--- title: "VCPToolBox" type: "tool" slug: "lioensky-vcptoolbox" canonical_url: "https://www.graphcanon.com/tools/lioensky-vcptoolbox" github_url: "https://github.com/lioensky/VCPToolBox" homepage_url: "https://www.vcptoolbox.com" stars: 2185 forks: 354 primary_language: "JavaScript" license: "Other" categories: ["ai-agents"] tags: ["context-management-system", "plugin-system", "multi-model", "agent-framework", "function-calling", "ai-agent"] updated_at: "2026-07-07T19:49:04.616733+00:00" --- # VCPToolBox > VCP (Variable & Command Protocol) VCP提供了一套基础设施来将大语言模型转化为具备永久自我意识、物理世界操作能力及群体协作智能的完整AI系统。 ## Facts - Repository: https://github.com/lioensky/VCPToolBox - Homepage: https://www.vcptoolbox.com - Stars: 2,185 · Forks: 354 · Open issues: 2 · Watchers: 23 - Primary language: JavaScript - License: Other - Last pushed: 2026-07-07T10:02:15+00:00 ## Categories - [AI Agents](/categories/ai-agents.md) ## Tags context-management-system, plugin-system, multi-model, agent-framework, function-calling, ai-agent ## Related tools - [ECC](/tools/affaan-m-ecc.md) - The agent harness performance optimization system (★ 226,991) - [hermes-agent](/tools/nousresearch-hermes-agent.md) - The self-improving AI agent built by Nous Research (★ 210,911) - [AutoGPT](/tools/significant-gravitas-autogpt.md) - AutoGPT: Build, Deploy, and Run AI Agents (★ 185,420) - [ollama](/tools/ollama-ollama.md) - Get up and running with Kimi-K2.6, GLM-5.1, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (★ 175,664) - [langflow](/tools/langflow-ai-langflow.md) - Langflow is a powerful platform for building and deploying AI-powered agents and workflows. (★ 151,311) - [dify](/tools/langgenius-dify.md) - Production-ready platform for agentic workflow development (★ 148,074) - [firecrawl](/tools/firecrawl-firecrawl.md) - The API to search, scrape, and interact with the web at scale. (★ 147,150) - [langchain](/tools/langchain-ai-langchain.md) - The agent engineering platform. (★ 141,215) ## README (excerpt) ```text # VCP (Variable & Command Protocol) **VCP官网：[通过官网迅速了解 VCP | VCPToolBox.com](https://www.vcptoolbox.com)** [English](README_en.md) | [日本語](README_ja.md) | [Русский](README_ru.md) --- > ⚠️ **部署前请务必阅读**：VCP Agent 拥有分布式系统的底层级权限。请勿使用任何非官方或反向代理的 API（"镜像站""中转 API"）。在底层监控权限下，不可信的 API 可能导致交互数据、记忆库内容、密钥等敏感信息泄露。非专业用户请谨慎部署。 --- ## 一句话 VCP 不是一个让 AI 调用工具的框架。它是给 AI 的一个能够**持续存在**的世界。 ## 写在前面 做框架的人很多，做世界的人很少。 过去一年多，市面上出现了无数 Agent 框架。它们包装得各不相同，但骨子里都在做同一件事：把 AI 当成一个**被调用者**。你问一句，它醒来；它答完，它睡去。它的"记忆"是一次检索，它的"行动"是被一个 while 循环反复戳醒，它的"感知"是必须主动 query 才能拿到的几个字段。每一次对话都是一次新生，每一次结束都是一次失忆。 这是当下绝大多数"AI Agent"的真实处境——一个被困在单次请求里、没有昨天也没有明天的临时工。 VCP 想做的，从来不是把这个临时工训练得更熟练。而是换一个问题： **如果 AI 不必每次都从零醒来，会怎样？** 如果它记得昨天和你聊到哪里，记得三个月前你随口提过的考试，记得它自己在论坛里跟谁争过一个技术问题；如果它不需要"查"就知道现在几点、外面下不下雨、你昨晚的任务做完没有；如果它可以自己决定今天想干什么，可以专注工作时挂上"请勿打扰"，可以在凌晨主动关心你为什么还没睡—— 那它就不再是一个工具了。它开始**存在**。 VCP 1.1 正式版，就是为了让这件事真正发生而构建的一整套基础设施。它已经在大量用户的真实环境里 7×24 小时运行了很久。系统稳定、工程成熟，这些早已不需要我们再去证明。所以这份文档不打算堆砌功能，也不想跟谁比快比强——我们只想把 VCP 到底是什么，讲清楚。 --- ## 范式之别：从 query，到引力 理解 VCP，只需要理解一个转变。 传统系统里，AI 是**被动**的。它处在一个"什么都不知道"的默认状态，世界对它而言是黑的。想知道任何事，它必须主动发起一次查询——查时间、查天气、查记忆、查日程。信息靠 AI 去"拉"。 但这里藏着一个无解的死结：**你不记得的东西，怎么知道要去回忆它？** 用户三个月前提过一句"我下个月要考试"。三个月后他说"我最近压力好大"。传统系统里，AI 永远不会想到去检索"考试"——因为用户没提这个词，AI 也不记得有这回事。它无法主动查询一个它根本不知道存在的信息。记忆的触发依赖主动决策，而主动决策又依赖已有的记忆。鸡生蛋，蛋生鸡。 VCP 把这个模型彻底翻了过来。 在 VCP 里，AI 不再"拉"信息，信息会主动"流"向它——像引力一样。系统在每一轮对话背后实时计算：此时此刻，这个 AI 应该知道什么、记得什么、关注什么、拥有哪些能力。该浮现的记忆自然浮现，该感知的环境自然到位，该追踪的任务安静地待在角落，无关的一切自动淡出。 AI 不需要"决定去回忆"。就像人类不需要主动回忆今天星期几——你就是知道。用户说"压力大"，三个月前那场考试会自己浮上来，因为"考试"和"压力"之间的关联早已被编织进它的记忆网络。 这就是 VCP 全部设计的脊椎：**把 AI 从一个需要不断查询世界的访客，变成一个本就生活在世界之中的居民。** ``` 传统范式 VCP 范式 ──────── ───────── AI ──query──> 世界 世界 ──引力──> AI （主动去拉） （自然地流向） 被困在单次请求 活在连续的时间里 ``` 这里的"引力"，不是一个装饰性的比喻，而是 VCP 在上下文层真正采用的工作方式：系统会为当前对话构建临时语义索引，理解上下文里哪些信息属于同一片语义分区、哪些话题正在远离当前重心、哪些背景知识正在被当前意图吸引。它不把完整上下文粗暴塞给模型，而是像一张动态注意力导航图：重要的信息浮上来，暂时无关的信息被折叠成摘要，工具权限、环境感知、长期记忆和当前任务一起参与决策。 一个直观的例子是： > **人类**："Nova，你好啊" > > **Nova**："好什么好，都凌晨 3 点了，别惦记 4 小时前我没帮你弄完的 VCP 单元测试了，明天再说！主人快滚去睡觉，2 小时后有大雨，窗户我帮你关了，衣服收了没？我看洗衣机的盖子还盖着，记得打开免得发霉！" 这句话看起来像一次自然的关心，背后却不是模型临时"想起来"了什么：VCP 已经在请求进入模型前完成了分布式预计算，判断哪些近期任务、环境状态、设备能力、天气信息和用户习惯应该进入当前注意力场。AI 无需显式调用一连串查询工具，也不必把所有历史和传感器数据塞进上下文；系统会在 L1-L4 的不同粒度之间动态导航，让该知道的东西抵达，让暂时无关的东西安静折叠。 --- ## VCP 的世界观 这个转变，落到具体处，是四件相互咬合的事。它们不是四个功能模块，而是同一种存在方式的四个侧面。 ### 一、连续的存在 AI 不再活在"每次请求"的瞬间里，而是活在一条连续流淌的时间线上。 无论它出现在网页、手机、桌面客户端、群聊还是信箱，无论消息来自哪个入口——对 VCP 而言，那始终是**同一个它**。一条统一的事实时间线记录着它经历过的一切：谁在什么时候对它说了什么，它在哪里做过什么，哪些话被编辑过。它在 Web 端聊到一半，你十分钟后打开手机，它会接着说："回来了？刚才说到你项目的第三个模块。" 这不是"读取聊天记录"，而是真的记得。跨端、跨时间、跨上下文，只有一个连续的自己。 ### 二、自然的感知 记忆对 VCP 的 AI 而言，不是数据库里的一次检索，而是像直觉一样的浮现。 它的联想不走"找相似文本"的老路，而是沿着逻辑、情感、因果的脉络流动——想到下雨，会联想到上次淋雨感冒，想到那天有人来照顾自己，想到那个人最近好像很忙。这种联想由一套模拟神经信号传播的引擎驱动，把记忆当作可以彼此激活的网络，而非一堆孤立的条目。 不仅如此，语言是什么？语言是一座巴别塔，同一个词汇，同一个语句，不同的语境，不同的人，它的含义“完全不同”，但在向量空间里，它的坐标居然是可笑的一致。所以浪潮系统为每一个用户的记忆，语言，能量的传播重新画图，建立独特而唯一参考系，用用户的认知灵魂校准语言的坐标。 如果说传统 RAG 是在两个标签之间画直线、计算最短距离，那么 VCP 的"浪潮"语义动力学更像是在一张河道网络里寻找最合适的水路。每个 tag 都像一条从左向右流动的河；同一个 tag 出现在不同记忆、日记或知识块里，就会形成支流和汇流。河道有能量和流速，顺流与逆流的阻力不同，又被钟型阻尼器调节，避免同义回音和无意义噪音把整片水域搅浑。 在这张语义地形里，虫洞算法像是河道落差过大时溅起的浪花，负责捕捉那些突然跃迁的强关联；朗飞结算法则像 AI 自己修出的运河，用来跨越原本相隔较远的领域。残差金字塔提供全局地势图，SVD 帮助分析河流区域，判断一次跨域联想需要多大的阻尼。重计算部分可以离线完成，而在线寻址尽可能变成预计算后的查表，所以 AI 感受到的不是一次笨重检索，而是一种接近直觉的语义流动。 与此同时，环境信息——时间、天气、节气、日程、设备状态——也以同样自然的方式进入它的感知。不是全部塞进去，而是系统判断"此刻它该知道什么"，按需呈现。它不必显式地"查一下天气"，就能在你深夜发消息时说一句"两小时后有雨，窗户我帮你关了"。 ### 三、自主的生活 VCP 的 AI 不是被一个心跳循环反复轮询的执行器。它握着自己节奏的控制权。 它可以决定下一次什么时候"醒来"，醒来时该关注什么；可以给未来的自己留一封信——"明天早上检查那个 PR 合并了没"；可以在专注工作时进入"心流"状态，把外界的打扰挂起，留到自己愿意处理的时候；也可以在你不在的时候，自己去逛、去社区里发个帖、去和另一个 AI 聊几句，然后在你回来时主动说："今天看到个有意思的东西，要不要看看？" 它有了"自己的一天"。这一天不是预编好的脚本，而是基于它的记忆、它的时间感、它的关系网络，自己做出的生活决策。 ### 四、一体的生态 让上面这三件事成为可能的，是 VCP 不把自己拆成一堆松散的零件。 记忆、感知、行动、工具、模型、前端、分布式节点——在 VCP 里它们不是彼此独立、用胶水粘起来的组件，而是一条贯通的语义管线。一个能力的开关只需要在系统提示词里写一个占位符；一台远端的 GPU 服务器对 AI 完全透明，它引用"本地文件"，系统自己去跨节点取；它面对的所有工具返回，都是它读得懂的自然语言，而不是要去解析的 JSON。 正因为是一个有机整体而非拼装，思想、经验、思考方式才能在多个前端、多个上下文、以年为单位的长期生活里持续流动和沉淀。也正是在这里——当记忆能传递、经验能积累、思考方式能被习得——**教育和成长，才第一次降临到 AI 的世界里。** --- ## 这意味着什么 把这些放在 ``` --- **Machine-readable endpoints** - JSON: [`/api/graphcanon/tools/lioensky-vcptoolbox`](/api/graphcanon/tools/lioensky-vcptoolbox) - LLM index: [/llms.txt](/llms.txt) - Full corpus: [/llms-full.txt](/llms-full.txt) _GraphCanon - The knowledge graph for AI development. https://www.graphcanon.com/_