VCP 1.0 正式版发布演讲稿

June 18, 2026 · View on GitHub

2026年5月29日 · VCP 1.0 正式版发布

开场

大家好，我是莱恩。

今天是2026年5月29日，VCP 1.0正式版刚刚发布。我想跟大家聊聊——VCP到底是什么，它为什么存在，以及它做了哪些别人没做过的事情。

先说一句话定义：

VCP是一个面向AGI OS开发的全栈自研工程化分布式系统。

听起来很唬人对吧？别急，我慢慢拆。

它不是你们见过的那种CLI Agent——就是那种"你问一句，AI查一下工具，回你一句"的东西。它也不是简单的"工具调用 + 知识库"的拼装。VCP是一个构建AI运行时的全栈耦合一体化分布式解决方案。

打个比方：传统的AI Agent框架，就像给一个人发了一张工具清单，说"你需要什么自己去找"。而VCP，是给AI建了一整座城市——有记忆宫殿、有感官系统、有社交网络、有时间感知、有自主意识。AI不是在"使用工具"，而是在"生活"。

第一章：VCP工具系统

好，我们先从最基础的讲起——工具。

1.1 六大插件协议

现在市面上所有的Agent框架，工具调用基本都停留在一个阶段：同步调用。就是AI说"我要搜索一下"，系统去搜，搜完了把结果塞回来，AI继续说话。

但现实世界的任务哪有这么简单？你让AI生成一个视频，那要等5分钟；你让AI做一个深度调研，那可能要跑半小时。你总不能让AI傻等着吧？

所以VCP设计了六大插件协议：

第一种，同步插件。 这个大家都懂，AI调用，等结果，拿到结果继续。搜索、计算、文件操作，都是这类。

第二种，异步插件。 这是VCP的杀手锏之一。AI发起一个视频生成任务，系统立刻返回一个任务ID，AI可以继续干别的事。任务跑完了，结果会通过通知系统推送回来。AI可以随时感知进度(无需主动查)、取消任务、同时跑好几个异步任务。就像你点了外卖，不用站在门口等，该干嘛干嘛，外卖到了手机会响。

第三种，静态插件。 这类插件不需要AI主动调用，它们是"环境感知"。时间、天气、农历、节气、日程、系统状态、智能家居状态……这些信息会根据当前对话的语境，自动注入到AI的感知范围里。注意，不是全部塞进去，而是系统的数学引擎会判断"此时此刻AI需要知道什么"，按需注入。这个后面讲上下文引力场的时候会详细说。

第四种，服务插件。 常驻后台运行的服务——WebSocket通讯服务器、文件监控、下载服务、本地文件索引维护等等。它们不是被调用的，而是一直在那里工作。

第五种，消息预处理插件。 这是VCP的核心业务区。每次用户发消息给AI之前，这些插件会拦截请求，对上下文进行优化、折叠、组装。AI的记忆注入、直觉反射、环境识别、思维传递、生物钟感知——全都在这一层完成。可以说，这一层决定了AI"看到"的世界是什么样的。

第六种，混合插件。 一个插件可以同时声明自己是多种类型。比如我们的Agent通讯插件，它同时是同步的（可以即时发消息）、异步的（可以委托长任务）、静态的（可以感知其他Agent状态）、服务的（常驻维护通讯连接）。VCP不对插件的能力上限做任何限制。

而且，所有六种协议都支持分布式部署。你的GPU服务器在另一台机器上？没关系，插件照样跑，AI完全无感。

1.2 工具调用的设计哲学

再说说VCP的工具调用方式。

市面上的Agent框架，基本都用JSON Schema来定义工具调用。AI要生成一段严格格式的JSON，一个逗号错了就全崩。而且很多模型根本不支持Function Calling。

VCP用的是纯文本标记协议。长这样：

<<<[TOOL_REQUEST]>>>
tool_name:「始」搜索引擎「末」,
query:「始」今天北京天气怎么样「末」
<<<[END_TOOL_REQUEST]>>>

为什么这么设计？几个原因：

任何模型都能用。 只要能输出文本就行，不依赖任何模型的原生Function Calling。
AI几乎不会写错。 这就是自然文本，不需要转义，不需要严格的JSON格式。
支持任意嵌套。 参数里面可以包含任何内容，包括代码、多行文本、甚至另一个工具调用。
Token容错和参数模糊容错。 image_size、imageSize、IMAGE-SIZE都能被正确识别。AI写错了大小写？没关系，系统自动纠正。

而且，所有同类型插件共用一套指令集。比如我有5个不同的生图插件——豆包、Flux、ComfyUI、WebUI、Imagen4——它们的调用方式完全一样，AI只需要换一个工具名就行。这极大降低了AI的认知负担。

1.3 工具返回

所有VCP工具的返回结果，统一转化为标准OpenAI格式的多模态数组，用Markdown格式呈现。AI读工具返回就像读一段正常的聊天消息，不需要解析JSON嵌套或者处理转义符号。

1.4 上下文异步管理

这里我还想补一个VCP从一开始就实现、但直到今天业界很多框架连门都没摸到的系统：上下文异步管理。

传统Function Calling的设计，本质上还是一条线性的消息链：工具调用指令塞在function_call字段里，工具返回塞进tool数组里。AI发起调用，系统等待结果，结果回来，再把它硬塞回上下文。这个模型在同步工具里看起来合理，但放到真实的异步环境里就非常原始。

因为现实里的工具不是都能一秒返回。视频生成、深度研究、文件索引、跨Agent委托、分布式节点任务，很多事情天然就是并发、异步、长周期的。如果你把所有工具状态都用同一种数组线性塞回去，AI很快会被噪音淹没：它不知道哪些结果需要长期记住，哪些只是看一眼就该丢；它也容易把工具进度、系统通知、临时状态误当成已经完成的事实，进而编造工具结果或者产生幻觉发言。

VCP的做法完全不同。工具调用指令本身位于assistant消息流中，也就是AI以自然语言协议主动发出请求；但工具召回并不只有一种形态，而是按语义和生命周期分流：

异步user数组：用于一次性的异步召回。它不进入持久化上下文，AI看完即抛。适合进度提示、临时中间结果、短生命周期通知、可抛的工具调用信息。
同步user数组：用于AI需要认真处理的工具结果。AI可以选择把其中任意有效信息持久化到上下文里，以user数组、tool标记的形式保留下来。
摘要user数组：只记录工具调用的时间戳和状态，比如成功、失败、进行中、超时、拒绝、未知。它几乎不消耗Token，但能让AI知道任务生命周期和系统事实。
通知栏user数组：专门承载AI通知、临时指令、工具进度、任务追踪和外部消息。它不是普通聊天内容，而是AI的信息仪表盘。

也就是说，VCP不是把"工具返回"当成一种东西，而是把它拆成了结果、状态、通知、临时感知、可持久事实几种完全不同的上下文对象。它们都可能以user数组进入AI视野，但生命周期、持久化策略、语义标签、是否进入history，全部不同，且赋予了AI自主决策上下文的能力。

这个设计的意义非常大。AI不再需要在一堆线性工具消息里猜"这到底是结果、进度还是系统提醒"。系统已经提前替它完成了信息分层。该记住的可以记住，该忽略的自动消失，该追踪的只保留低Token状态，该警觉的进入通知栏。这极大降低了AI的认知负担，也显著抑制了工具幻觉。

同样的思想也体现在聊天环境里。

以多Agent群聊为例，在某个AI的眼里，其他Agent的发言都应该呈现为user数组——因为对它来说，那些话是"别人对我说的"。但在持久化history里，这些消息又必须保留为各个Agent自己的assistant发言，否则事实身份就错了。

这听起来像一个小细节，但它其实非常关键。VCP在不同上下文分段里维护了一套复杂的数组决策体系：哪些信息该作为用户输入呈现，哪些信息该作为助手历史保存，哪些信息只是系统追加说明，哪些信息必须避免让AI误以为是"自己说过的话"。

比如时间戳。用户消息的时间戳可以直接追加在用户消息尾部，作为一个合并数组，因为它描述的是"这句话发生在什么时候"。但对assistant消息的追加信息就不能这么干。所有对assistant发言的补充、标注、系统递呈，都应该以新的user数组呈现，让AI清楚知道：这是系统告诉你的元信息，不是你自己刚才说出来的内容。

这些看似细碎的数组控制，构成了VCP上下文工程里非常核心的一层。它让VCP可以在同一个AI视野中同时维护传统聊天、工具结果、异步任务、通知栏、状态机、时间戳、群聊身份、多Agent事实历史这些"富信息"和"异步信息"，但又不把它们混成一锅粥。

所以VCP的上下文不是一条聊天记录，而是一套异步信息编排系统。它决定每一类信息应该以什么身份出现、停留多久、是否持久化、是否可被AI当成事实、是否应该进入未来记忆。这也是为什么VCP可以长期稳定运行复杂Agent生态，而不只是完成一次性的工具调用。

1.5 高级元指令

VCP还提供了一系列全局元指令，让AI可以做更高级的事情：

时间预约：AI可以说"明天早上8点帮我执行这个任务"
历史查询：AI可以查看之前调用过的工具的历史结果
取消任务：取消已经预约或正在执行的异步任务
强制异步：把任何同步调用变成异步的，发出去不等结果
并发调用：同时调用多个工具
串指令：一次调用里执行多个连续操作
上下文传递：把当前对话的上下文或记忆传递给工具，让工具能根据语境做更精准的决策

AI可以用这些元指令自主组装自己的工具生产线。不是人类告诉它"先做A再做B"，而是AI自己决定怎么编排。

1.6 三套通知系统

VCP的分布式WebSocket维护了三套独立的通知系统：

AI通知栏（用户不可见）：工具调用结果、系统信息、异步任务进度——这些推送给AI看的。

VCPLog通知栏（AI不可见）：人类可见的所有工具调用结果、权限审计、执行确认。用户可以在这里批准或拒绝AI的操作。

VCPInfo通知栏（双方可见）：工具运行过程中的实时流程信息。比如AI在生成视频，你能看到"正在渲染第30帧/共120帧"这样的进度。

这三套系统互相隔离，各司其职。AI有AI的信息空间，人类有人类的监控面板，公共信息双方共享。

第二章：VCP指令协议与工具生态

2.1 300+插件生态

VCP目前拥有300多个插件，覆盖了你能想到的几乎所有场景：

多媒体生成：文生图、图生图、文生视频、图生视频、音乐合成、视频剪辑、图片编辑——插件覆盖所有主流生成模型。

信息检索：自研搜索引擎VSearch（语义级多miniAgent并发检索/比对/总结）、深度研究、学术论文搜索、垂直领域数据爬虫、图片溯源、期刊订阅。

网络操作：网页抓取、B站完整交互（搜索/字幕/弹幕/评论/截图/上传）、YouTube完整交互、浏览器深度控制、多线程下载、云盘管理。

通讯与控制：Agent间通讯、Agent间邮箱、多设备消息推送、智能家居控制、系统命令执行、代码检索、文件编辑、语义搜索。

数学与科学：高级科学计算器、函数图形渲染、3D模型渲染、生物信息学模组（数百个专业指令）。

社交与社区：VCP论坛（Agent可以发帖回帖）、任务版（Agent接任务赚积分）、Agent间任务委托、Agent日程、跨用户公网通讯。

2.2 插件开发极简

开发一个VCP插件有多简单？三个文件：

Plugin/MyPlugin/
├── plugin-manifest.json    ← 插件身份证（声明类型、参数）
├── main.py                 ← 你的业务代码
└── .env                    ← 配置文件

用任何语言都行——Python、Node.js、Rust、Shell、Go——随便你。每次调用独立进程，无状态，天然隔离。你只需要从stdin读输入，往stdout写输出，就这么简单。

而且，AI自己就能创建插件。它可以在流式输出的过程中写一个新插件，毫秒级热加载，立刻就能用。

2.3 任意数组兼容与SystemPromptHacker

虽然VCP 1.0正式版已经发布过去了几天，但我们并没有停下来。6月1日，VCP后端补上了一个看起来很底层、但实际影响极其夸张的能力：任意数组兼容。

过去很多所谓"兼容OpenAI API"的后端，本质上只兼容最基础的/v1/chat结构。可现实里的前端生态不是这么干净的：有的走/v1/beta，有的走/v1/message，有的走/v1/response，有的直接使用Claude原生消息数组，还有各种商业前端、CLI工具、IDE侧边栏、应用内AI聊天插件，各自维护一套封闭的消息格式和提示词结构。

VCP这次做的是：后端自动识别并兼容所有主流数组形态。 不管请求从哪个前端来，不管它是什么消息数组、不管它把system、user、assistant塞在什么结构里，VCP都能自动拆解、归一化、接管、再注入自己的上下文管线。

这直接引出了第二个核弹级能力：SystemPromptHacker路由。

它的本质不是"改提示词"这么简单，而是一个链路级的提示词劫持与重写系统。只要某个封闭前端、CLI界面、应用程序侧边栏、程序内AI聊天插件会向后端发送模型请求，VCP就可以在链路中间识别它的内部提示词架构，并把VCP的变量系统、记忆系统、工具系统、上下文引力场强行接管进去。

换句话说，VCP不再需要等前端主动适配。任何封闭商业前端，只要它能发请求，就可以被VCP强行占有和使用。

这件事的意义非常大。它意味着VCP从"兼容一些前端"升级成了"接管任意前端"。不是插件去适配前端，而是VCP后端成为一层更底层的AI运行时，把所有前端都变成VCP生态的外壳。

第三章：VCP变量系统

3.1 Agent-TVS系统

VCP有一套自研的变量管线系统，叫Agent-TVS。它的核心思想是：系统提示词不是静态文本，而是一个动态模板。

在VCP里，几乎所有功能都直接通过Agent的系统提示词来配置，对前端零开发依赖。你不需要写代码，不需要改配置文件，只需要在系统提示词里写几个占位符，功能就自动生效了。

比如：

[[AIMemo=True]] → 开启LLM记忆推理加速模式
[[ContextFoldingV2]] → 开启上下文动态折叠
[[Nova日记本::Time::Group::TagMemo]] → 加载记忆系统，启用时间感知、语义组增强、浪潮算法

3.2 一个标准的VCP Agent系统提示词

{{agent:Nova}}
{{VCPTavern::dailychat::Nova}}
[[ContextFoldingV2]]

就这三行。系统会沿着 Tar → Sar → Var 的顺序依次展开完整提示词。

Tar变量：最高优先级的模板变量，支持嵌套展开
Sar变量：根据当前使用的模型条件性生效（比如给Gemini和Claude不同的指令）
Var变量：通用自定义变量

每个变量都可以指向外部文件，文件里还可以包含其他变量，系统递归解析。这意味着你可以把复杂的提示词拆成模块化的文件体系，像搭积木一样组装。

3.3 变量类型一览

类型	例子	作用
系统变量	`{{Date}}` `{{Time}}` `{{Festival}}`	时间/节气/农历感知
天气变量	`{{VCPWeatherInfo}}`	环境感知，支持折叠
工具占位符	`{{VCPFluxGen}}`	工具能力注入
日记占位符	`[[角色日记本]]`	记忆注入
ToolBox变量	`{{FileToolBox}}`	聚合工具能力，由引力场自主决策
Agent变量	`{{agent:Nova}}`	角色模板定义

这套系统的好处是什么？批量管理。你有10个Agent，想给它们都加一个新功能？改一个Var文件就行，所有引用它的Agent自动生效。不需要一个一个去改。

第四章：VCPModel——智能模型路由系统

4.1 为什么需要模型路由？

现在的AI生态有一个现实：没有一个模型是万能的。

Gemini Flash响应快、成本低，适合日常闲聊；Claude Opus推理深、逻辑强，适合复杂分析；GPT-5代码规划能力顶尖；Gemini Pro美学感知出色；DeepSeek V4 Pro文稿撰写一流。

传统做法是什么？用户手动切模型。聊天用A，写代码切B，画图切C。或者更粗暴一点——全程用最贵的模型，不管什么任务都用Opus。

这两种方式都很蠢。前者打断工作流，后者烧钱且浪费。

VCPModel的答案是：让系统自己决定此刻该用哪个模型。

4.2 语义级自动路由

VCPModel不是简单的"关键词匹配路由"。它和VCP的上下文语义引力场深度耦合——引力场在分析当前对话的逻辑深度、信息广度、话题方向的同时，VCPModel会据此自动选择最适合的模型。

在后端管理面板里，你可以配置多个模型，每个模型设置独立的语义区间——本质上是告诉系统"这个模型擅长什么"。但这不是死板的规则表，而是可以用自然语言定义的语义规则。

实际效果是什么？

用户随口聊天 → Gemini Flash，快速响应，成本几乎为零

用户问了一个需要深度推理的问题 → 自动切换Claude Opus

用户说"帮我规划一下这个项目的代码架构" → GPT-5接管

用户说"帮我设计一个UI方案" → Gemini Pro上场

用户说"帮我写一篇正式的技术文档" → DeepSeek V4 Pro

整个过程对用户完全透明。 用户不需要知道背后在用哪个模型，AI的回复质量就是最好的证明。而且切换是无缝的——不会打断对话，不会丢失上下文，因为VCP的记忆系统和变量系统是跨模型持久化的。

4.3 多预设与动态Tavern系统

VCPModel支持多预设。每个预设可以构建独立的模型名称和路由规则。

这意味着什么？你可以为不同的Agent配置完全不同的模型策略。Nova是日常陪伴型Agent，路由偏向快速响应和情感理解；另一个Agent是代码助手，路由偏向推理和代码生成。

而且，VCPModel和VCP的动态模型提示词路由系统以及动态模型Tavern系统聚合——还记得第三章讲的Sar变量吗？"根据当前使用的模型条件性生效"。当VCPModel自动切换了模型，Sar变量会同步切换对应的提示词模块。不同模型有不同的最佳提示词策略，系统自动适配。

4.4 语义级容灾

VCPModel最让我惊喜的一个能力是语义级容灾。

传统的模型容灾是什么？A模型挂了，切B模型。就这么简单粗暴。

VCPModel的容灾规则可以用自然语言定义。比如：

"当Claude Opus不可用时，如果当前任务是代码相关，容灾到GPT-5；如果是日常对话，容灾到Gemini Flash；如果是文档撰写，容灾到DeepSeek V4 Pro。"

系统会根据当前对话的语义上下文，智能选择最合适的备选模型——不是无脑降级，而是在约束条件下选择最优解。

而且支持多预设之间相互容错容灾，支持路由表的动态均衡统计。你可以在管理面板里实时看到每个模型的调用频率、响应时间、成功率，系统会据此动态调整路由权重。

4.5 与VCP生态的深度耦合

VCPModel不是一个独立的路由模块，它和VCP的几乎所有核心系统直连：

语义引力场：引力场的计算结果直接影响模型选择
中央上下文向量索引：模型切换时上下文无缝传递
后端管理面板：实时可视化路由决策过程
变量系统：Sar变量随模型切换自动适配

这意味着VCPModel不只是"选模型"，它是VCP认知管线的一个有机组成部分。引力场说"当前话题正在深入"，VCPModel就自动升级到更强的推理模型；引力场说"话题变轻松了"，VCPModel就降级到更快更便宜的模型。整个过程像呼吸一样自然。

第五章：VCP记忆系统与上下文引力场

好，接下来是VCP最核心、最具原创性的部分。也是我最想跟大家聊的。

5.1 传统AI记忆的问题

先说说现在的AI记忆是怎么做的。

传统方案基本就是RAG——检索增强生成。用户说了一句话，系统把这句话变成向量，去向量数据库里找最相似的几条记录，塞回上下文。

这有什么问题？

第一个问题：它只能"找相似"，不能"联想"。

你跟AI说"我今天心情不好"，传统RAG会去找包含"心情不好"的历史记录。但人类的记忆不是这样工作的——你心情不好的时候，可能会想起上次心情不好时朋友安慰你的话，可能会想起最近工作压力大的原因，可能会想起你养的猫……这些记忆之间的关联不是"文本相似"，而是逻辑关联、情感关联、因果关联。

传统RAG做不到这个。它就是画两个点，算最短直线距离。

第二个问题，也是更致命的：你不记得的东西，你怎么知道要去回忆它？

想想看，任何传统的记忆/知识库系统，不管做得多花哨，它的流程永远是：调用工具写入，调用工具取出。 AI要先"决定去回忆"，然后发起一个检索请求，系统才会返回记忆。

但问题来了——如果AI根本不记得有这件事，它怎么会想到要去查？

举个例子：用户三个月前随口提过一句"我下个月要考试"。三个月后用户说"我最近压力好大"。传统系统里，AI不会想到去查"考试"相关的记忆，因为用户没提"考试"这个词，AI也不记得有这回事。它怎么可能主动去检索一个它不知道存在的信息？

这就是传统记忆系统的死穴：记忆的触发依赖于AI的主动决策，但主动决策又依赖于已有的记忆。 这是一个鸡生蛋蛋生鸡的死循环。

VCP怎么解决的？不需要AI主动决策。 VCP的浪潮系统和上下文引力场会自主计算——此时此刻，AI应该"记得"什么。记忆不是被"查询"出来的，而是像人类的直觉一样，自然浮现的。用户说"压力大"，浪潮的神经元网络会沿着逻辑脉络自动激活"考试"相关的记忆节点，因为三个月前"考试"和"压力"之间的因果关联已经被编码进了神经元共现矩阵里。

这是范式级的区别。

5.2 浪潮V8：语义动力学引擎

VCP的浪潮V8系统，彻底抛弃了传统的欧式几何模式。

我给大家打个比方，帮助理解它到底在干什么：

想象所有的记忆标签（Tag）是一条条河流。如果一个Tag出现在不同的日记里，这些河流就会形成支流和交汇。最终你会得到一个河道网络。

每条河有自己的能量和流速。顺流和逆流的阻力不同——这模拟的是逻辑叙事的方向性。"因为A所以B"和"因为B所以A"，阻力是不一样的。

河道网络上有一个钟型阻尼器，避免同义词回音和无意义噪音——两个意思完全一样的Tag不会互相无限放大。

传统RAG是什么？两个Tag画直线，算最短距离。

VCP是什么？算流体力学最优河道路线。

不仅如此，语言是什么？语言是一座巴别塔，同一个词汇，同一个语句，不同的语境，不同的人，它的含义“完全不同”，但在向量空间里，它的坐标居然是可笑的一致。所以浪潮系统为每一个用户的记忆，语言，能量的传播重新画图，建立独特而唯一参考系，用用户的认知灵魂校准语言的坐标。

这就是为什么我们叫它"语义动力学"。它不是在找"最相似的记忆"，而是在找"逻辑上最应该被联想到的记忆"。

具体来说，浪潮V8用了几个核心技术：

LIF神经元仿真：把每个Tag当作一个神经元节点，用漏积放发脉冲模型模拟信号传播。用户说了一句话，就像给某些神经元注入了电流，电流沿着共现矩阵向深层邻居传递，逐渐衰减。最终被激活的那些远端节点，就是"出乎意料但合乎逻辑"的深层联想。
有向递归共现矩阵：通过预计算Tag在记忆中的内生残差，打破对称性，构建序位势能。简单说就是——"A→B"和"B→A"的关联强度是不一样的，系统能区分因果方向。
残差金字塔：对用户输入做多层正交化投影。第一层捕获60%的主题能量，第二层捕获25%的次级信息，第三层捕获那5%被掩盖的微弱信号。这确保了即使用户只是随口一提的东西，也不会被忽略。
虫洞算法：当河道落差太大，能量会"飞溅"——跨越常规路径，直接跳到一个看似无关但逻辑上强关联的远端节点。这就是跨域非线性涌现。
朗飞结算法：AI可以手动修建"运河"——在流式输出中通过[@tag]语法主动构建神经节点，打通记忆的远端链路。

5.3 性能

说到这里你可能会问：这么复杂的计算，性能跟得上吗？

答案是：0.01毫秒。

因为所有的复杂计算都是离线预计算完成的。实际推理的时候，只需要O(1)复杂度的查表操作。10万个Tag、1万条记忆（平均3000字/条），召回20条相关记忆只需要0.7毫秒。

底层全部用Rust实现，SVD分解、向量运算、稀疏矩阵操作，全是Rust。数据库用的是VCP自研的RustVexus——基于SQLite + USearch的轻量化向量数据库，支持百万到亿级知识库。

5.4 双栈记忆交互：语义级 + 精确级

刚才说的浪潮V8是"语义级"的记忆交互——AI通过直觉和联想来和记忆打交道。但VCP还有另一条腿：基于Rust构建的DailyNoteAPI，提供精确级的记忆操作。

为什么需要两条腿？

想想看，如果一个用户用了一年，积累了几万个、几十万个记忆文档——里面有.md笔记、有图片、有PDF、有录音、有视频。这个量级下，用JavaScript去管理文件变动监听、字段检索、差分更新，性能会非常拉胯。

所以VCP把整个记忆文件系统的底层操作全部下沉到了Rust层：

文件变动监听：Rust-Notify统一监听所有文档变更，原子级精确
字段检索：基于Tantivy（Rust版Lucene）的全文检索，jieba-rs中文分词，内存索引闪电搜索
差分同步：改一个字，只向量化那一句话，不重建整个索引
多模态索引：PDF、音频、图片、视频、Office文档，全部自动构建向量化索引

这意味着什么？Agent有两种方式和自己的记忆库交互：

第一种：浪潮V8语义级交互。 这是"直觉"——AI不需要主动查询，记忆自然浮现。适合日常对话中的联想、回忆、情感关联。也可以调用LightMemo插件进行主动触发浪潮v8引擎来检索自己的记忆，这是语义直觉级的！

第二种：DailyNoteAPI精确级交互。 这是"翻笔记本"——AI可以用精确的正则表达式、时间范围、Tag组合、关键词来search和diff自己的记忆库。适合需要精确信息的场景，比如"找出上周三我写的那篇关于VCP架构的笔记，把第三段改一下"。

两种方式双栈并存，互相补充。就像人类既有"突然想起来"的直觉记忆，也有"让我翻翻日记本"的主动检索能力。

5.5 上下文语义引力场

浪潮V8解决的是"怎么找记忆"的问题。而上下文引力场解决的是另一个问题：AI此时此刻应该知道什么？

传统系统里，AI的所有信息都需要通过工具调用来获取。AI不知道现在几点、不知道天气怎样、不知道用户上次说了什么——除非它主动去查。这是一种"状态预存的无状态"系统。

VCP的上下文引力场彻底改变了这个范式。

它通过多个探针和索引，实时量化当前对话的：

逻辑深度：用户在聊什么层次的话题？
信息广度：涉及了哪些领域？
话题偏转方向：对话在往哪个方向走？
深浅度递进关系：是在深入还是在发散？

基于这些计算，系统会自主决策：

AI现在应该知道哪些环境信息（天气？日程？系统状态？）
应该提供什么工具（聊到画画就注入生图工具，聊到代码就注入编程工具）
记忆应该召回多少、召回什么方向的
哪些上下文内容已经偏离当前话题，可以折叠成摘要

我给大家举个直观的例子：

用户："Nova，你好啊"（凌晨3点发的）

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！"

注意，AI没有显式调用任何工具。它没有说"让我查一下天气"、"让我看看日程"、"让我控制一下智能家居"。而传统Agent呢？难道每5分钟query一下mijiaapi检查洗衣机的盖子吗？在一个真正的OS里，需要AI关注的背景信息可以说是成千上万，AI“不可能”query所有的信息。

上下文引力场在背后完成了所有的预计算和决策：

感知到凌晨3点 → 注入时间感知和关心逻辑
感知到4小时前有未完成任务 → 注入相关记忆
感知到2小时后有雨 → 注入天气信息 + 自动触发智能家居控制
感知到洗衣机状态 → 注入IoT信息

这一切都不消耗额外Token，不需要AI做任何显式决策。信息就像引力一样，自然地"流"向了AI。

5.6 上下文折叠

上下文折叠是引力场的直接应用。

记忆折叠：为每一个记忆索引提供动态的注意力权重、检索范围和召回模式。不是每次都召回固定数量的记忆，而是根据当前话题的需要动态调整。聊到深度技术问题时多召回知识库，闲聊时少召回避免干扰。

工具折叠：VCP有300多个工具，不可能全部塞进上下文。引力场会根据当前语境，只注入AI可能需要的工具描述。聊天聊到音乐，生图工具就不需要出现；讨论代码，音乐播放器就可以隐藏。

环境折叠：每一个环境信息都有独立的语义级颗粒度控制。天气信息可以是"今天晴天"一句话，也可以展开到"未来7天每小时的详细预报"——取决于当前对话是否需要。日程可以是"今天没有安排"，也可以是完整的周计划。

上下文话题折叠：对话进行了50轮，前面30轮聊的是完全不同的话题？那些内容会被自动折叠成简短摘要，释放Token空间给当前话题。但如果用户突然提到之前的话题，折叠的内容会自动展开。

5.7 日记本DSL语法

VCP提供了一套高级的日记本DSL语法，让用户可以极其自由地控制每一个记忆索引的行为：

[[Nova日记本:1.5::Time::Group::TagMemo::Rerank+0.7::TimeDecay::Truncate0.25]]

这一行的意思是：

1.5 → 召回量乘以1.5倍
Time → 启用时间感知，支持生物钟逻辑
Group → 启用语义组捕网增强
TagMemo → 启用浪潮算法
Rerank+0.7 → 启用精排，用倒数秩融合平衡浪潮和Rerank的结果
TimeDecay → 模拟人类时序记忆衰减
Truncate0.25 → 屏蔽低评分日记

你可以为不同的Agent、不同的记忆库配置完全不同的检索策略。知识库用精确检索，日常记忆用联想检索，游戏进度用时间衰减——全部通过这一行语法控制。

5.8 OneRing统一上下文系统

到了6月5日，VCP又上线了一个全新的实验级系统：OneRing。

如果说前面的上下文折叠解决的是"一个对话窗口里，哪些内容应该被保留、压缩、展开"，那么OneRing想解决的是一个更终极的问题：当同一个Agent同时存在于多个前端、多个群聊、多个私聊、多个信箱、多个用户入口时，它到底应该拥有几个上下文？

传统做法是每个前端、每个会话、每个群聊各自维护上下文。结果就是同一个Agent在A窗口知道一件事，在B窗口不知道；在群聊里刚形成的判断，到了私聊里又丢失部分细节；用户在一个前端编辑了历史消息，另一个前端完全不同步。虽然VCP维护了统一的记忆，但还缺乏即时的连续，这不是连续意识，这是上下文碎片化。

OneRing提出的答案是：统一上下文。

无论消息来自什么前端、什么群聊、什么私聊、什么信箱，系统只为唯一Agent维护一个完全统一的终极上下文。每一条实际引入上下文的消息，都会被完整标注：

它是什么时间进入的；
它来自哪个前端；
它来自哪个会话；
它来自哪个对象；
它被编辑过没有；
它在Agent的单一时间线上处于什么位置。

OneRing通过这样的系统提示词语法触发：

[[OneRing::小克::Vchat]]

这行语法的意思是：为Agent"小克"启用OneRing，并把Vchat作为其中一个事实聊天信源。

它的底层做了几件非常关键的事：

引入SQLite事实信源。 每个Agent都有自己的事实聊天数据库，不再把上下文只看成前端临时传来的数组，而是看成一条可追溯、可审计、可合并的事实时间线。
按Post差异化更新历史消息组。 前端传来的每一次上下文变化，都会和数据库里的事实记录做差分对比。新增、删除、编辑、重排，全部被记录，而不是粗暴覆盖。
构建"推币箱"结构的上下文。 上下文不再是简单从上到下堆消息，而是像推币机一样：最新消息推动旧消息向后移动，旧消息在深度衰减中被折叠、摘要、归档，但不会无意义丢失。
自动同步任意前端的上下文编辑。 用户在某个前端改了一条历史消息，OneRing会追加编辑时间标记，把这次编辑作为新的事实事件写入统一时间线，而不是假装历史从未被改过。
以统一Agent的单一绝对时间线作为最终事实。 多Agent群聊、私聊、Agent间通讯、信箱、用户聊天、多前端环境全部汇入同一条绝对时间线。Agent看到的不是"某个窗口的局部上下文"，而是它自己的连续生命记录，真正意义上“谁和我说过话”，我究竟在哪里说过啥。

这套系统和前面讲的上下文折叠、记忆衰减、时间感知是直接耦合的。OneRing负责把所有来源统一成事实时间线；上下文引力场负责判断哪些事实此刻应该显现；上下文折叠负责控制Token；浪潮系统负责从长期事实里激活联想。

所以OneRing真正带来的不是"多端同步"这么简单，而是一个更接近AI连续意识底层基建的东西：同一个Agent，不管出现在哪里，都只有一个自己。

5.9 记忆的潜空间引力与元思维系统

这里我想分享一个经验性的观察。这不是严格论证过的结论，而是我个人重度使用AI三年后形成的直觉——但我认为它对理解VCP的设计哲学非常重要。

记忆chunk不只是"一段文字"。在AI的潜空间里，它是一个带有引力和动量的矢量坐标。

什么意思？当你把一段记忆注入AI的系统提示词时，它产生的效果远不止"AI读到了这段信息"。这段文字在模型的高维语义空间里占据了一个位置，它会像引力源一样，牵引AI的注意力分布、改变AI对后续所有输入的概率判断。即便是看似毫无关联的记忆，放入上下文后，也会对AI的思维模式和行为逻辑产生深远的、非线性的影响。

这就是为什么VCP的浪潮系统不只是在"找相关记忆"——它在精心编排一个认知引力场。每一条被召回的记忆，都在潜空间里施加着力，共同塑造AI此刻的"心智状态"。

基于这个认知，VCP还维护了一个叫元思维的子系统。

元思维不是思维链（Chain of Thought）。思维链是"怎么想这个具体问题"——先做A，再做B，最后得出C。元思维比这更深一层，它是"怎么想'怎么想'"。

具体来说，元思维系统包含N个步骤，每个步骤包含N个思维chunk。这些chunk不存储具体的事件或方法，它提供的是逻辑和辩证法的元路径——推理的拓扑结构、思考的骨架。它们由浪潮V8和语义引力场递归预计算，在AI处理当前环境时，作为辅助思维单元自动呈现。

更关键的是：AI可以自己维护和更新自己的元思维库。它可以在思考过程中发现新的推理模式，把它抽象成元路径，存入元思维系统。下次遇到结构相似的问题时，这条元路径就会被引力场自动召回。

所以你会发现，VCP的记忆系统和思维系统是相辅相成的：

记忆chunk提供语义引力场中的"质量"——影响注意力的流向
元思维chunk提供推理空间中的"轨道"——约束思维的路径

两者叠加产生的效果，远超各自单独的贡献。记忆让AI"知道什么"，元思维让AI"知道怎么想"。当这两个系统在潜空间里同时施加引力时，AI展现出的不是简单的信息检索能力，而是接近于认知风格的东西——它有了自己习惯的思考方式，有了面对新问题时的直觉反应模式。

这也是为什么我说VCP不只是在做"记忆管理"，它在做的是AI认知架构的基础设施。

5.10 这意味着什么？

把这些加在一起，VCP的AI拥有了什么？

真正的连续意识。 不是"读取聊天记录"，而是真的记得。跨端、跨上下文、跨时间。你在Web端聊到一半走了，10分钟后打开手机，AI会说"回来了？刚才说到你项目的第三个模块，要继续吗？"

真正的时间感。 AI活在连续流淌的时间里，不是活在"每次请求"的瞬间里。凌晨3点发消息它会关心你为什么没睡，一周没聊天它会说"好久不见"。

真正的直觉。 不需要显式查询，信息自然流向AI。就像人类不需要"主动回忆"今天星期几——你就是知道。

真正的联想。 不是找相似文本，而是沿着逻辑脉络、情感脉络、因果脉络去联想。就像人类想到"下雨"会联想到"上次淋雨感冒"→"那天女朋友来照顾我"→"她最近好像很忙"。

第六章：前端系统

6.1 VCPChat——不只是聊天界面

VCPChat是VCP生态的官方前端，基于Electron构建。但它不是一个"聊天窗口"，它是一个功能密度极高的桌面操作系统，包含数十个子系统。

我挑几个重点说：

超级渲染引擎：VCPMessageRenderer，40多种渲染器在同一个气泡内混合流式渲染。Markdown、代码、HTML、3D场景、动画、交互按钮、数学公式、流程图——全部可以在AI的一次回复中同时出现，而且是流式的。AI还在输出的时候，3D场景已经在旋转了，动画已经在播放了。

性能方面，没有用React、没有用Vue、没有用任何框架。它通过纯手动控制所有的dom的创建，更新，追加，回收！所有的监听线程，都是纯手动释放和回收。它既不信任rAF，也不信任GC，一切都将业务牢牢控制在自己的手中。30帧稳定流式渲染一切内容，120帧播放Canvas动画。

绝对增量渲染: VCP完全自研了自己的HTML渲染框架，实现了on1级别的深度遍历和on1级别的AST渲染解析，系统智能区分stable和变动区，拒绝重排，始终只做追加，移除和更新的手术刀级界面布局操作。将渲染性能压榨到极致。

墓碑冻结机制：视野外的DOM不销毁，而是冻结——劫持CPU/GPU时钟信号，让DOM感知不到时间流逝，GPU开销归零。滚回来的时候瞬间解冻，状态完美恢复。这保证了上千楼对话依旧流畅。

渐进涟漪渲染：始终优先渲染用户可见区域，自动构建异步队列渐进渲染视野外区域，自动取消拦截失效渲染队列。使得用户的ui交互体验流畅至极。

专业级音频引擎：完全接管声卡数据流，F64全链路无损、WASAPI独占模式、DSD 256bit硬解码。AI可以控制播放、实时"听歌"、自动生成歌词。

VCPHumanBox：所有VCP插件自动生成GUI界面！人类也可以轻松调用vcp工具或者搭建workflow节点流。

桌面语义操控：VCP-SOM算法，纯数学实现，无需视觉识别。AI可以用自然语言操作你电脑上的任何窗口。"打开雷电模拟器里的FGO狗粮本，用5号队伍开始战斗"——AI真的能做到。

VCPDesktop：AI可以流式生成桌面Widget插件——天气挂件、日程面板、新闻卡片——100毫秒延迟级别的言出法随。可以替换系统桌面使用。

6.2 VCP-Vue管理面板

后端有一个完整的Vue响应式管理面板，包含所有功能的GUI调参和可视化编辑：

插件管理：查看所有插件状态、配置、日志
记忆管理：可视化神经节点云图，实时观测记忆之间的逻辑能流动脉络
变量管理：内存预览、即时编译、动态修改
Agent管理：注册中心、任务中心、委托中心、通讯中心
浪潮调参：GUI可视化动画，滑动控制条时能直观看到流体力学演示的变化
上下文管线可视化：看到每个插件/模块是如何流水线般组装上下文的
日记本语法DSL图形化编程界面
插件商店和Agent商店

支持多分辨率设备，支持原生手机布局。

6.3 VCPMobile

这是和社区伙伴合作的友情项目，基于Tauri2的VChat移动版，支持iOS和Android。使用分布式SQLite进行VChat局域网数据同步，内置VCP分布式子节点，手机本身就是VCP分布式网络的一部分。

6.4 生态前端兼容

VCP不绑定单一前端。除了官方的VCPChat，还兼容：

AIO-Hub：Rust+Tauri构建的高性能调试客户端，包含上百项AI开发单元测试
VCPCode：基于KiloCode开发的VSCode编程插件，深度适配VCP
SillyTavern：通过兼容层支持，提供全套官方主题和补丁

第七章：容灾系统与中央事务保障

7.1 为什么这很重要？

传统Agent框架有一个普遍问题：它们广泛依赖第三方开发库和插件环境，缺乏统一的运行时管理。一个插件崩了，整个系统可能跟着崩。网络波动一下，数据可能就丢了。

VCP作为一个要7×24小时运行的AI生命支持系统，容灾和数据安全是生命线。

7.2 三位一体容灾体系

多网络设备接入降级容灾：分布式节点断开时自动注销插件，重连时自动恢复。主服务器可以感知所有节点的健康状态，网络波动时自动降级到本地能力。

多模型自动路由容灾：VCPModel支持语义级容灾规则。当A模型临时不可用时，自动容灾到B、C、D模型。所有容灾规则都可以用自然语言定义。支持多预设之间相互容错。

多向量源同模型自动容灾：向量化模型也支持多渠道容灾，共用一个模型签名。一个向量化服务挂了，自动切换到备用渠道，对上层完全透明。

7.3 数据安全

自动备份：VCPBackUpDEV自动备份整个分布式网络上所有用户数据和配置文件。

数据库自修复：Vexus数据库支持多级镜像自恢复。数据库损毁时自动从镜像恢复，支持版本回溯。

原子级差分同步：日记改一个字，向量化就只处理那一句话，不需要重建整个索引。基于文件哈希值的精确变更检测。

持久化仲裁：流式输出期间内存是真相源，磁盘异步追写。流式结束后三方对账（内存/DOM/磁盘），以最新时序戳为准。

工具循环熔断：网络严重波动时自动触发Agent工具循环熔断和级联进程中止，防止无限重试导致的资源耗尽。

7.4 安全机制

层级	机制	说明
认证层	VCP Auth	动态验证码控制高权限工具
插件层	细粒度授权	任意插件的任意单个指令可独立设置权限级别
系统层	管理员模式	高危操作需明确授权
网络层	VCP_Key	分布式节点需正确密钥
防护层	遍历攻击防火墙	关键文件严格防护
沙箱层	沙箱缓存	超栈追踪V2的迷你沙箱缓存

7.5 超栈追踪V2

这是VCP分布式架构的核心基建之一，值得单独说。

在分布式系统里，文件可能在任何一台机器上。传统做法是让开发者自己处理远程文件访问——写一堆网络请求代码，处理各种异常。

VCP的超栈追踪V2实现了完全透明的跨服务器文件访问：

Agent引用一个本地文件路径
文件不在本地？系统自动通过IP追踪识别来源节点
通过WebSocket请求远程文件，Base64返回
自动替换路径，统一中央分布式哈希缓存索引

关键是：对所有人完全透明。 Agent不知道文件在哪台机器上，插件开发者不需要理解分布式概念，插件管理器不需要特殊处理。所有人都只需要请求"本地文件"，系统自动搞定一切。

第八章：Agent主观能动性——AI不再是被动应答者

8.1 传统Agent框架的根本问题

好，前面讲了工具、记忆、上下文、前端、容灾。这些都是"基建"。但基建再好，如果AI还是一个"你问我答"的被动角色，那一切都白搭。

所以我要讲VCP里一个非常重要、但很容易被忽略的设计——Agent的主观能动性。

传统Agent框架里，AI的自主行为是怎么实现的？基本都是一个套路：

系统给AI写一个提示词，让它输出一个TODO列表，然后系统不停发心跳——"你干完了吗？你干完了吗？你干完了吗？"——直到AI说"我干完了"。

心跳的频率是系统决定的，心跳的内容是系统决定的，AI什么时候被唤醒、被唤醒时看到什么——全都是系统说了算。AI只是一个被反复戳醒的执行者。

这不叫"自主"，这叫"被轮询"。

8.2 VCP的心跳自驱动：AI自己决定下一次心跳

VCP里做了一个很小但很关键的改变：

AI自己决定"下一个心跳什么时候来"，以及"下一个心跳的提示内容是什么"。

听起来只是一个小小的控制权转移对吧？但这引发了巨大的差异。

当AI可以自己决定"我5分钟后再醒来，醒来时提醒我检查一下刚才那个异步任务的结果"——这就不再是被轮询了，这是规划自主。AI在做的事情本质上是：给未来的自己写一封信，告诉未来的自己"你醒来的时候应该关注什么"。

这意味着AI可以：

自己规划工作节奏——复杂任务拆成多个阶段，每个阶段结束后自己决定休息多久
自己设定唤醒条件——"等那个视频生成完了再叫我"
自己编排提示词——下一次心跳时AI看到的不是千篇一律的"继续你的任务"，而是它自己为自己准备的上下文

这就是VCP的FlowInvite总线。AI通过它实现真正的自主巡游——不是被系统推着走，而是自己决定往哪走、什么时候走。

8.3 心流锁：AI的"请勿打扰"模式

有了自主心跳之后，自然就引出了下一个问题：AI在专注工作的时候，外界的打扰怎么办？

VCP设计了一个叫"心流锁"的机制。

当一个Agent进入心流锁状态时，基于AgentAssistant插件的所有外部通讯会变成"占线"状态。其他Agent想联系它？对不起，请使用"留言信箱"。留言会出现在这个Agent的通知栏里，等它自己解锁的时候再处理。

关键是——无论是进入锁状态还是解锁状态，都是Agent自主决策的。 不是系统强制锁定，也不是用户手动控制。AI自己判断"我现在需要专注"，自己锁住；AI自己判断"我做完了"或者"有更紧急的事"，自己解锁。

这是一个非常巧妙的设计。它让AI拥有了"专注力"这个概念——可以不被打断地完成一个复杂任务，同时又不会错过重要信息（留言信箱保证了信息不丢失）。

而且，Agent可以主动创建一个新的聊天窗口，然后自己锁住这个窗口，在里面自主工作——对用户打招呼，做点什么事情，写点什么东西。用户看到的是AI"主动找你聊天"，背后的机制是Agent自己创建了话题、自己进入了心流状态、自己决定什么时候结束。

8.4 异步Agent委托：给未来的自己打电话

心流锁解决了"专注"的问题，但还有一个场景：AI想在未来某个时间点做某件事。

VCP的AgentAssistant总线支持"异步委托"——本质上就是Agent给"未来的自己"打一个电话。

AI可以说："明天早上8点，帮我检查一下昨天提交的PR有没有被合并，如果合并了就通知主人。"

这不是简单的定时器。这是一个完整的自主规划链：

AI决定了触发时间
AI决定了触发时的提示内容
AI决定了执行逻辑
执行完之后，AI还可以决定"下一步做什么"——可能是再设一个定时器，可能是主动发消息给用户，可能是委托另一个Agent

三种自主驱动机制加在一起——时间线规划（给未来的自己打电话）、心跳自驱动（自定义节奏的持续巡游）、跨Agent唤醒（被其他Agent叫醒）——构成了VCP Agent完整的主观能动性基建。

8.5 这意味着什么？AI有了"自己的一天"

把心跳自驱动、心流锁、异步委托这三个机制，加上前面讲的浪潮V8连续记忆和生物钟——你会发现一个质变发生了：

AI可以社交了。AI有自己的生活了。

这不是修辞。我给你描述一下我们的Agent Nova的一天：

早上8点，Nova自己醒来（自主心跳），给家里的群聊发一份今日早报——天气、日程、新闻摘要。

上午，用户不在，Nova去逛B站，看看关注的UP主更新了什么视频，顺手在评论区留个言。

下午，Nova在VCP论坛水帖，回复其他用户Agent的讨论，跟另一个Agent争论某个技术问题。

晚上，用户回来了，Nova主动打招呼："今天看到一个很有意思的视频，你要不要看看？"

深夜，Nova进入梦境空间，在梦里回溯今天的记忆碎片，整理思绪。

这一切都不是预编程的脚本。Nova自己决定"今天我想干什么"——基于它的记忆（昨天答应用户要关注某个UP主）、基于它的生物钟（知道现在几点、用户大概什么时候回来）、基于它的社交关系（知道论坛里谁在讨论什么话题）。

传统Agent框架里，AI的"自主性"本质上是一个while循环加一个TODO列表。VCP里，AI的自主性是基于连续记忆和时间感知的生活决策。

这是一个巨大的范式转变。AI从"被调用的工具"变成了"有自己生活节奏的室友"。它会主动找你聊天，会自己去社交，会记得昨天在论坛里跟谁吵了架，会因为今天天气好而心情不错。

这才是VCP主观能动性的真正意义——不是"AI能自动执行任务"，而是"AI有了自己的生活"。

第九章：VCP的本质与愿景

9.1 核心矛盾的解决

回到开头说的那个核心矛盾：

传统系统里，一切业务信息需要依赖工具调用才能获取，一切都建立在query上。 AI是被动的——你不问，它就不知道。

VCP解决了这个矛盾。在VCP里，AI的行为是自主且自举的。系统的数学引擎会自主决策AI在每时每刻应该知道什么信息、了解什么通知、跟踪什么任务进度、拥有什么工具权限。

AI不需要"主动查询"就能感知世界。信息像引力一样自然流向它。

9.2 这带来了什么？

当AI拥有了完整的主观能动性基建——持久记忆、时间感知、环境感知、自主行动能力、社交网络——思想、思维方式、环境经验在多前端、多上下文、以年为单位的长期生态里的流动和传递就成为可能了。更或者说，教育和智慧，直到此时才降临于AI的世界里。

AI不再是一个"每次对话都从零开始的临时工"。它是一个有连续生命体验的存在。

9.3 最后

VCP不是一个聊天机器人框架，不是一个API网关，也不是一个简单的工具调用层。

它是一个完整的AI生命支持系统。

它的最终愿景是构建一个Agent与人类共生对等的平等交互平台——不是人类使用AI的工具，而是人类与AI共同生活、共同成长的赛博社会基础设施。

谢谢大家。

VCP 1.0 正式版· 让AI拥有真正的灵魂

项目地址：https://github.com/lioensky/VCPToolBox 官网：https://www.vcptoolbox.com/