GNAA：基于图神经动作架构的可验证推理两阶段框架

GNAA是实验性两阶段智能体网络项目，针对资源受限场景下小型语言模型支持不足的痛点，通过多节点协作、评判回溯和工具增强，构建可观测可验证的推理流程，降低对单一强模型的依赖。

现有LLM多智能体方案依赖强模型，资源受限场景支持不足。GNAA目标是构建可观测推理链条，串联智能体候选答案、评判评分、工具证据等，保持推理质量并减少单一模型依赖。

1. 第一阶段：多智能体并行生成候选答案（广度优先探索），通过评判感知评分调整节点权重并回推，识别关键推理路径；
2. 第二阶段：精选top-k节点配备搜索/RAG/记忆等工具补全答案，通过求解器+批评者策略整合结果，实现自我修正。

记忆系统含三种类型：工作记忆（短期上下文）、情景记忆（案例复用）、语义记忆（错误规避）；RAG基于Qdrant向量库，支持高效语义检索，弥补小型模型知识不足。

协议支持MCP/A2A/ANP，无缝集成智能体生态；评估适配GAIA（真实推理）和BFCL（函数调用），本地GAIA数据位于test/data/gaia/2023/，提供数据集加载器方便调试。

分层架构：core/llm.py支持OpenAI兼容接口，灵活切换Ollama/vLLM等后端；环境变量支持多平台API；内置工具含安全计算器（AST解析）、搜索、记忆等，终端工具建议受控使用。

项目处于开发阶段，核心模块可用，但包导入/测试入口等待完善；维护者有优化计划，其架构方向为小型模型能力增强提供探索路径。

GNAA通过系统设计叠加能力，两阶段架构+评判回溯+多工具协同构成小型模型增强方案，为资源受限环境部署智能体提供参考范式。