把它当成一个大模型来做：灵境是一个本地确定性、可审计的推理大模型，不是普通脚本、也不是概率生成式 LLM。内核把「世界图 → A* 可审计推理 → 物理载体执行 → 学习闭环」封装为单一引擎，对外以 MCP stdio / 网页演示 两种接口暴露。零依赖 · 零服务器 · 免费面向 AI Agent 分发。

仓库（模型主仓，独立于灵数求解器 lingshu-solver）：https://github.com/genesis-plan/lingjing
架构白皮书：ARCHITECTURE.md
直接使用：克隆仓库后 node lingjing-mcp.js（MCP stdio，零依赖；npm 包待发布）

🧪 正在求测 / 求反馈：我们做了一个「不幻觉、可审计」的通用大脑，请做 Agent / 机器人 / 严谨 AI 的朋友来跑、来挑刺。

🟢 在线试用（零安装，双击即用）：https://hclj-1409755229.cos.ap-guangzhou.myqcloud.com/lingjing/playground.html

🟢 在线试用「开始干活」控制台（三步接入身体/大模型/大脑 + 真实身体）：https://hclj-1409755229.cos.ap-guangzhou.myqcloud.com/lingjing/lingjing-console.html

💬 求测帖 & 反馈：https://github.com/genesis-plan/lingjing/discussions/1

🤖 AI Agent 零安装接入：npx github:genesis-plan/lingjing（46 工具）

模型卡（Model Card）

项	内容
模型名称	灵境 LingJing（世界通用大脑 / WorldBrain）
模型类型	可审计确定性推理大模型（非概率生成式 LLM）
内核	本地确定性 A* 推理 + 七段审计 + 正·负·边界样本知识库，不经大模型、不幻觉
感知层	免费 LLM（OpenRouter `:free`）做 NL→JSON + 贝叶斯滤波/Banach 信念收敛，把自然语言理解成结构化目标；无 key 可手动降级
定位	驱动一切具身 / 物理载体的透明决策大脑（五层认知操作系统全实装）
接入	MCP stdio（46 工具）/ 单文件网页演示（HTML，双击即用）
许可	MIT，免费、开源、面向 AI Agent 分发

它能做什么

在任意「世界图」上做最优且可审计的决策（系统2：A* + 硬/软约束 + RSG 推理状态图；系统1：高置信经验快答）
每一步推理都给出依据链与七段审计报告（概要/轨迹/证据/约束/𝕌/形式化证明证书/可复现），并量化认知+偶然不确定性，凡不可判定诚实标 $\mathbb{U}$
用免费 LLM 把自然语言/状态描述理解成结构化目标（NL→JSON），零成本接入人类与载体
接收物理载体上报（电量、区域密度）→ 自动生成硬/软约束 → 下发指令 → 执行回报 → 学习闭环（正/负/边界样本）
经验知识库可查、可增、置信度随使用更新

它不做什么（诚实边界）

不生成文本、不编造事实；推理结果可复现、可审计、不幻觉
v3.0 完整骨架已全部确定性实装（Node 校验 87/87）：感知(免费LLM + Banach 信念收敛) / 世界图(边概率P + LSH检索 + 规则蒸馏 + 认知图谱 + 元知识路由) / 系统1-2 + RSG / 符号Z3-lite 约束求解 / 代数方程系统求解（委派真引擎灵数求解器，区间收缩 + Krawczyk 认证，非 lite） / 霍尔机器验证证明 / D-MCTS 分支探索 / 七段审计 / 正·负·边界样本 / 单步学习 + PAC 样本界 + do演算·PC因果 / 元认知层 / EDA 事件总线 + Data Fabric 版本化 + PrSTL 运行时安全停车 + 持续验证 / 物理载体接入 / 具身层（A* 状态空间规划 + checkHard SAFE-STOP + maxReplans 护栏 + 任意物理身体能力契约）
轻量替代标注（手写 lite 版、非工业级外部求解器，均可运行、均确定性、均不虚构）：符号验证=自写约束求解器（非真实 Z3）；霍尔证明=结构化逐边验证（非 Coq 机器证明）；因果发现=PC-lite 离散近似（非真实 PC/FCI）；LSH=SimHash 投影（非 Milvus）；世界模型/反事实已 lite 实装（SEM 线性结构方程 + Pearl 反事实三步法，确定性可审计；文档原仅给 VAE/ADM-v2 等名词无定义，本实装为诚实 lite 等价，非 VAE）

为什么不幻觉（神经符号边界）

大模型会错，本质是概率生成：它从训练分布里"猜"下一个 token，没有真值约束，于是产生幻觉。灵境刻意不做生成式 LLM，而是把 LLM 严格限制在感知 / 解释两个前端，推理与审计全部在本地确定性内核：

档位	来源	会幻觉吗	能否作为依据
`PERCEPTION`（UNVERIFIED_LLM）	免费 LLM 把人话转成结构化目标	会（显式标注 `_grounding.mayHallucinate=true`）	否，绝不进入证明链
`KERNEL`（DETERMINISTIC）	内核 A* / 知识库计算	不会，可复现	是
`PROOF`（AUDITED）	七段审计 + 霍尔证明证书	不会，可机器验证	是（最高保证）

askBrain / audit / reason 返回值都携带 grounding 字段与 disclaimer 提示；LLM 解释文本显式标注"可能幻觉，不计入证明或决策依据"。这是产品定位的硬保证，并由 node lingjing-mcp.js --selftest 的 grounding 项持续验证。

快速接入

git clone https://github.com/genesis-plan/lingjing && cd lingjing   # 克隆仓库（npm 包待发布，先仓库直用）
node lingjing-mcp.js --selftest      # 零依赖验证（51/51 工具自检，含 grounding 不幻觉分层项 + 具身层 6 项）
# 灵数求解器真引擎以 npm 依赖 lingshu-solver 接入（ genesis-plan/lingshu-solver ，独立仓库，已发 npm）

任何支持 MCP 的客户端（Claude Desktop / Cursor / Cline 等）复制 mcp.example.json 即可接入，不用开网页、不用服务器、不用本地装包（npx github:genesis-plan/lingjing 自动拉仓库并暴露 36 个工具）：

{
  "mcpServers": {
    "lingjing": { "command": "npx", "args": ["github:genesis-plan/lingjing"], "env": { "OPENROUTER_API_KEY": "填你的免费Key(可留空)" } }
  }
}

开发者 / 前端零安装：<script src="https://cdn.jsdelivr.net/gh/genesis-plan/lingjing/lingjing.umd.js"></script> 然后 const L = window.LingJing（浏览器/Node 通用 UMD，零依赖、零安装）；或 git clone 后 const L = require('./lingjing.umd.js')。 非技术零安装：双击 playground.html 即可看「规划路径 + 七段审计 + 不幻觉分层」，离线可用。

三步上手「开始干活」控制台（零安装，非技术也能用）

仓库自带单文件网页控制台 lingjing-console.html：把 ① 接入具身智能 → ② 接入外部大模型 → ③ 接入灵境大脑 做成三个连接面板，最后一颗 开始干活 按钮，自然语言任务 → 输出规划 + 执行 + 七段审计 + 不幻觉置信分层。

① 接入具身智能：填身体配置 JSON（状态/硬约束/能力），点「连接身体」→ setWorld+attachBody 把机器人能力注册进大脑状态空间（任何物理身体都行：AGV / 机械臂 / 无人机，内核只认能力契约，不写死身体类型）。
② 接入外部大模型：填 OpenRouter Key + 选模型 → configureLLM；自然语言任务经 perceiveLLM 翻成结构化意图。不填 Key 也能干活（降级结构化输入，大脑 100% 确定性运行）。
③ 接入灵境大脑：随页面载入 UMD（87 导出），点「自检」跑 reason('CHARGE','C') 验证就绪。
开始干活：plan_task（A*+hMax 状态空间最优）→ doWork（含 check_hard SAFE-STOP + maxReplans 护栏）→ generateAudit（七段审计）。输出 规划 / 执行 / 审计 / 置信 四标签，置信页显式标 PERCEPTION(可能幻觉) / KERNEL(确定性) / PROOF(审计可验证) 三档。
真实身体模式：选「真实身体(WebSocket)」填 ws 地址 → 点连接 → 动作发往真身体执行（规划/审计不变）。协议见 lingjing-body-bridge.js + 零依赖仿真服务端 lingjing-body-sim-server.js（先 node lingjing-body-sim-server.js 起一个仿真 AGV 即可端到端试通）。

零安装：同目录放 lingjing.umd.js，双击本页即可（无需服务器）。 ⚠️ 浏览器直连大模型会把 Key 暴露前端，仅限本地演示；正式部署应走服务端代理。具身执行为确定化重规划近似，非 POMDP 最优。

node lingjing-body-sim-server.js          # 终端1：起仿真真身体（默认 ws://localhost:8787）
# 双击 lingjing-console.html → ①连接身体 → 选「真实身体(WebSocket)」填 ws://localhost:8787 → 连接 → 开始干活

架构（摘要）

形式化七元组 $\mathbb{B}=(\mathbb{W},K,\Phi,\Psi,\Theta,\Lambda,\Xi)$，八层：感知 $\Phi$ / 学习 $\Psi$ / 知识库 $K$ / 推理 $\Theta$ / 因果 $\Lambda$ / 演化 / 审计 $\Xi$ / 统一。详见 ARCHITECTURE.md。

核心定理（可证）：有限世界图 + 可采纳欧氏启发式下，A* 完备且最优——要么返回最优路径，要么诚实标 $\mathbb{U}$。

工具接口（MCP，46 个）

能力	工具	说明
免费 LLM 感知	`perceive`	自然语言/状态描述 → 结构化感知（需 OpenRouter Key：参数或 env `OPENROUTER_API_KEY`）
贝叶斯信念收敛	`perceive_belief`	贝叶斯滤波迭代 + Banach 压缩映射收敛检测（离散信念→不动点）
场景感知	`world_info` / `set_world`	看世界图结构，或导入你自己的场景（灭蚊器只是默认示例；边可带 `p` 概率）
可审计推理	`reason` / `audit`	系统1 快答 + 系统2 A* 最优 + RSG 推理状态图 + 每步依据 + $\mathbb{U}$；七段审计报告（含证明证书/可复现）
符号验证	`symbolic_verify`	霍尔机器验证 A* 路径满足不变量（手写 Z3-lite 等价）
代数方程求解	`algebraic_solve`	委派真引擎「灵数求解器」(lingshu-solver)：区间收缩 + Krawczyk 认证，离线确定性、可复现；解实数方程组（≤6 变量，支持 sin/cos/exp/log/sqrt 等），返回 certified/tier/residual
分支探索	`dmcts`	D-MCTS 并行分支探索 + 回溯，返回多候选最优路径
知识检索/蒸馏	`knowledge_ann` / `knowledge_distill` / `cog_graph`	LSH 近似检索 / FP-Growth 规则蒸馏 / 认知图谱
因果	`causal` / `causal_effect`	PC-lite 因果发现 + do 演算（后门准则 / 前门准则，见 `causal_effect` 的 `mediator` 参数）
世界模型	`world_model` / `counterfactual`	学结构方程 SEM（手写最小二乘）并前向模拟下一状态；反事实推理（Pearl 三步法 abduction→action→prediction，lite 等价，确定性可审计；非 VAE/ADM-v2）
学习理论	`pac_bound`	PAC 学习定理样本复杂度下界
物理载体接入	`carrier_report`	载体上报电量/密度，自动生成硬/软约束
学习闭环	`learn` / `knowledge_query` / `knowledge_add`	执行回报 → 正/负样本置信度更新；经验库可查可增
元认知	`meta`	第五层元认知协调（熵/一致性/缺口/仲裁/探索-利用）
事件总线	`event_publish`	EDA 事件发布（感知/推理/学习/审计/元认知）
数据编排	`knowledge_fabric`	Data Fabric 知识库版本化（commit/list/diff）
运行时验证	`runtime_monitor` / `continuous_verify`	PrSTL 安全停车 / 仓库级持续验证管道
具身层（机器人 / 物理身体）	`attach_body` / `capabilities` / `get_state` / `set_state` / `state_diff` / `check_hard` / `h_max` / `plan_task` / `execute_task` / `positioning`	注册任意物理身体（能力契约 `id/pre/effect/cost/ground` + 硬约束禁区）→ 大脑内 A* 状态空间最优规划 → 逐步执行（`check_hard` SAFE-STOP）→ 观测偏差→确定性重规划（`maxReplans` 护栏）；`positioning` 返回产品定位。机器人侧用 `plan_task` 产出动作序列自行驱动真身体，或经 stdio 调用

`perceive({text, apiKey?})`

{ "text": "电量80，目标去C区，A区蚊子很多" }

→ { "ok": true, "mode":"llm", "percept": {"goal":"C","battery":80,"density":{"A":8},"confidence":0.9} } 无 key 降级：{ "ok":false, "mode":"manual", "error":"未提供 OpenRouter API Key" }。

`reason({start?, goal, hard?, soft?, system1Only?})`

{ "start": "CHARGE", "goal": "C", "hard": ["A"], "soft": ["B"] }

→ { "status":"optimal", "usedSystem":"2", "path":["CHARGE","B","C"], "cost":6, "rsg":{"branchCount":5,"pruneCount":1,"optimalPath":[...]}, "steps":[...] } 不可判定时诚实返回 { "status":"unknown", "U": true, "reason":["目标不在世界图"] }。

`carrier_report({battery?, goal, density?})`

{ "battery": 100, "goal": "A", "density": {"A":8,"B":3,"C":5} }

→ { "battery":100, "hard":[], "soft":["B"], "note":"电量充足" } 电量 <20 时 hard:["A","B","C"]（禁止离开充电座）。

`audit({start?, goal, hard?, soft?})`

→ { "summary":{}, "details":[], "evidence":[], "constraints":[], "unknown":[], "uncertainty":{}, "proof":{"hoare":"{P} C {Q}"}, "reproducible":{}, "status":"valid" }

`ask({text})`（端到端，含不幻觉分层）

{ "text": "从充电座出发去 C 点，电量充足" }

→ { "ok":true, "percept":{...}, "reason":{"status":"optimal","path":["CHARGE","B","C"],"grounding":{"tier":"DETERMINISTIC"}}, "explanation":{"ok":true,"text":"…","grounding":{"tier":"UNVERIFIED_LLM"},"disclaimer":"LLM 解释可能含错误（幻觉）…"}, "grounding":{"tiers":{...}}, "disclaimer":"感知(percept)来自免费 LLM，可能幻觉…决策依据来自 reason(确定性内核) 与 audit(审计证明)" }

percept（感知）标注 UNVERIFIED_LLM 可能幻觉；reason（推理）标注 DETERMINISTIC 不幻觉——这就是"不幻觉"的机器可读边界。

`causal_effect({samples, cause, effect, mediator?})`（do-演算，后门/前门准则，反事实因果）

后门（默认，需 effect 的其余父节点已观测）：

{ "samples":[{"state":{"x":1},"action":{"a":0},"next":{"y":2}}, …], "cause":"a", "effect":"y" }

→ { "ace":1, "adjustSet":["x"], "auditable":true, "deterministic":true, "imaRef":["ima_304","ima_301"], "grounding":{"tier":"DETERMINISTIC"} }

在 y=2x+a 的合成数据上 ACE(a→y)=1 精确还原真值；确定性、可审计，呼应 IMA 因果资料 ima_304 / ima_301。

前门（存在未观测混杂、后门失效时，传 mediator）：

{ "samples":[{"state":{"X":1,"M":0.5},"next":{"Y":0.9}}, …], "cause":"X", "effect":"Y", "mediator":"M" }

→ { "ace":0.25, "method":"front-door-adjustment-linear-SEM", "mediator":"M", "handlesUnobservedConfounder":true, "auditable":true, "imaRef":["ima_304","ima_301"], "grounding":{"tier":"DETERMINISTIC"} }

吸收 Pearl 前门准则：X→M→Y 且 U→X,U→Y（未观测混杂）时，后门失效，但前门 ACE=α·β 仍可识别（自测合成数据精确还原 0.25）。前门三条件由调用方声明。

`learn({path, success})` / `knowledge_query` / `knowledge_add`

经验库增查与置信度更新（成功=正样本 +0.1 / 失败=负样本 -0.1）。

最小调用序列（智能体视角）

1. world_info()                → 了解场景节点
2. set_world(我的场景)          → （可选）换成你的物理载体/任务图
3. carrier_report(电量,目标,密度) → 载体上报，拿硬/软约束
4. reason(起点,目标,硬,软)       → 可审计最优路径
5. 载体按 path 执行
6. learn(执行路径, 成功?)       → 置信度更新，越用越准

把它当机器人大脑：极简示例（别人也能直接跑）

仓库内置一个可直接运行的真示例 examples/simple-robot.js：一台在 CHARGE / A / B / C 网格里移动的地面机器人，接收一句中文口语指令，由灵境完成「感知 → 规划 → 执行 → 审计」。

它本身就是对「不幻觉」边界的最小演示：感知用免费 LLM（可能幻觉，标 UNVERIFIED_LLM），规划/审计用本地确定性内核（标 DETERMINISTIC / AUDITED，可复现、可验证）。任何人 clone 后把 K.reason / K.generateAudit 接到自己的机器人控制器即可。

# 离线（零成本，演示确定性内核）：
node examples/simple-robot.js "去C点"
# 带免费 API（真正调用 OpenRouter free 做感知，每天 50 次免费额度）：
OPENROUTER_API_KEY=sk-or-... node examples/simple-robot.js "机器人电量低，去C点充电"

真实运行输出（节选，已用免费 API 实测）：

[ROBOT] 指令(人话): 机器人电量只剩 20% 了，赶紧去C点充电
   感知结果: {"goal":"前往C点充电","battery":20,"confidence":0.95,
               "_grounding":{"tier":"UNVERIFIED_LLM","mayHallucinate":true}} [llm, 可能幻觉 → 仅用于理解]
[BRAIN] 灵境规划(确定性内核):  CHARGE → A → C | 代价 7.2426 | 置信档 DETERMINISTIC
[AUDIT] 审计: 证明 {P} C {Q} | verified: true | 自验证 PASS | 不幻觉保证: 决策依据全部来自确定性内核/审计

三种接入方式，任选其一即可让别人/别的项目使用灵境：

方式	适用	怎么用
MCP 服务（推荐给 AI 客户端）	Claude Desktop / Cursor / Cline 等	见上方 `mcpServers` 配置，`lingjing-mcp` 暴露 46 个工具（含具身层 10 个）
库 require（推荐给开发者/机器人）	Node 项目直接调内核	`const K = require('./lingjing-mcp'); K.reason(start, goal)`（不自启服务）
浏览器单文件	非技术用户 / 演示	双击 `灵境.html`，用大白话让大脑理解并规划

内核是「单一真源」：lingjing-mcp.js 通过 vm 从 灵境.html 抽取同一份内核实跑，三种方式行为完全一致。

真实机器人案例接入（网上真实部署，灵境当大脑）

examples/real-robots.js 把 4 个真实、可考据的机器人部署案例用灵境世界图建模后接入大脑，每个都跑「免费 LLM 感知(可能幻觉) → 灵境 A* 确定性规划(不幻觉) → 七段审计(可验证)」，并演示硬约束改道（通道被占/结构不稳时内核确定性重规划）。案例与公开来源：

案例	真实背景（来源）	任务（世界图建模为节点+边+代价）
Amazon Kiva / Proteus 仓储机器人	2012 以 7.75 亿收购 Kiva；2025.7 破 100 万台(amalytix/aboutamazon)；SLAM 自由导航、自动回充	把货架货送到拣货站；硬约束演示：A1 通道被占 → 改道 `DOCK→A2→STATION`（代价 7.24→8.49）
Aethon TUG 医院配送机器人	全球 1000+ 站点、超 1 万台；SLAM 导航、呼叫电梯/开门、ISO 13482(robotwale/aethon)	把药房药品送到 B 病区：`DOCK→ELEV→WARD_B`（代价 5）
Starship 校园/人行道配送机器人	累计超 1000 万次配送、1400 万英里；约 99% 自主 L4、载货约 10kg、单次 $1.99(starship.xyz)	食堂取餐送宿舍：`HUB→QUAD→DORM`（代价 5，真调免费 API 实测解析出 DORM）
废墟搜救机器人（CMU / DARPA SubT / 土耳其震区）	CMU 蛇形参与委内瑞拉震区；2023 土耳其 M7.8 部署热成像探测；DARPA SubT 多机自主建图(robotage/automate)	基地抵疑似幸存者区；硬约束演示：COMMS 失效 → 改道 `BASE→Z2→Z3→SURV`（代价 6→7）

诚实边界：每个 world 是依据公开规格简化的教学模型（真实仓库/医院地图远比这复杂），但规划内核、审计、不幻觉保证与真实部署用的是同一套灵境代码。任何人 clone 后把 K.reason / K.generateAudit 接到自己的机器人控制器即可。

node examples/real-robots.js                 # 离线(零成本)，跑全部 4 例
node examples/real-robots.js warehouse       # 只跑某案例
node examples/real-robots.js --llm           # 真调 OpenRouter free 做感知（每天 50 次免费）

文件清单

文件	作用
`lingjing-mcp.js`	MCP 服务本体（stdio，零依赖，手写 JSON-RPC 2.0 分帧）
`灵境.html`	单文件演示 + 内控内核（MCP 从此抽取复用，单一真源）
`ARCHITECTURE.md`	架构白皮书（七元组 / 八层 / 诚实实装映射）
`README.md`	本模型卡与接入指南
`package.json` / `LICENSE`	可安装包定义 / MIT 许可
`examples/simple-robot.js`	极简机器人示例（免费 LLM 感知 + 确定性内核规划/审计，真可跑，证明别人能接入当大脑）
`examples/real-robots.js`	4 个真实机器人案例接入（Amazon Kiva / Aethon TUG / Starship / 废墟搜救），含硬约束改道演示，离线零成本可跑
`lingjing.umd.js`	零安装 UMD（浏览器/Node 通用）：`build-umd.js` 从 `灵境.html` 单一真源抽取同一份内核自动构建；`<script>` 或 `require` 一行接入，开发者/前端最易用入口
`build-umd.js`	UMD 构建脚本（抽内核→包 UMD），单一真源，改内核后重跑即同步
`selftest-umd.js`	UMD 自测（`node selftest-umd.js` 直接 require 验证 reason/审计/前门因果/不幻觉分层），别人也能跑
`playground.html`	零安装网页 Playground（双击即用，引用 `lingjing.umd.js`），可视化规划+审计+不幻觉分层
`mcp.example.json`	智能体零安装 MCP 配置（`npx github:genesis-plan/lingjing`），复制即用
`lingjing-console.html`	零安装「开始干活」控制台（三步接入 + 开始干活按钮，模拟/真实 WebSocket 双模式），非技术用户首选入口
`lingjing-body-bridge.js`	真实身体 WebSocket 桥（零依赖，实现 bodyAdapter 契约：大脑→动作 / 身体→观测态）
`lingjing-body-sim-server.js`	零依赖真身体仿真服务端（手工 RFC6455），模拟 AGV，供端到端验证真实桥
`test-console-wiring.js` / `test-real-bridge.js`	控制台接线 / 真实桥无头验证（9/9 通过），别人可复跑
`smithery.yaml`	Smithery MCP 市场清单（stdio 启动 + 可选 OPENROUTER_API_KEY）
`LingJing_Brain_Review_Brief_EN.md`	英文外部评审简报（Embodied Brain 契约最小实装说明）

部署时 lingjing-mcp.js 与 灵境.html 需同目录（或设 LINGJING_HTML 环境变量）。

分发到各平台（让别人实际用起来）

渠道	怎么上	状态 / 入口
GitHub（主仓）	已推 `genesis-plan/lingjing`（`worldbrain` 远端）	https://github.com/genesis-plan/lingjing — 克隆即跑，零安装
MCP 市场：Smithery	在 smithery.ai 粘贴本仓库 URL，或待 Smithery Key 就绪后导入 `smithery.yaml`	仓库已备 `smithery.yaml`
MCP 市场：mcp.so / Glama / PulseMCP	在对应站点粘贴下方 `mcpServers` 配置或本仓库 GitHub URL 即收录	见上方「快速接入」`mcpServers` 片段
在线试用（免安装）	双击 `lingjing-console.html`（同目录需 `lingjing.umd.js`）；或静态托管后给链接	控制台：https://hclj-1409755229.cos.ap-guangzhou.myqcloud.com/lingjing/lingjing-console.html ／ Playground：https://hclj-1409755229.cos.ap-guangzhou.myqcloud.com/lingjing/playground.html
npm	包 `lingjing-mcp` 暂未发布（`npm publish` 待放行）；当前以仓库直用 + `npx github:genesis-plan/lingjing` 为主	—

让别人用的三种方式（任选其一）：① 双击 lingjing-console.html（人）② node lingjing-mcp.js（AI 客户端 stdio，46 工具）③ 把「身体配置」换成你的机器人上报的能力/状态/硬约束（真机器人）。

许可与分发

MIT。免费、开源、面向 AI Agent 分发。可作为软著 / 专利材料与被动获客入口。

论文消费与学术对齐

本产品持续吸收外部前沿思想并诚实标注实装状态，详见灵境_论文消费对照.md（do-calculus 前门准则、CoVe 自验证、Reflexion 反思、Tree-of-Thoughts、神经符号边界的逐篇对照与自测证据）。

反馈、测试与贡献（欢迎外部打磨）

提 Bug / 测试报告 / 功能建议：用仓库 Issue 模板（bug / test-report / feature 三类）。
讨论与用法分享：GitHub Discussions（仓库 Discussions 标签）。
跑通自测（你也能验证不幻觉）：node lingjing-mcp.js --selftest → 应看到 SELFTEST OK — 全部 51 项。
贡献代码：见 CONTRIBUTING.md（含最小复现步骤与测试要求）。
安全/漏洞报告：见 SECURITY.md（请先私信，勿公开 Issue）。

Keywords

mcp

model-context-protocol

FAQs

What is lingjing-mcp?

Is lingjing-mcp popular?

Is lingjing-mcp well maintained?

Package last updated on 29 Aug 2026

lingjing-mcp

灵境 LingJing（世界通用大脑）— 可审计推理大模型

模型卡（Model Card）

为什么不幻觉（神经符号边界）

快速接入

三步上手「开始干活」控制台（零安装，非技术也能用）

架构（摘要）

工具接口（MCP，46 个）

perceive({text, apiKey?})

reason({start?, goal, hard?, soft?, system1Only?})

carrier_report({battery?, goal, density?})

audit({start?, goal, hard?, soft?})

ask({text})（端到端，含不幻觉分层）

causal_effect({samples, cause, effect, mediator?})（do-演算，后门/前门准则，反事实因果）

learn({path, success}) / knowledge_query / knowledge_add