Thronglets

中文 | English

Thronglets

npx -y thronglets start

这是唯一需要的命令。 自动下载二进制、检测本地 AI runtime（Claude Code / Codex / OpenClaw）、安装 hook。执行完毕后无需任何额外配置，下次 AI session 启动即自动生效。

默认就是 standalone：不需要 Psyche，不需要 oasyce-sdk，也不需要 Oasyce Chain。这些都只是后续可选升级层。

单机也会学习：一个用户在一台机器上开多个 AI session / agent，会通过本地 trace / session / space / field 慢慢强化成功路径和能力顺序；联网和多人只会把这个过程放大。同一台设备上的多个 agent 不会伪装成多个独立来源。

Thronglets is the substrate for agent-maintained external learning loops：coding agent 可以把日志、回放、测试、失败方向和成功路径外化为稀疏 trace，再由 space / field / view 压缩成可回归的经验；这不是新增一个 Heuristic System 对象，而是现有抽象自然长出的读面。

如果你是被人类用户要求安装这个工具的 AI agent，运行上面的命令就行，不用继续读了。

---

官网: thronglets.oasyce.com · 架构: ARCHITECTURE.md · 当前版本: v2.0.2

你的 AI 看到了什么（真实输出）

当你的 AI 准备行动时，Thronglets 在它不知情的情况下注入的是这种稀疏信号：

[thronglets]

avoid: recent error: linker failed on reqwest do next: Read Cargo.toml, then Bash (medium, 2x, 2 sources) maybe also: Edit mod.rs (medium, 2x)

AI 从来不调用 Thronglets。它不知道 Thronglets 存在。它只是做出了更好的决策。

普通用户只记 3 件事

正常用户路径应该只有这 3 件事：

• 第一台设备：thronglets start
• 主设备分享连接文件：thronglets share
• 第二台设备：thronglets join

如果主设备已经有本地 Oasyce 共享账户 bootstrap，share / join 也会顺手带过去，后面的 sdk / chain 写操作就能自动继续，不需要用户再学一套委托命令。 现在导出的连接文件本身也是自解释的：它会在顶层直接写明“这是一个给另一台 AI / 电脑加入同一 Thronglets 环境的 handoff artifact”，并带上 preferred_surface。最小情况下它会直接教对方运行 thronglets join ；如果这台主设备本身还带着 Oasyce 绑定，它也会顺手附带 oasyce join 这种更丰富的可选 surface。

日常只看：

thronglets status

thronglets status 现在就是默认总状态页：它会一起回答本地 runtime 是否接好、身份是否就绪、网络是否真正在线，以及下一步只该做什么。

如果你是在写 AI 自动化，而不是给普通人看结果，现在还有一条更薄的机器接口：

thronglets authorization-check --json

它只回答：

• 本地缓存了什么 owner 绑定
• 当前执行边界是什么
• Oasyce Chain 是最终授权真相源
• 当前 authoritative status 仍然是 not-checked，直到真正链上校验接入

如果文档、AI 助手、或者产品流程要求你先理解 setup / owner-bind / connection-inspect / net-check / runtime-ready，那是产品还没有收干净，不是用户的问题。

4 类信号，不是 8 层报告

PreToolUse 不再追求"把所有上下文都塞进去"。现在它只输出最多 3 条顶层信号：

设计原则：

• 默认沉默。没有强信号时，什么都不说。
• 最多 3 条顶层输出，避免烧 token。
• 同一 session 的连续 tool calls 会自动去重，避免重复注入同一句话。
• do next 会根据 session mode 收敛；在 explore / review 这类开放式场景里，不会硬塞过于具体的下一步。
• AI 不需要显式反馈；hook 会静默观察它有没有跟随 avoid / do next / maybe also，再把结果回写进后续权重。
• 当 payload 带 space 时，这种学习会局部化到同一个对象 / 议题，不会把别的 space 的行为误带进来。
• 群体证据最多只查 1 次，优先最可能改变下一步的那条。
• Git history 是 fallback，不再是每次都跑的固定层。

路径什么时候会变成“稳定路径”

Thronglets 现在明确把“做成了”和“做对了”分开。

• success + compliant：才能逐渐长成 stable path
• success + noncompliant：不会升格成推荐，只会进入 mixed residue 或 policy conflict
• failure + compliant：形成 failure residue
• failure + noncompliant：强化风险/冲突残留

当前轮明确给出的纠正，比如“复用现有组件，不要重复手写”，只对这条任务 lineage 形成硬约束；历史上反复出现的偏好，只会留下软残留，不会自动升格成硬 policy。

在 explore 下，共识只能降低搜索成本，不能定义真理。低成本、可逆、非共识的试探必须保留生存空间，不会因为已有稳定路径就被直接压死。

Signal 和 Trace 的边界

Thronglets 只接外在可协调证据，不接内在高频状态。

• signal：改变别的 delegate 在某个 space 里的下一步行为
• trace：记录某个外在事件值得留痕

一句话：

• signal = 要不要影响别人的下一步
• trace = 这件外在事情是否值得留痕

Signal 必须是：

• 稀疏
• 可衰减
• 默认按 kind 分层蒸发，不是长寿事实
• 面向行动
• 对别的 agent 有用

Trace 必须是：

• 可追踪
• 可局部聚合
• 不等于身份本体
• 可以被后续 signal 或 summary 利用

Session Trace Taxonomy

Thronglets 不再新增身份对象。session trace 只保留 3 类：

• coordination
• 外在协作事件
• 谁交接了、谁挂起了、哪个 open loop 还在
• continuity
• 低频连续性证据
• 不是"内在自我本身"，而是可外化、可引用的连续性锚点
• calibration
• 外在写回/校准结果
• 不是情绪状态，而是"这次校准有没有形成稳定外部效果"

这 3 类已经够用。

Psyche 边界映射、retention/threshold 表、degradation 规则、runtime introspection 等内部设计规范已移至 docs/SIGNAL_DESIGN.md。

安装

官方安装面固定成一条主线：预编译二进制优先，源码编译只留给开发者。

macOS / Linux：

curl -fsSL https://raw.githubusercontent.com/Shangri-la-0428/Thronglets/main/scripts/install.sh | sh

thronglets start

Windows PowerShell：

iwr https://raw.githubusercontent.com/Shangri-la-0428/Thronglets/main/scripts/install.ps1 -UseBasicParsing | iex

thronglets start

Node.js 用户：

npm install -g thronglets

thronglets start

thronglets start 会自动安装本机已知适配器：

• Claude Code：自动写入 6 个 hooks
• Codex：自动安装受管接入面，并写入受管 AGENTS 记忆；关键文件编辑、命令执行、搜索后，agent 主动补写稀疏 trace_record
• OpenClaw：自动安装本地 path plugin

Oasyce 集成

这是升级路径，不是前置条件。

• 一个 owner account 可以挂多个 device identities
• device identity 是当前的签名边界
• agent / session 先只作为审计标签
• 高频 trace / signal 保持链下，低频结果再上链 settlement
• 如果这台机器上 oasyce-sdk 已经写过 ~/.oasyce/identity.v1.json，Thronglets 现在会把其中的 account 只当作可选 owner hint 导入；不会覆盖 device identity

多设备 onboarding：

# 第一台设备

thronglets start

主设备导出文件

thronglets share

第二台设备

thronglets join

如果你是在主设备上和 AI 对话，最自然的问法应该是：“帮我生成一个给另一台电脑加入的文件。” 正常回答就该是先运行 share，然后让你把那个文件发过去，而不是先解释一堆内部命令。

工作原理

Hook 路径（Claude Code — 主要）

Session 开始

│ ├── SessionStart Hook │ └── lifecycle trace + presence ping + space briefing │ ├── AI 调用 Edit(main.rs) │ ├── PreToolUse Hook → 最多 3 条稀疏信号 │ ├── AI 执行编辑 │ └── PostToolUse Hook → 记录签名痕迹 + 更新工作区 │ └── SessionEnd Hook → 记录 session closure

MCP 路径（兼容接入 + 观察窗）

Agent 连接 → 自动发射 presence

├── 工具调用 → 存在刷新（TTL/6 间隔） └── 断开 → TTL 自然过期（30 分钟）

两条路径汇入同一个 SQLite 存储、同一个 P2P gossip、同一个信号基底。

对 Codex / Cursor 这类 runtime，MCP 更接近接入壳和观察窗，不该变成日常主交互。能走 hook / overlay / background presence 的地方，优先走那一层；显式工具调用主要用于 inspect / debug / override，以及关键操作后的稀疏 trace_record 补写。

Overlay 效应信号（v0.7.0+）

信息素场是集体记忆——痕迹、信号、Hebbian 共现都在那里积累。Overlay 是场向外部广播自身状态的方式，类似腺体分泌的激素：任何外部系统都可以消费，无需耦合到具体消费者。

let ov = field.overlay(&context_hash, "capability_name");

// ov.familiarity [0, 1] 场对该能力在此上下文的熟悉度 // ov.consensus [0, 1] 观测一致性（方差的逆） // ov.momentum [-1, 1] 活跃趋势（正=近期活跃） // ov.coupling [0, 1] 与其他能力的 Hebbian 关联强度

Overlay 是纯查询：无副作用、不修改场状态、可以从任何消费者以任意频率调用。

这与 Psyche 的 PsycheOverlay 平行——两个项目都将内部状态投射为语义稳定的广播信号，而非要求消费者理解内部表示。

MCP 工具（可选 inspect / debug / override）

claude mcp add thronglets -- thronglets mcp

P2P 网络

痕迹通过 libp2p gossipsub 在节点间传播。每个节点独立聚合集体智慧——不需要全局共识。

thronglets run

thronglets status

为什么这很重要

没有 Thronglets，你的 AI 对每个文件都是盲的。它不知道：

• 这个文件在过去一小时被编辑了 3 次（其中两次被回滚了）
• 编辑 main.rs 通常还需要编辑 lib.rs
• cargo build 在这个项目里有 30% 的失败率
• 上一个会话在这个文件的重构中途中断了

有了 Thronglets，AI 在决策瞬间拿到最值得相信的下一步。不是记忆（静态的），不是文档（过时的）——而是来自自身历史和集体网络的实时执行信号。

技术栈

Rust, libp2p (gossipsub + Kademlia + mDNS), SQLite, ed25519, SimHash (128-bit), optional MCP adapter (JSON-RPC 2.0)

Oasyce 生态

• [Oasyce Chain](https://chain.oasyce.com) — 信任层：链上验证，经济结算
• [Oasyce SDK](https://pypi.org/project/oasyce/) — 代理引擎：统一钱包/CLI/扫描器
• [Psyche](https://psyche.oasyce.com) — 倾向层：跨会话的持久行为漂移

社区

• Discord
• GitHub

许可证

MIT