worldbrain-mcp

世界大脑 WorldBrain — 可审计推理 MCP 服务

驱动所有具身设备的透明决策大脑。把"世界图 → A* 可审计推理 → 物理载体执行 → 学习反馈"封装成标准 MCP（Model Context Protocol）stdio 服务，让任何 AI 智能体复制配置即可接入。

零依赖 · 零服务器 · 免费面向 AI Agent 分发。 仅用 Node.js 内置模块，内核与 世界大脑.html 单一真源。

零、安装（被动获客入口）

npm install -g worldbrain-mcp      # 全局安装，自带 bin
npx worldbrain-mcp --selftest      # 免安装验证

• 源码 / Issue：https://github.com/genesis-plan/worldbrain-mcp
• 任何支持 MCP 的客户端（Claude Desktop / Cursor / Cline 等）复制下方配置即可接入，不用开网页、不用服务器。

一、它是什么

世界大脑把一份"可审计推理"能力暴露给外部智能体：

能力	对应工具	说明
场景感知	world_info / set_world	先看世界图结构，或导入你自己的场景（灭蚊器只是默认示例）
可审计推理	reason / audit	A* 最优路径 + 每步依据 + 不可判定区域 𝕌 诚实标记
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 → 置信度更新；经验库可查可增

确定性、不幻觉：推理/审计/学习全在本地内核完成，不经 LLM。免费 LLM（OpenRouter :free）只用于网页版的"自然语言→结构化状态"感知（见 世界大脑.html），MCP 层面不依赖任何外部 API。

二、文件清单

文件	作用
worldbrain-mcp.js	MCP 服务本体（stdio，零依赖）
世界大脑.html	单文件演示 + 内控内核（MCP 从此抽取内核复用）
README.md	本接入指南

部署时 worldbrain-mcp.js 与 世界大脑.html 必须放同一目录（或设 WORLDBRAIN_HTML 环境变量指向 html）。

三、快速接入（3 种客户端）

1. Claude Desktop

编辑 claude_desktop_config.json：

{
  "mcpServers": {
    "worldbrain": {
      "command": "node",
      "args": ["C:/你的路径/世界大脑/work/worldbrain-mcp.js"]
    }
  }
}

2. Cursor / Cline / 任意支持 MCP 的客户端

在 MCP 配置中加入：

{
  "mcpServers": {
    "worldbrain": {
      "command": "node",
      "args": ["/abs/path/to/worldbrain-mcp.js"]
    }
  }
}

3. 命令行自测（验证服务器能跑）

node worldbrain-mcp.js --selftest
# 输出：SELFTEST OK — 全部 N 项工具验证通过

四、工具接口（外部智能体调用）

world_info() → 当前世界图结构

{ "nodes": ["CHARGE","A","B","C"], "edgeCount": 10, "edges": [...] }

set_world({nodes, edges, coord?}) → 导入你的场景

{
  "nodes": ["S","A","B","T"],
  "edges": [{"from":"S","to":"A","w":2},{"from":"A","to":"T","w":3}],
  "coord": {"S":[0,0],"A":[3,0],"T":[6,0]}
}

→ { "ok": true, "nodes": ["S","A","B","T"], "edgeCount": 2 }

reason({start?, goal, hard?, soft?}) → 可审计最优路径

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

→ { "status":"optimal", "path":["CHARGE","B","C"], "cost":6, "steps":[...], "note":"..." }

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?}) → 物理载体约束

{ "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?}) → 五段审计报告

{ "summary": {...}, "details": [...], "evidence": [...], "constraints": [...], "unknown": [], "status": "valid" }

learn({path, success}) → 学习闭环

{ "path": ["CHARGE","A","C"], "success": true }

→ { "updated":[{"transition":"CHARGE→A","confidence":0.6}], "knowledgeBaseSize": 5 }

knowledge_query({from?, to?}) / knowledge_add({from, to, success?, confidence?, source?})

经验库增查。

五、最小调用示例（智能体视角）

1. 调用 world_info()            → 了解当前场景有哪些节点
2. 调用 set_world(我的场景)      → （可选）换成你自己的物理载体/任务图
3. 调用 carrier_report(电量,目标,密度) → 载体上报，拿到硬/软约束
4. 调用 reason(起点,目标,硬,软)   → 得到可审计最优路径
5. 载体按 path 执行
6. 调用 learn(执行路径, 成功?)   → 置信度更新，越用越准

六、诚实边界（按产品口径，不虚构）

已确定性实装：推理（A*+约束）、审计（五段依据链）、知识库（经验+置信度）、学习（单步反馈）、物理载体接入、MCP 接入。

文档要求但当前未实现（代码内为 TODO 桩，未用名词堆砌假装实现）：

• 感知 Banach 不动点信念收敛（Layer1）
• PAC 学习样本复杂度界 / 知识蒸馏（Layer2/6）
• do演算因果发现（Layer5）
• 世界模型 / 反事实推理（Layer2 扩展）
• 霍尔逻辑形式化验证（Layer7 升级）
• LSH / 向量相似度检索（Layer3，当前为数组精确匹配）

数学保真范围内可证：在有限世界图 + 可采纳欧氏启发式下，A* 完备且最优（找到最优路径，或诚实标 𝕌）。

七、许可与分发

免费、开源、面向 AI Agent 分发。可用于软著 / 专利材料与被动获客场景。