活跃轨迹activeTrajectories。返回结构包含cleared.trajectories/patterns/dataFiles/neuralFiles计数与删除的文件列表——这是基准测试的可验证依据。十、CLI 替代命令一览技能文档提供了与 MCP 工具等价的 CLI 形态可直接在终端执行npx claude-flow/clilatest neural train --pattern-type coordination --epochs 10 npx claude-flow/clilatest neural patterns --list npx claude-flow/clilatest neural status npx claude-flow/clilatest neural compress npx claude-flow/clilatest hooks pretrain --model-type moe --epochs 10 npx claude-flow/clilatest hooks build-agents --agent-types coder,tester--pattern-type的取值域为coordination | edit | task见 commands/neural.md分别对应协调类、编辑类与任务类模式--epochs N控制训练轮数。配合/intelligence仪表盘命令commands/intelligence.md可查看模式计数、轨迹吞吐、SONA 学习状态与三层模型路由分布Tier 1 booster / Tier 2 Haiku / Tier 3 Sonnet/Opus若模式过期它还会主动建议hooks_pretrainagentdb_consolidate。十一、进一步阅读技能本体plugins/ruflo-intelligence/skills/neural-train/SKILL.md插件总览与四阶段管线、EWC 调用链plugins/ruflo-intelligence/README.md神经命令train/status/predict/optimize/compressplugins/ruflo-intelligence/commands/neural.md神经工具源码训练、预测、模式检索、压缩的真实实现v3/claude-flow/cli/src/mcp-tools/neural-tools.ts轨迹钩子源码trajectory-start/step/end、pattern-store、resetv3/claude-flow/cli/src/mcp-tools/hooks-tools.tsSONA / MicroLoRA / HNSW 的 WASM 工具源码v3/claude-flow/cli/src/mcp-tools/ruvllm-tools.ts说明本文命令默认在已安装ruflo-intelligence插件、并具备claude-flow/cli运行环境的项目中使用嵌入质量依赖是否安装了ruvector或claude-flow/embeddings等真实嵌入提供方未安装时系统会明确降级为哈希回退并在返回值中给出提示。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/11 2:32:00 · 阅读 1.2k Ruflo 神经模式训练实战：用 neural-train 技能驱动 SONA 与 MicroLoRA 的四阶段智能管线
Ruflo 神经模式训练实战用 neural-train 技能驱动 SONA 与 MicroLoRA 的四阶段智能管线【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo导读Ruflo 的neural-train技能SKILL.md封装了四阶段智能管线RETRIEVE → JUDGE → DISTILL → CONSOLIDATE中的DISTILL蒸馏与CONSOLIDATE巩固两个阶段让 Agent 能把一次成功任务的执行轨迹沉淀为可检索、可复用的神经模式并通过 SONA 即时适配与 MicroLoRA 多域适配实现持续自学习最后以 EWC 弹性权重巩固防止灾难性遗忘。读完本文你将掌握完整的轨迹录制—学习—训练—存储—验证实操链路、SONA/MicroLoRA 的适配参数与选型策略以及这些 MCP 工具背后的真实实现原理与存储格式。一、定位neural-train 在智能管线中的角色ruflo-intelligence插件把 Ruflo 的自我学习系统组织成可操作的四步管线每步都有对应的 MCP 工具家族详见 ruflo-intelligence/README.md阶段做什么代表工具RETRIEVE从 HNSW 索引拉取相关模式与历史轨迹hooks_intelligence_pattern-search、agentdb_pattern-searchJUDGE给候选结果打分并给出 verdict成功/失败/部分hooks_intelligence_attention、neural_predict、hooks_explainDISTILL用 LoRA/SONA 适配从执行结果中提取关键经验ruvllm_sona_adapt、ruvllm_microlora_adapt、neural_train、hooks_intelligence_learnCONSOLIDATE用 EWC 防止灾难性遗忘折叠进长期存储agentdb_consolidate、ruvllm_microlora_adapt --consolidate、neural_compressneural-train技能专注于后两阶段它不是一个训练大模型的技能而是把成功任务的执行模式蒸馏为可检索的向量模式pattern再通过 SONA / MicroLoRA 适配器把反馈信号写进轻量权重最后在累积足够样本后做一次全局巩固。二、什么时候该用它根据技能文档的使用时机约定任务成功后立即捕获什么做法有效跑一遍 DISTILL累积 ≥10 次任务完成后执行 consolidation把模式折叠进长期存储训练新领域时为该领域创建一个独立的 MicroLoRA 适配器而不是让单一 SONA 实例承载所有领域。这三个时机分别对应本文第四、六、五节的操作。三、命令形态总览技能中的命令有两种等价形态MCP 工具调用技能默认形态供 Agent 运行时调用mcp tool call neural_train --json -- {modelType: moe, epochs: 10}CLI 子命令供人手动操作或脚本化见第八节npx claude-flow/clilatest neural train --pattern-type coordination --epochs 10两种形态操作同一份存储项目根目录下的.claude-flow/neural/models.json源码常量定义见 v3/claude-flow/cli/src/mcp-tools/neural-tools.ts其中models记录模型元数据、patterns记录可检索的模式。四、DISTILL 标准流程从成功任务到可检索模式8 步实操技能文档给出了完整的蒸馏标准流逐条拆解如下检查当前神经状态—mcp__plugin_ruflo-core_ruflo__neural_statusSONA MoE 状态、激活模式、在途训练开启一条轨迹—mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-start传入任务上下文逐步骤记录— 每个关键动作调用一次mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-step结束轨迹—mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-end带上verdict: pass|fail|partial从轨迹学习—mcp__plugin_ruflo-core_ruflo__hooks_intelligence_learn训练模式—mcp__plugin_ruflo-core_ruflo__neural_train参数--pattern-type coordination --epochs 10存储模式—mcp__plugin_ruflo-core_ruflo__hooks_intelligence_pattern-store验证—mcp__plugin_ruflo-core_ruflo__neural_patterns确认模式已入库。从源码看第 24 步有真实的轨迹追踪实现见 hooks-tools.tstrajectory-start会生成traj-timestamp-随机串形式的轨迹 ID并把待处理轨迹以trajectory-pending-*为 key 持久化到trajectories命名空间使轨迹在 MCP 重启后仍可恢复trajectory-step会先剥除 extended-thinking 推理块再记录scrubReasoningBlocks防止推理 token 污染学习信号每个步骤还以trajectory-caused关系写一条因果图边非致命、失败不阻断记录trajectory-end是学习信号真正的汇聚点成功后把轨迹摘要以generateEmbeddingFlag: true持久化调用 SONA 优化器的processTrajectoryOutcome并把轨迹摘要嵌入后的向量当作梯度代理喂给 EWC 巩固器recordGradient这是审计修复后真实推导的梯度而不是合成噪声即使轨迹没有步骤但带有非空feedback也会把反馈以 0.6/0.4成功/失败的保守置信度蒸馏成trajectory-feedback类型模式distilledFrom: trajectory-end-feedback保证无步骤但有反馈的常见情况不丢经验。neural_train 到底训练了什么neural_train的 handlerneural-tools.ts接收modelType枚举moe | transformer | classifier | embedding、epochs默认 10、learningRate默认 0.001、data训练数据把训练数据逐条提取文本优先label/category/class/tag/intent/name/title等语义字段作为模式名而不是倾倒原始 JSON这是 ADR-093 F11 的审计修复生成 384 维嵌入后写入store.patterns每个模式带metadata: { modelId, epoch, index, raw }训练完成后status从training变为readyaccuracy反映的是已落库模式数真实存储而非模拟数字返回值中embeddingProvider会标明本次实际使用的嵌入来源如果落入hash-fallback会附带提示安装 claude-flow/embeddings 并运行 embeddings init --download 以获得语义搜索能力。这里的嵌入并非玄学而是分层的真实嵌入提供方链ensureEmbeddingsneural-tools.ts按优先级依次尝试可选 WASM 嵌入器需RUFLO_EMBED_WASM_PKG环境变量显式开启失败即跳过fail-closedruvector0.2.27内置的 all-MiniLM-L6-v2 ONNX 模型带并行 worker 池首次使用时惰性初始化避免把约 450ms 的 ONNX 初始化成本摊到每个 CLI 命令上agentic-flow/reasoningbank的computeEmbeddingclaude-flow/embeddings的agentic-flow提供方再降级到onnx提供方。全部不可用时才使用确定性哈希嵌入LCG 伪随机种子生成 384 维向量此时嵌入只保证一致性去重不保证语义相似度——这正是返回platformNote提醒用户安装真实嵌入器的原因。检索端则始终做真实数学neural_predict用 k-NN 余弦 温度 0.1 的 softmax 把置信度归一为总和 1 的概率分布neural-tools.tsneural_patterns search默认走 ADR-078 的混合检索cosine 多字段 BM25 MMR可用rerank开启 ADR-080 的 cross-encoder 精排。五、SONA 即时适配单域、毫秒级当只有单一领域需要实时微适配时用 SONA技能文档定位为亚毫秒级0.05ms 的即时适配循环# 创建 SONA 即时适配实例 mcp tool call ruvllm_sona_create --json -- {domain: coding} # 用质量反馈做一次适配 mcp tool call ruvllm_sona_adapt --json -- {feedback: {score: 0.9, trajectory: ...}}源码中的 SONA 参数ruvllm-tools.ts实际为hiddenDim默认 64、learningRate默认 0.01、patternCapacity最大存储模式数ruvllm_sona_adapt接收sonaId与quality0.01.0 的质量信号。所有ruvllm_*工具底层是 ruvector/ruvllm-wasm 的 WASM 运行时调用时会自动完成 WASM 初始化loadRuvllmWasm无需单独初始化步骤实例以sona-时间戳36进制形式登记在内存注册表中。六、MicroLoRA 多域适配≥3 个领域时的正解当出现≥3 个不同领域时技能文档明确建议每个领域一个 MicroLoRA 适配器而不是继续往单个 SONA 上叠加# 创建适配器 mcp tool call ruvllm_microlora_create --json -- {domain: frontend} # 用反馈适配 mcp tool call ruvllm_microlora_adapt --json -- {adapter: frontend, feedback: {...}} # CONSOLIDATE 阶段对权重增量应用 EWC防止灾难性遗忘 mcp tool call ruvllm_microlora_adapt --json -- {adapter: frontend, consolidate: true}关键语义技能文档原话--consolidate标志就是 EWC 的触发开关。没有它新训练会覆盖旧领域。MicroLoRA 的底层参数ruvllm-tools.tscreate时指定inputDim/outputDim必填、rankLoRA 秩14默认 2、alphaLoRA 缩放默认 1.0adapt时传入loraId、quality必填、learningRate默认 0.01、success默认 true。七、CONSOLIDATE 阶段与训练分离的全局巩固技能文档要求每约10 次轨迹完成后做一次完整巩固mcp tool call agentdb_consolidate --json mcp tool call neural_compress --json # 存储效率agentdb_consolidate在 EWC 语义下把模式折叠进长期存储agentdb是 HNSW 命名空间契约的底层存储即 ruflo-intelligence 的后端neural_compress压缩已存模式quantizeInt8 量化文档实测压缩比约 3.92x、prune按 usageCount 阈值剪枝等方法若库为空会返回先训练再压缩的结构化错误neural-tools.ts。/neural命令commands/neural.md还提供了完整子命令train/status/patterns/predict/optimize/compress——其中optimize基于近期结果重调管线compress明确标注在 consolidation 之后运行。八、从零引导Bootstrapping与命名空间约定如果系统还没有任何已学模式用预训练钩子做一次性引导mcp tool call hooks_pretrain --json -- {modelType: moe, epochs: 10} mcp tool call hooks_build-agents --json -- {agentTypes: coder,tester}这里有一个非常容易踩的坑技能文档特意强调hooks_pretrain写入的是patterns复数命名空间与 ReasoningBank 的pattern单数目标是两个不同的命名空间。该约定由ruflo-agentdb的 ADR-0001 定义ruflo-intelligence 的 README 也复述了同样的警告并给出三个保留命名空间的读取方表格patternhooks_intelligence_pattern-search/agentdb_pattern-search的 ReasoningBank 回退目标、patternshooks_pretrain/neural_train语料、claude-memoriesClaude Code 自动记忆桥。不要在智能用途上自行发明新的顶层命名空间。另外hooks_pretrain提取出的模式会被写入神经网络存储storeNeuralPatterns见 neural-tools.ts从而能通过neural_patterns list真正查询到而不是只躺在 pretrain 命名空间里。九、重置仅限测试需要清空智能状态做基准测试时mcp tool call hooks_intelligence-reset --json实现会清空三类数据并返回详细清单hooks-tools.ts智能数据文件auto-memory-store.json、graph-state.json、ranked-context.json、.claude-flow/neural/目录下的全部神经文件、以及内存中的活跃轨迹activeTrajectories。返回结构包含cleared.trajectories/patterns/dataFiles/neuralFiles计数与删除的文件列表——这是基准测试的可验证依据。十、CLI 替代命令一览技能文档提供了与 MCP 工具等价的 CLI 形态可直接在终端执行npx claude-flow/clilatest neural train --pattern-type coordination --epochs 10 npx claude-flow/clilatest neural patterns --list npx claude-flow/clilatest neural status npx claude-flow/clilatest neural compress npx claude-flow/clilatest hooks pretrain --model-type moe --epochs 10 npx claude-flow/clilatest hooks build-agents --agent-types coder,tester--pattern-type的取值域为coordination | edit | task见 commands/neural.md分别对应协调类、编辑类与任务类模式--epochs N控制训练轮数。配合/intelligence仪表盘命令commands/intelligence.md可查看模式计数、轨迹吞吐、SONA 学习状态与三层模型路由分布Tier 1 booster / Tier 2 Haiku / Tier 3 Sonnet/Opus若模式过期它还会主动建议hooks_pretrainagentdb_consolidate。十一、进一步阅读技能本体plugins/ruflo-intelligence/skills/neural-train/SKILL.md插件总览与四阶段管线、EWC 调用链plugins/ruflo-intelligence/README.md神经命令train/status/predict/optimize/compressplugins/ruflo-intelligence/commands/neural.md神经工具源码训练、预测、模式检索、压缩的真实实现v3/claude-flow/cli/src/mcp-tools/neural-tools.ts轨迹钩子源码trajectory-start/step/end、pattern-store、resetv3/claude-flow/cli/src/mcp-tools/hooks-tools.tsSONA / MicroLoRA / HNSW 的 WASM 工具源码v3/claude-flow/cli/src/mcp-tools/ruvllm-tools.ts说明本文命令默认在已安装ruflo-intelligence插件、并具备claude-flow/cli运行环境的项目中使用嵌入质量依赖是否安装了ruvector或claude-flow/embeddings等真实嵌入提供方未安装时系统会明确降级为哈希回退并在返回值中给出提示。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考