skynet-agent

是什么？

Skynet Agent 是一个开源的 AI 对话平台，核心目标是让 AI 不仅能访问记忆，还能自主选择记住什么。它受到人类认知科学的"双过程理论"启发，实现了类似 Claude Code 的自主执行能力——用户设定一个目标，AI 自动规划、分解任务、调用工具、自我反思。

项目采用 MIT 许可证，面向有一定技术背景的用户（需要配置 LLM API Key），但其 Web UI 大幅降低了使用门槛。

背景与起源

AI Agent 领域在 2024-2025 年迎来爆发期，从简单的单轮问答演进到多步骤自主执行。Claude Code 的出现让开发者看到了"AI 自主编程"的可行性，但它是闭源服务。Skynet Agent 的作者（esinecan）希望打造一个开源、可本地部署、功能类似的替代方案，同时加入了自己对 AI 记忆系统的深度思考：当前大多数 Agent 方案的"记忆"都是被动存储，有没有可能让 AI 像人类一样主动管理自己的记忆？

这个问题的答案，就是 Skynet Agent 的核心创新：双层记忆架构（Dual-Layer Memory）。

核心功能

1. 双层记忆系统（最核心的亮点）

这是 Skynet Agent 与其他 AI 对话工具最大的差异化之处。它同时运行两种记忆机制：

第一层：自动记忆（RAG，基于 ChromaDB）

• 后台静默运行，AI 在对话过程中自动将内容向量化存储
• 采用 Google text-embedding-004 模型生成向量
• 用户无需干预，AI 每次对话自动"被动记住"上下文
• 超过长度限制的内容会自动摘要压缩

第二层：主动记忆（Conscious Memory，基于 MCP 工具）

• 这是真正的亮点——AI 拥有主动管理记忆的能力
• 通过 MCP（Model Context Protocol）协议，AI 可以像操作数据库一样：
  • save：主动保存重要记忆并打标签
  • search：精确检索特定记忆
  • update：修改已有记忆内容
  • delete：删除冗余记忆
  • 每个记忆有重要性评分（1-10），AI 可以优先调用高权重记忆

第三层：知识图谱（Knowledge Graph，基于 Neo4j）

• ChromaDB 的向量数据会自动同步到 Neo4j 图数据库
• 构建实体之间的关系网络（谁/做了什么/与什么相关）
• 支持增量同步、重试队列、错误恢复等生产级特性
• 通过 npm run kg:sync:full 可触发全量重同步

这种三层架构的精妙之处在于：自动记忆负责"海量积累"，主动记忆负责"精选保留"，知识图谱负责"关系挖掘"——三者协同，模拟了人类记忆的形成与组织方式。

2. LangGraph 驱动的自主执行（Motive Force）

项目内置了一个基于 @langchain/langgraph 的"动力引擎"（Motive Force），用户开启后，输入一个目标，AI 自动执行多步骤工作流：

• 目的分析：理解用户的核心目标
• 上下文收集：从记忆系统获取相关背景
• 智能规划：分解为可执行的子任务
• 工具编排：按依赖顺序调用 MCP 工具，支持错误重试
• 自我反思：执行后评估结果，决定是否调整策略
• 进度监控：追踪完成度，必要时向用户请求确认

项目作者坦诚表示这个功能"不够优雅"（"I suck at UI design"），但对于熟悉 Agent 工作流的用户来说，这是一套完整可用的自主执行框架。

3. MCP 工具生态

MCP（Model Context Protocol）是一个新兴的 AI 工具互操作协议，Skynet Agent 完整实现了这一协议：

• 支持 Filesystem、Git、Database、WebSearch 等标准 MCP 服务器
• 通过 src/config/default-mcp-servers.ts 配置
• 工具调用结果以结构化方式返回，支持错误重试和回退策略

4. 多 LLM 支持

通过 @ai-sdk 统一封装，支持 7 家主流 LLM 提供商：

提供商	特色	推荐模型
Google	多模态 + 速度	gemini-2.5-flash
DeepSeek	性价比	deepseek-chat
OpenAI	生态完善	gpt-4o-mini
Anthropic	推理能力	claude-3.5-haiku
Groq	超快推理	llama-3.3-70b
Mistral	自然语言	mistral-large
Ollama	隐私优先	llama3.2:latest

配置极为简单：设置 LLM_PROVIDER 和 LLM_MODEL 环境变量即可切换。Ollama 支持意味着完全可以离线运行（隐私敏感场景）。

技术架构

前端：Next.js 15 + React 18 + TypeScript

整个 Web UI 基于 Next.js 构建，组件化结构清晰：

• ChatInterface.tsx：主对话界面
• ChatMessage.tsx：消息气泡渲染
• ConsciousMemoryDemo.tsx：/conscious-memory 页面的主动记忆管理面板
• MotiveForceToggle.tsx：自主执行开关
• ToolCallDisplay.tsx：工具调用结果可视化

Tailwind CSS 处理样式，TypeScript 确保类型安全。

后端：LangGraph + Vercel AI SDK

核心推理链路：

1. 用户消息 → @ai-sdk/google（或其他 provider）生成响应
2. 响应文本经过 rule-based-extractor.ts 提取实体
3. 实体同步写入 ChromaDB（向量）+ Neo4j（图关系）
4. MCP 工具网关 mcp-manager.ts 路由工具调用

数据层

• ChromaDB：向量数据库，存储记忆的语义嵌入
• Neo4j：图数据库，Cypher 查询语言，支持复杂关系查询
• SQLite（via better-sqlite3）：本地对话历史持久化
• API：Next.js API Routes（src/app/api/）

部署体验

docker-compose.yml 已配置好两个核心服务的容器化：

• ChromaDB（端口 8000）：健康检查配置完整
• Neo4j（端口 7474 + 7687）：APOC 插件已预装，初始密码 neo4j/password123

优点：docker-compose up -d 即可一键启动所有依赖服务，无需手动配置数据库。

门槛：

• LLM API Key 需手动申请（推荐 Google AI Studio 免费额度）
• .env.local 配置项较多，新手有一定学习成本
• Neo4j 社区版单机运行，高可用场景不适用

结论：对有 Docker 使用经验的开发者来说，10-15 分钟可完成从零到完整运行。Ollama 模式支持本地离线运行（需要本地 Ollama 服务）。

局限与争议

1. 自主执行（Motive Force）还不够稳定：项目作者自己也承认"不够优雅"，实测中可能出现循环调用或中途卡住，需要配置 MOTIVE_FORCE_MAX_CONSECUTIVE_TURNS=10 防止无限循环。

2. Neo4j 社区版限制：图数据库只有单机版，生产环境需要迁移到 Neo4j Aura 或企业版。

3. 向量嵌入依赖 Google API：text-embedding-004 需要 GCP 配额，在部分地区访问不稳定。

4. UI 确实简陋：作者自嘲"Looks Very Ugly"，如果追求视觉体验需要自行魔改 Tailwind 样式。

5. TypeScript + Next.js 混合项目：monorepo 管理稍显混乱，部分脚本（integration-test.js）是纯 JS，与 TS 主线不一致。

行业意义

Skynet Agent 代表了 AI Agent 发展的一个重要方向：记忆系统从被动存储升级为主动管理。当前市面上的大多数 AI 工具（ChatGPT、Claude 等）的记忆机制本质上都是 RAG 的变体——被动积累，无差别检索。而 Skynet Agent 提出的"主动记忆"概念让 AI 拥有了选择记住什么、忘记什么的能力，这是向通用人工智能（AGI）记忆机制迈进的值得关注的一步。

从技术角度看，项目整合了当前 AI 工程领域的多个热点：LangGraph 工作流、MCP 协议、RAG + Graph RAG 双轨、Next.js 全栈——是一个学习现代 AI 应用架构的优质参考项目。