让语言模型从“种子”成长为“巨子”
Cognitive Enhancement Layer for Language Models
JUZI-RAGnet 是一个即插即用的认知增强层，它位于“语言模型”与“应用程序”之间，通过工程化的自省循环、分层记忆系统和按需检索，显著提升语言模型在复杂任务中的表现。它可以作为独立服务，以 OpenAI 兼容 API 的形式供任何客户端（如openclaw）调用。
核心理念：用架构复杂度换取模型规模 —— 让小语言模型（如 4B 参数量）在特定任务上接近甚至超越传统llm的效果，同时保持低成本、高隐私、本地部署。
“JUZI”取自中文“巨”与“子”的组合：“巨”代表巨大，“子”是小的后缀（如粒子、种子）。寓意每一个小模型（种子）都能通过这套系统成长为领域“巨子”。
“RAGnet”则强调检索增强（RAG）与自省循环（网络）的深度融合。
| 特性 | 说明 |
|---|---|
| 🔄 自省循环 | 思考 → 经验检索 → 错误检查 → 输出。模拟人类“先想后审”的思考过程。 |
| 🧠 LLM-Wiki记忆 | 记忆库（用户画像）、经验库（成功/失败案例）、推理库（逻辑学思想）。 |
| 🛠️ 工具调用 | 支持 OpenAI 兼容的外部工具扩展，可接入任何支持的Agent产品 |
| 🎯 结构化输出 | 强制输出 Pydantic 模型，配合规划验证器确保计划合法性。 |
| 🌐 OpenAI 兼容 API | 无缝接入 OpenClaw、Hermes Agent 等任何支持该标准的客户端。（还未测试） |
| 🧹 智能记忆整理 | LLM 驱动的自动整理：能够编译，沉淀知识和对话记忆。 |
| 📖 学习能力 | 通过在对话中不断丰富的经验库和记忆库，让LLM越来越聪明。 |
graph TD
A[用户输入] --> B[推理思考节点]
B --> C[经验连接节点]
C --> D[反思检查节点]
D -->|否| B
D -->|是| E[最终输出节点]
F[推理库] --> B
G[经验库] --> C
H[记忆库] --> C
G --> D
H -->D
graph TD
A[用户输入] --> B[混合检索]
B --> C[知识图谱拓展]
C --> D[知识编译]
D --> E[注入节点]
E --> F[节点输出] --> B
graph LR
A[本轮对话] -->|退出/超时| B[记忆整理]
B -->|LLM 整理| C[推理库]
B -->|LLM 整理| D[经验库]
B -->|LLM 整理| E[记忆库]
为方便大家使用，JUZI提供了图形化的操作界面
在Releases中选择版本并下载（目前仅支持Windows）
点击下载后的.exe文件后，即可一键安装启动
在目录中，点击模型选择选项
你可以选择本地模型（目前仅支持ollama）和云端模型（由于增强层的性质，比一般调用费token）
增强层的架构决定了其对模型的增强效果强依赖于知识库的质量，因此想要让模型获得大幅度的增强请务必按照推理库、经验库、记忆库来划分md文件。
- Reasoning(推理库)：如存放逻辑学，思维和方式等方法论 \
- Experience(经验库)：如存放规律总结，经验教训等实践论 \
- Memory(记忆库)：存放自己的用户画像，可以让ai参考后输出符合自身条件的回答
当然，JUZI也支持导入已有的md文件，如obsidian。
在 wiki/ 下的不同文件夹下建立新的.md文件
欢迎提交 Issue 和 Pull Request！请确保：
- 代码符合 PEP8 风格
- 新功能包含必要的注释和文档
- 提交前运行
python -m pytest确保测试通过
详见 CONTRIBUTING.md。
本项目采用 Apache 2.0 许可证，详情见 LICENSE 文件。
我时常在想，人类之所以比动物聪明，不是因为我们单个大脑有多强大，而是因为我们发明了文字和书籍，把知识外化了。每一代人不需要从零开始，可以直接站在前人的肩膀上。
这套架构，就是给AI装上了一座图书馆，并教会了它如何查资料、如何做笔记、如何在考试时先打草稿再誊写。
它还很稚嫩，但方向是对的。因为我始终认为，真正的智能不是模型的“智能”，而是系统的智能。
如果这个项目对你有帮助，请给一个 ⭐️ Star 支持一下！ 让更多语言模型从种子成长为“巨子”。