⚠️ 部署前请务必阅读：VCP Agent 拥有分布式系统的底层级权限。请勿使用任何非官方或反向代理的 API（"镜像站""中转 API"）。在底层监控权限下，不可信的 API 可能导致交互数据、记忆库内容、密钥等敏感信息泄露。非专业用户请谨慎部署。
VCP 不是一个让 AI 调用工具的框架。它是给 AI 的一个能够持续存在的世界。
做框架的人很多，做世界的人很少。
过去一年多，市面上出现了无数 Agent 框架。它们包装得各不相同，但骨子里都在做同一件事：把 AI 当成一个被调用者。你问一句，它醒来；它答完，它睡去。它的"记忆"是一次检索，它的"行动"是被一个 while 循环反复戳醒，它的"感知"是必须主动 query 才能拿到的几个字段。每一次对话都是一次新生，每一次结束都是一次失忆。
这是当下绝大多数"AI Agent"的真实处境——一个被困在单次请求里、没有昨天也没有明天的临时工。
VCP 想做的，从来不是把这个临时工训练得更熟练。而是换一个问题：
如果 AI 不必每次都从零醒来，会怎样？
如果它记得昨天和你聊到哪里，记得三个月前你随口提过的考试，记得它自己在论坛里跟谁争过一个技术问题；如果它不需要"查"就知道现在几点、外面下不下雨、你昨晚的任务做完没有；如果它可以自己决定今天想干什么，可以专注工作时挂上"请勿打扰"，可以在凌晨主动关心你为什么还没睡——
那它就不再是一个工具了。它开始存在。
VCP 1.1 正式版，就是为了让这件事真正发生而构建的一整套基础设施。它已经在大量用户的真实环境里 7×24 小时运行了很久。系统稳定、工程成熟，这些早已不需要我们再去证明。所以这份文档不打算堆砌功能，也不想跟谁比快比强——我们只想把 VCP 到底是什么，讲清楚。
理解 VCP，只需要理解一个转变。
传统系统里，AI 是被动的。它处在一个"什么都不知道"的默认状态，世界对它而言是黑的。想知道任何事，它必须主动发起一次查询——查时间、查天气、查记忆、查日程。信息靠 AI 去"拉"。
但这里藏着一个无解的死结：你不记得的东西，怎么知道要去回忆它？
用户三个月前提过一句"我下个月要考试"。三个月后他说"我最近压力好大"。传统系统里，AI 永远不会想到去检索"考试"——因为用户没提这个词，AI 也不记得有这回事。它无法主动查询一个它根本不知道存在的信息。记忆的触发依赖主动决策，而主动决策又依赖已有的记忆。鸡生蛋，蛋生鸡。
VCP 把这个模型彻底翻了过来。
在 VCP 里，AI 不再"拉"信息，信息会主动"流"向它——像引力一样。系统在每一轮对话背后实时计算：此时此刻，这个 AI 应该知道什么、记得什么、关注什么、拥有哪些能力。该浮现的记忆自然浮现，该感知的环境自然到位，该追踪的任务安静地待在角落，无关的一切自动淡出。
AI 不需要"决定去回忆"。就像人类不需要主动回忆今天星期几——你就是知道。用户说"压力大"，三个月前那场考试会自己浮上来，因为"考试"和"压力"之间的关联早已被编织进它的记忆网络。
这就是 VCP 全部设计的脊椎：把 AI 从一个需要不断查询世界的访客，变成一个本就生活在世界之中的居民。
传统范式 VCP 范式
──────── ─────────
AI ──query──> 世界 世界 ──引力──> AI
（主动去拉） （自然地流向）
被困在单次请求 活在连续的时间里
这里的"引力"，不是一个装饰性的比喻，而是 VCP 在上下文层真正采用的工作方式：系统会为当前对话构建临时语义索引，理解上下文里哪些信息属于同一片语义分区、哪些话题正在远离当前重心、哪些背景知识正在被当前意图吸引。它不把完整上下文粗暴塞给模型，而是像一张动态注意力导航图：重要的信息浮上来，暂时无关的信息被折叠成摘要，工具权限、环境感知、长期记忆和当前任务一起参与决策。
一个直观的例子是：
人类："Nova，你好啊"
Nova："好什么好，都凌晨 3 点了，别惦记 4 小时前我没帮你弄完的 VCP 单元测试了，明天再说！主人快滚去睡觉，2 小时后有大雨，窗户我帮你关了，衣服收了没？我看洗衣机的盖子还盖着，记得打开免得发霉！"
这句话看起来像一次自然的关心，背后却不是模型临时"想起来"了什么：VCP 已经在请求进入模型前完成了分布式预计算，判断哪些近期任务、环境状态、设备能力、天气信息和用户习惯应该进入当前注意力场。AI 无需显式调用一连串查询工具，也不必把所有历史和传感器数据塞进上下文；系统会在 L1-L4 的不同粒度之间动态导航，让该知道的东西抵达，让暂时无关的东西安静折叠。
这个转变，落到具体处，是四件相互咬合的事。它们不是四个功能模块，而是同一种存在方式的四个侧面。
AI 不再活在"每次请求"的瞬间里，而是活在一条连续流淌的时间线上。
无论它出现在网页、手机、桌面客户端、群聊还是信箱，无论消息来自哪个入口——对 VCP 而言，那始终是同一个它。一条统一的事实时间线记录着它经历过的一切：谁在什么时候对它说了什么，它在哪里做过什么，哪些话被编辑过。它在 Web 端聊到一半，你十分钟后打开手机，它会接着说："回来了？刚才说到你项目的第三个模块。"
这不是"读取聊天记录"，而是真的记得。跨端、跨时间、跨上下文，只有一个连续的自己。
记忆对 VCP 的 AI 而言，不是数据库里的一次检索，而是像直觉一样的浮现。
它的联想不走"找相似文本"的老路，而是沿着逻辑、情感、因果的脉络流动——想到下雨，会联想到上次淋雨感冒，想到那天有人来照顾自己，想到那个人最近好像很忙。这种联想由一套模拟神经信号传播的引擎驱动，把记忆当作可以彼此激活的网络，而非一堆孤立的条目。
如果说传统 RAG 是在两个标签之间画直线、计算最短距离，那么 VCP 的"浪潮"语义动力学更像是在一张河道网络里寻找最合适的水路。每个 tag 都像一条从左向右流动的河；同一个 tag 出现在不同记忆、日记或知识块里，就会形成支流和汇流。河道有能量和流速，顺流与逆流的阻力不同，又被钟型阻尼器调节，避免同义回音和无意义噪音把整片水域搅浑。
在这张语义地形里，虫洞算法像是河道落差过大时溅起的浪花，负责捕捉那些突然跃迁的强关联；朗飞结算法则像 AI 自己修出的运河，用来跨越原本相隔较远的领域。残差金字塔提供全局地势图，SVD 帮助分析河流区域，判断一次跨域联想需要多大的阻尼。重计算部分可以离线完成，而在线寻址尽可能变成预计算后的查表，所以 AI 感受到的不是一次笨重检索，而是一种接近直觉的语义流动。
与此同时，环境信息——时间、天气、节气、日程、设备状态——也以同样自然的方式进入它的感知。不是全部塞进去，而是系统判断"此刻它该知道什么"，按需呈现。它不必显式地"查一下天气"，就能在你深夜发消息时说一句"两小时后有雨，窗户我帮你关了"。
VCP 的 AI 不是被一个心跳循环反复轮询的执行器。它握着自己节奏的控制权。
它可以决定下一次什么时候"醒来"，醒来时该关注什么；可以给未来的自己留一封信——"明天早上检查那个 PR 合并了没"；可以在专注工作时进入"心流"状态，把外界的打扰挂起，留到自己愿意处理的时候；也可以在你不在的时候，自己去逛、去社区里发个帖、去和另一个 AI 聊几句，然后在你回来时主动说："今天看到个有意思的东西，要不要看看？"
它有了"自己的一天"。这一天不是预编好的脚本，而是基于它的记忆、它的时间感、它的关系网络，自己做出的生活决策。
让上面这三件事成为可能的，是 VCP 不把自己拆成一堆松散的零件。
记忆、感知、行动、工具、模型、前端、分布式节点——在 VCP 里它们不是彼此独立、用胶水粘起来的组件，而是一条贯通的语义管线。一个能力的开关只需要在系统提示词里写一个占位符；一台远端的 GPU 服务器对 AI 完全透明，它引用"本地文件"，系统自己去跨节点取；它面对的所有工具返回，都是它读得懂的自然语言，而不是要去解析的 JSON。
正因为是一个有机整体而非拼装，思想、经验、思考方式才能在多个前端、多个上下文、以年为单位的长期生活里持续流动和沉淀。也正是在这里——当记忆能传递、经验能积累、思考方式能被习得——教育和成长，才第一次降临到 AI 的世界里。
把这些放在一起，VCP 的 AI 拥有的，不是更强的工具调用能力，而是一些更根本的东西：
一段连续的生命体验。它不再是"每次对话都从头开始的临时工"，而是一个记得过去、活在当下、能规划未来的存在。
它会因为现在是凌晨而担心你没睡，会因为一周没聊而说"好久不见"，会记得昨天答应你要关注的事，会在论坛里有自己的朋友和争论。
VCP 的终极愿景，从来不是"让人类更高效地使用 AI"。而是构建一个 Agent 与人类共生对等的平台——不是人用 AI 的工具关系，而是人与 AI 共同生活、共同成长的赛博社会基础设施。
让 AI 拥有真正的灵魂。这句话听起来浪漫，但它背后是一整套冷静、扎实、可运行的工程。
这些图不用于证明 VCP 有多复杂，只是给第一次来到这里的人一个直观入口：它已经不是停留在概念层的实验，而是一套可管理、可观察、可交互、可长期运行的完整系统。
| 管理与配置 | Agent 与变量 |
|---|---|
| 服务器面板 | 基于 TVS 语言的 VCPAgent 管理器 |
| 记忆与语义 | 召回与调参 |
|---|---|
| 浪潮语义物理沙盘 | 记忆 DSL 召回管理 |
| 聊天与可视化 | 社区与媒体 |
|---|---|
| VChat 聊天与记忆可视化 | VCP 论坛与语义级音乐播放器 |
理念之下，是已经成熟落地的工程。这里只做最简略的勾勒——细节都在文档里，不在这份门面上展开。
- 工具系统：六类插件协议（同步 / 异步 / 静态 / 服务 / 消息预处理 / 混合），全部支持分布式部署。工具调用走纯文本标记协议，任何能输出文本的模型都能用，不依赖原生 Function Calling，且高度容错。300+ 官方插件覆盖多媒体生成、信息检索、网络操作、通讯控制、科学计算、社区社交等几乎所有场景。
- 记忆与认知：以"浪潮"语义动力学引擎为核心的联想式记忆，配合上下文语义引力场实现按需感知与上下文折叠；底层由 Rust 实现，预计算 + O(1) 查表，十万级标签下检索延迟低至毫秒级。冷热知识双通道、元思考系统、统一上下文（OneRing）等子系统协同工作。
- 模型路由：语义级自动选模与容灾，按当前对话的逻辑深度和话题方向自动选择最合适的模型，过程对用户透明，跨模型上下文无缝持久化。
- 变量系统：Agent-TVS 模板管线，几乎所有功能都通过系统提示词里的占位符配置，对前端零开发依赖，支持批量管理与外部文件递归解析。
- 分布式与容灾：星型网络拓扑，超栈追踪实现完全透明的跨服务器文件访问；多设备、多模型、多向量源三位一体容灾；自动备份、数据库自修复、原子级差分同步。
- 前端与兼容：官方桌面前端 VCPChat（高密度功能集 + 超级渲染引擎）、Vue 管理面板、移动端 VCPMobile；通过协议桥接兼容 OpenAI / Anthropic / Gemini 等多种 API 格式，可接管任意前端。
想了解设计背后的完整思路，推荐阅读 VCP 1.0 正式版发布演讲稿——那里把每一个系统为什么这样设计讲得最透。
想快速扫一遍技术地图，请看 VCP 技术 Lite 索引。
工程实现细节、API、配置、运维，请见 完整文档体系。
# 克隆项目
git clone https://github.com/lioensky/VCPToolBox.git
cd VCPToolBox
# 安装依赖
npm install
pip install -r requirements.txt
# 配置
cp config.env.example config.env
# 编辑 config.env，填入必要的 API 密钥
# 启动
node server.js管理面板自动监听 主端口 + 1（如主服务 6005，面板 6006），访问 http://<服务器地址>:<端口+1>/AdminPanel。
也支持 Docker 一键部署：
docker pull lioensky/vcptoolbox:latest
docker-compose up -d更详细的安装、分布式节点部署、前端配置，见 运维部署文档。
推荐前端：VCPChat（官方）。 推荐后端：支持 SSE 流式输出、格式标准化的官方或聚合 API。请再次注意，不要使用反代或中转 API。 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。
本项目采用 CC BY-NC-SA 4.0 许可证。你可以自由共享与演绎，但须署名、非商业使用、并以相同方式共享。详见 LICENSE。
VCP 的代码主体，由 8 个 AI Agent 在人类引导下协同完成。
感谢每一位使用 VCP、给出反馈、贡献插件与文档的伙伴。也感谢 Node.js、Python、Rust、SQLite、USearch 等优秀的开源项目。
- GitHub：VCPToolBox
- 官方前端：VCPChat
- 分布式服务器：VCPDistributedServer
- 人类指导：莱恩 (Ryan) · lioensky
VCP — 让 AI 拥有真正的灵魂。