Mycelium：受生物启发的LLM Agent认知架构，融合神经化学与主动推理

Mycelium是一款受生物启发的LLM Agent认知架构，融合持久联想记忆、三系统神经化学模型、主动推理、Agent进化及点对点联邦学习等能力，兼容任何MCP客户端，是AI Agent向生物智能学习的重要尝试。

人工智能长期从生物神经系统汲取灵感，Mycelium项目深入模拟生物认知多层面（记忆、神经化学调节、主动学习适应）。其名称"Mycelium"（菌丝体）隐喻构建连接、学习、进化的分布式智能网络，如同真菌地下网络交换养分与信息。

1. 持久联想记忆系统：解决传统LLM"失忆"问题，模拟生物大脑联想机制，构建语义网络，支持跨对话连续性与基于相似性的检索推理；2. 三系统神经化学模型：驱动系统（内在动机目标）、调节系统（情绪/注意力调节）、认知系统（推理决策），三者交互让Agent表现出接近生物智能的行为特征。

1. 主动推理与预测编码：以主动推理为核心框架，Agent主动行动验证世界状态预测，耦合感知与行动，提升主动性、学习效率与鲁棒性；2. Agent进化机制：记录成功失败经验，优化决策策略，积累专业技能，元认知能力支持跨任务迁移，与记忆系统紧密集成。

1. 点对点联邦学习网络：Agent组成分布式网络，"数据不动模型动"，保护隐私前提下共享学习成果，消除中央服务器依赖；2. MCP兼容性：与任何MCP客户端兼容，无缝集成现有AI生态，支持多种LLM后端（GPT、Claude、Llama等），降低开发者采用门槛。

Mycelium适用于：长期陪伴型Agent（个人助手、教育辅导、心理健康）、自适应自动化系统（动态环境优化）、分布式协作智能（物联网、边缘计算）、认知科学研究平台（验证认知理论）。

当前挑战包括平衡生物复杂性与计算效率、多点协作安全性一致性、非传统架构效果评估。未来，Mycelium代表AI Agent向生物智能学习的方向，随着对大脑机制理解深入，仿生方法或带来更多突破，为通用人工智能提供参考。