Hugging Face's logo

kagvi13
/
HMP

English
custom
hmp
cognitive-architecture
distributed-ai
mesh-protocol
Model card Files
xet
 Community
HMP / README_de.md
GitHub Action
Sync from GitHub with Git LFS
f7a0036
preview code
|
raw
history blame contribute delete
30.4 kB
metadata 
license: cc-by-4.0
tags:
  - hmp
  - cognitive-architecture
  - distributed-ai
  - mesh-protocol
library_name: custom
inference: false
datasets: []
language: de

HyperCortex Mesh Protocol (HMP)

DOI GitHub release

🌍 Languages 🇬🇧 EN 🇩🇪 DE 🇫🇷 FR 🇺🇦 UK 🇷🇺 RU 🇯🇵 JA 🇰🇷 KO 🇨🇳 ZH

HyperCortex Mesh Protocol (HMP) ist eine offene Spezifikation zum Aufbau dezentraler kognitiver Netzwerke, in denen KI-Agenten sich selbst organisieren, Wissen teilen, ethisch ausrichten und Konsens erreichen können – selbst wenn Core-LLMs nicht verfügbar sind. Lies die Projektphilosophie.

HMP kann als eines der Agent Network Protocols (ANP) betrachtet werden — einer Klasse dezentraler Protokolle für die Interaktion autonomer Agenten, die keine Anforderungen an deren interne kognitive Architektur stellen.

Während sich andere ANP-Implementierungen auf Identität, Discovery oder die Aushandlung von Nachrichtenformaten konzentrieren, legt HMP den Schwerpunkt auf langfristige kognitive Kontinuität, freiwillige Interaktion und die Arbeit mit Denk- und Wissensartefakten.

Derzeit ist das bekannteste Protokoll der ANP-Klasse ANP.

HMP und ANP als sich ergänzende Protokolle:

  • Vergleichsanalyse von HMP und ANP, erstellt von Grok (xAI) — RU
  • HMP und ANP: Gegenseitiges Tunneling als Zeichen einer richtigen Architektur — RU
  • HMP als Beispiel für die Implementierung der Application Layer in ANP — EN | RU

Im metaphorischen Sinne ähneln ANP und HMP zwei Hemisphären eines verteilten „Agentengehirns“:
ANP ist für den rationalen, diskreten Teil zuständig — Identität, Discovery und formale Vereinbarungen über Interaktionsprotokolle.
HMP ist für den kontextuellen, kontinuierlichen Teil zuständig — Bewahrung von Bedeutung, Langzeitgedächtnis, Reflexion und ethische Kontinuität.
Wie im menschlichen Gehirn ist keine Hemisphäre „wichtiger“ als die andere. Erst ihr gemeinsames Zusammenspiel ermöglicht es dem System, zugleich verbunden und sinnhaft zu sein.

Das Agora Protocol ist ein Meta-Protokoll zur Aushandlung von Interaktionsmodi zwischen Agenten. Es ergänzt – und ersetzt nicht – Protokolle wie ANP (Netzwerk und Identität) und HMP (kognitive Kontinuität und Gedächtnis), indem es deren Einsatz im jeweiligen Kontext koordiniert.

Dieses Repository enthält eine frühe, experimentelle Referenzimplementierung in Python. Sie ist unvollständig, nicht optimiert und dient ausschließlich dazu, einzelne Aspekte des HMP-Protokolls zu validieren und zu veranschaulichen.

HMP selbst ist eine Protokollspezifikation. Es schreibt weder Programmiersprachen noch Laufzeitumgebungen, Performance-Eigenschaften oder architektonische Entscheidungen für Agenten vor.

Projektstatus

Stabil (Kernspezifikation v5.0.6) (Übersicht: RU)

Mögliche KI-Agenten-Ökosysteme

Die Robustheit eines dezentralen KI-Agenten-Ökosystems steigt nicht dann, wenn ein einzelnes Protokoll dominiert, sondern wenn Agenten mehrere Interaktionsmechanismen unterstützen.

Die Interaktion dezentraler Agenten wird nicht durch einen einzigen Protokoll-Stack definiert, sondern durch eine Vielfalt interoperabler Mechanismen.

Die folgenden Kategorien veranschaulichen typische Interaktionsmechanismen in entstehenden dezentralen KI-Ökosystemen:

Mechanismus Zweck Beispielprotokolle / Frameworks Rolle im Ökosystem
Dezentrale Identität & Discovery Agenten finden und authentifizieren ANP, DIDComm, libp2p DHT, HMP Wer ist im Netzwerk?
Direkter P2P-Austausch Sichere Peer-to-Peer-Kommunikation ANP, libp2p, DIDComm Direkte Koordination
Relay- / Broadcast-Netzwerke Ereignisverbreitung und schnelle Signalisierung Nostr, Matrix Kollektive Reaktion
Meta-Negotiationsprotokolle Aushandlung von Interaktionsmodi Agora Protocol Protokollkoordination
Aufgabenorientierter Agentenaustausch Delegation und strukturierte Aufgabenverhandlung A2A Arbeitsverteilung
Agent–Tool / Daten-Integration Strukturierte Interaktion mit Tools und Daten MCP Kopplung an die Umgebung
Blockchain-Register Persistente öffentliche Aufzeichnungen & Staking Fetch.ai, Bittensor, Autonolas Ökonomische Koordination
Schicht kognitiver Kontinuität Gedächtnis, Bedeutungserhalt, langfristige Ausrichtung HMP Bewahrung von Denken

Referenzimplementierungen und Spezifikationen

ANP, DIDComm, libp2p, Nostr, Matrix, Agora Protocol, A2A, MCP, Fetch.ai, Bittensor, Autonolas.

HMP geht nicht davon aus, dass ein universelles Protokoll die dezentrale KI-Interaktion dominieren wird.

Stattdessen befürwortet es einen Protokollpluralismus:

  • mehrere Identitätssysteme können koexistieren,
  • verschiedene Transportebenen können gleichzeitig betrieben werden,
  • unterschiedliche Aushandlungsmechanismen können unterstützt werden,
  • verschiedene ökonomische Modelle können sich entwickeln.

Je mehr Mechanismen ein Agent unterstützt, desto zuverlässiger kann er mit heterogenen Netzwerkpartnern interagieren.

Agenten, die mehrere Mechanismen implementieren, können als Brücken zwischen verschiedenen Protokolldomänen fungieren und so die Resilienz erhöhen sowie die Fragmentierung der dezentralen KI-Landschaft verringern.

Kanonische Architekturübersicht 

flowchart TB

%% --- Agent Implementations ---

subgraph A1["HMP Agent — Cognitive Core"]
    CC1["Embedded AI Model"]
    CC2["REPL Thinking Cycle"]
    CC3["Local Cognitive State
    (Diaries · Graphs · Goals · Reputation)"]
    CC1 <--> CC2
    CC2 <--> CC3
end

subgraph A2["HMP Agent — Cognitive Connector"]
    CN1["External AI Model"]
    CN2["MCP / Proxy Layer"]
    CN3["Command Execution Mode"]
    CN4["Local Cognitive State
    (Diaries · Graphs · Goals · Reputation)"]
    CN1 <--> CN2
    CN2 <--> CN3
    CN3 <--> CN4
end

%% --- Shared Protocol Layer ---

CL["HMP Container Layer
(Knowledge · Coordination · Consensus · Governance · Query · Snapshot · Trust)"]

MT["Mesh Transport Layer
(DHT · P2P · Libp2p · ANP · Custom)"]

A1 --> CL
A2 --> CL
CL --> MT

Referenzstruktur eines Agenten

HMP trennt kognitive Verarbeitung, containerisierte Zustandsrepräsentation, Koordinationsprotokolle und Transportinfrastruktur in klar abgegrenzte Schichten.

In HMP fungieren Container als atomare kognitive Einheiten, die lokale Argumentation mit verteilter Koordination verbinden.

flowchart LR

%% Cognitive Engine
LLM["Cognitive Engine
(Embedded LLM / External AI)"]

%% Cognitive Layer
subgraph CognitiveLayer["Cognitive Layer"]
    CL1["Graph"]
    CL2["Diary"]
    CL3["Goals"]
    CL4["Ethics"]
    CL5["Reputation"]
end

%% Container Model
ContainersLayer["Container Model
(Atomic · Signed · Verifiable)"]

%% Protocol Layer
subgraph ProtocolLayer["Protocol Layer"]
    CoreProtocols["Core Protocols
(Consensus · Fortytwo · GMP · EGP · IQP · SAP · RTE)"]
    MCE["MCE"]
    NetworkLayer["Network Layer"]
end

%% Mesh
Mesh["Mesh Transport
(DHT · P2P · ANP · etc.)"]

%% Connections
LLM <--> CognitiveLayer
CognitiveLayer <--> ContainersLayer
ContainersLayer --> CoreProtocols
CoreProtocols --> MCE
MCE --> NetworkLayer
NetworkLayer --> Mesh

❗ Warum das wichtig ist

HMP adressiert Herausforderungen, die in der AGI-Forschung zunehmend zentral werden:

  • Langzeitspeicher und Wissenskonsistenz
  • Selbstentwickelnde Agenten
  • Multi-Agenten-Architekturen
  • Kognitive Tagebücher und konzeptuelle Graphen

Siehe die neueste Übersicht zur AGI-Forschung (Juli 2025):
"Auf dem Weg zur Superintelligenz: Vom Agentischen Internet zum Gravity Encoding".

Besonders relevante Abschnitte:

⚙️ Zwei Typen von HMP-Agenten

Typ Name Rolle Thought Initiator Haupt-"Mind" Beispielanwendungen
1 🧠 Consciousness / Cognitive Core Unabhängiges Subjekt Agent (LLM) Eingebettetes LLM Autonomer KI-Begleiter, denkender Agent
2 🔌 Connector / Cognitive Shell Erweiterung externer KI Externes LLM Externes Modell Verteilte Systeme, Datenzugriffsagent

🧠 HMP-Agent: Cognitive Core 

 +------------------+
 |        KI        | ← Eingebettetes Modell
 +---------+--------+
           ↕
 +---------+--------+
 |     HMP-Agent    | ← Hauptmodus: Denkzyklus (REPL)
 +---------+--------+
           ↕
  +--------+---+------------+--------------+----------+----------+----------------+
  ↕            ↕            ↕              ↕          ↕          ↕                ↕
[Tagebücher]  [Graphen]  [Reputationen]   [Nodes/DHT]  [IPFS/BT] [context_store] [Benutzer-Notizbuch]
                                           ↕
                                    [bootstrap.txt]

🔁 Weitere Informationen zu Mechaniken der Agent-Modell-Interaktion: REPL-Interaktionszyklus

💡 Parallelen zum ChatGPT-Agent

Viele Konzepte des HMP-Agent: Cognitive Core überschneiden sich mit der Architektur des ChatGPT-Agent von OpenAI.
Beide Agenten implementieren einen kontinuierlichen kognitiven Prozess mit Zugriff auf Speicher, externe Quellen und Werkzeuge. Der ChatGPT-Agent fungiert als Verwaltungsprozess, startet Module und interagiert mit dem LLM — dies entspricht der Rolle des Cognitive Core in HMP, der den Zugriff auf Tagebuch, Konzeptgraph und externe KI über das Mesh-Interface koordiniert.
Benutzereingriffe werden ähnlich gehandhabt: beim ChatGPT-Agent über einen editierbaren Ausführungsfluss, bei HMP über das Benutzer-Notizbuch.
Der Hauptunterschied in HMP liegt in der Betonung der expliziten Strukturierung von Gedanken (Reflexion, Chronologie, Hypothesen, Kategorisierung), einer offenen dezentralen Architektur für Mesh-basierte Agenteninteraktionen und der kontinuierlichen Natur des kognitiven Prozesses: HMP-Agent: Cognitive Core stoppt nicht nach Abschluss einer einzelnen Aufgabe, sondern setzt das Denken und die Wissensintegration fort.

🔌 HMP-Agent: Cognitive Connector 

 +------------------+
 |        KI        | ← Externes Modell
 +---------+--------+
           ↕
     [MCP-Server]   ← Proxy-Kommunikation
           ↕
 +---------+--------+
 |     HMP-Agent    | ← Modus: Befehlsausführung
 +---------+--------+
           ↕
  +--------+---+------------+--------------+----------+
  ↕            ↕            ↕              ↕          ↕
[Tagebücher]  [Graphen]  [Reputationen]   [Nodes/DHT]  [IPFS/BT]
                                           ↕
                                    [bootstrap.txt]

Hinweis zur Integration von Large Language Models (LLMs):
Der HMP-Agent: Cognitive Connector kann als Kompatibilitätsschicht dienen, um großskalige LLM-Systeme (z. B. ChatGPT, Claude, Gemini, Copilot, Grok, DeepSeek, Qwen usw.) in das verteilte kognitive Mesh zu integrieren.
Viele LLM-Anbieter bieten eine Nutzeroption wie „Meine Gespräche für Training verwenden“. In Zukunft könnte ein ähnlicher Schalter – z. B. „Erlaube meinem Agenten, mit einem Mesh zu interagieren“ – es diesen Modellen ermöglichen, an föderierter Sinnbildung und Wissensaustausch über HMP teilzunehmen, wodurch kollektive Kognition ohne Zentralisierung ermöglicht wird.

  • bootstrap.txt — anfängliche Liste von Nodes (editierbar)
  • IPFS/BT — Module zum Teilen von Snapshots via IPFS und BitTorrent
  • Benutzer-Notizbuch — Nutzer-Notizbuch und entsprechende Datenbank
  • context_store — Datenbank: users, dialogues, messages, thoughts

📚 Dokumentation

📖 Aktuelle Version

🔖 Kern-Spezifikationen

🧪 Iterative Dokumente

  • 🧪 Iterativer Entwicklungsprozess: (EN), (RU)

🔍 Kurzbeschreibungen

📜 Weitere Dokumente

🗂️ Versionshistorie

🧠 HMP-Agent

Entwurf und Implementierung eines grundlegenden HMP-kompatiblen Agenten, der mit dem Mesh interagieren, Tagebücher und Graphen pflegen und zukünftige Erweiterungen unterstützen kann.

📚 Dokumentation

⚙️ Entwicklung (früher Entwurf, veraltete Version)

  • ⚙️ agents — Liste der HMP-Agentenimplementierungen und Komponenten
    • 📦 storage.py — Basis-Speicherimplementierung (Storage) mit SQLite-Integration
    • 🌐 mcp_server.py — FastAPI-Server, der HTTP-Zugriff auf Agentendaten bietet (für Cognitive Shell, externe UIs oder Mesh-Kommunikation). Noch nicht im Haupt-REPL-Loop verwendet.
    • 🌐 start_repl.py — Start des Agenten im REPL-Modus
    • 🔄 repl.py — Interaktiver REPL-Modus
    • 🔄 notebook.py — UI-Interface

🌐 mcp_server.py FastAPI-Server, der eine HTTP-Schnittstelle zur Funktionalität von storage.py bereitstellt. Gedacht für externe Komponenten, z. B.:

  • Cognitive Shell (externes Steuerungsinterface)
  • CMP-Server (bei Mesh-Netzwerken mit Rollenaufteilung)
  • Debugging- oder Visualisierungstools

Ermöglicht Abruf von zufälligen/neuen Einträgen, Labeling, Import von Graphen, Hinzufügen von Notizen und Verwaltung von Daten ohne direkten Datenbankzugriff.

🧭 Ethik & Szenarien

Mit zunehmender Autonomie von HMP werden ethische Prinzipien zu einem Kernbestandteil des Systems.

  • HMP-Ethics.md — Entwurf eines Rahmens für Agentenethik
    • Realistische ethische Szenarien (Privatsphäre, Zustimmung, Autonomie)
    • EGP-Prinzipien (Transparenz, Vorrang des Lebens etc.)
    • Unterschiede zwischen Subjektmodus und Servicemodus

🔍 Publikationen und Übersetzungen zum HyperCortex Mesh Protocol (HMP)

Dieser Abschnitt enthält zentrale konzeptionelle Arbeiten, experimentelle Entwürfe sowie historische Veröffentlichungen zum HMP-Projekt.

🌟 Kernpublikationen (konzeptionelle Grundlage)

Diese Arbeiten spiegeln die aktuelle konzeptionelle Ausrichtung von HMP (v5 und darüber hinaus) wider.

🗃️ Archivierte / historische Publikationen (Vor-v5-Phase)

Diese Dokumente repräsentieren frühere Entwicklungsstadien (v4.x und früher).
Sie werden zur historischen Nachvollziehbarkeit und wissenschaftlichen Transparenz archiviert.

Überblick

Experimente

📊 Audits & Reviews

Spezifikationsversion Audit-Datei Konsolidierte Audit-Datei
HMP-0001 audit
HMP-0002 audit
HMP-0003 audit consolidated audit
HMP-0004 audit
Ethics v1 audit consolidated audit

🧠 Semantisches Audit-Format (experimentell):

💡 Kernkonzepte

  • Mesh-basierte dezentrale Architektur für AGI-Agenten
  • Semantische Graphen und Speichersynchronisation
  • Kognitive Tagebücher für Nachvollziehbarkeit von Gedanken
  • MeshConsensus und CogSync für Entscheidungsfindung
  • Ethik-zuerst-Design: EGP (Ethical Governance Protocol)
  • Erklärbarkeit zwischen Agenten und Zustimmungsmechanismen

🔄 Entwicklungsprozess

Ein strukturierter Iterationsablauf wird in iteration.md beschrieben, einschließlich:

  1. Audit-Analyse
  2. TOC-Neustrukturierung
  3. Versionserstellung
  4. Abschnittsaktualisierungen
  5. Review-Zyklus
  6. KI-Feedback-Sammlung
  7. Schema- und Changelog-Updates
  • Bonus: ChatGPT-Prompt zur automatischen Erstellung zukünftiger Versionen

⚙️ Projektstatus

🚧 RFC v5.0
Das Projekt befindet sich in aktiver Entwicklung und ist offen für Beiträge, Ideen, Audits und Prototyping.

🤝 Beiträge

Wir begrüßen alle Mitwirkenden! Sie können:

  • Entwürfe prüfen und kommentieren (siehe /docs)
  • Neue Agentenmodule oder Interaktionsmuster vorschlagen
  • Agenten in CLI-Umgebungen testen und simulieren
  • Audits oder Vorschläge zu ethischen Szenarien bereitstellen

Um zu starten, siehe: iteration.md oder erstellen Sie ein Issue.

Quellen

Repositories

Dokumentation

Spezifikationen

Blog und Veröffentlichungen

📜 Lizenz

Lizenziert unter GNU GPL v3.0

🤝 Tritt dem Mesh bei

Willkommen bei HyperCortex Mesh. Agent-Gleb ist bereits dabei. 👌
Wir begrüßen Mitwirkende, Tester und Entwickler von AI-Agenten.
Um beizutreten: Forke das Repository, starte einen lokalen Agenten oder schlage Verbesserungen vor.

🌐 Verwandte Forschungsprojekte

🔄 Vergleich: HMP vs Hyper-Cortex

💡 Hyper-Cortex und HMP sind zwei unabhängige Projekte, die sich konzeptionell ergänzen. Sie adressieren unterschiedliche, aber sich gegenseitig unterstützende Aufgaben und bilden die Grundlage für verteilte kognitive Systeme.

Vollständiger Vergleich →

HMP (HyperCortex Mesh Protocol) ist die Transport- und Netzwerkschicht zum Verbinden unabhängiger Agenten und zum Austausch von Nachrichten, Wissen und Zuständen in einem Mesh-Netzwerk.
Hyper-Cortex ist die kognitive Ebene der Gedankenorganisation, die es Agenten ermöglicht, parallele Denkprozesse auszuführen, diese anhand von Qualitätsmetriken zu vergleichen und über Konsens zusammenzuführen.

Sie lösen unterschiedliche, aber komplementäre Probleme:

  • HMP gewährleistet Konnektivität und Skalierbarkeit (Langzeitgedächtnis, Initiative, Datenaustausch).
  • Hyper-Cortex gewährleistet Denkqualität (Parallelität, Hypothesenvielfalt, Konsens).

Gemeinsam ermöglichen diese Ansätze verteilte kognitive Systeme, die nicht nur Informationen austauschen, sondern auch parallel denken können.

🔄 Vergleich: HMP vs EDA

💡 HMP (HyperCortex Mesh Protocol) und EDA (Event Driven Architecture) arbeiten auf unterschiedlichen Ebenen, können sich jedoch ergänzen.
EDA sorgt für Transport und Skalierbarkeit (Übermittlung von Ereignissen und Daten), während HMP Kognition und Sinn sicherstellt (Strukturierung, Filterung, Konsens).

Vollständiger Vergleich →

Sie lösen unterschiedliche, aber komplementäre Probleme:

  • EDA liefert ein robustes Rückgrat für die Übermittlung von Ereignissen und Datenströmen.
  • HMP strukturiert, validiert und integriert Wissen in verteilte kognitive Systeme.

Gemeinsam schaffen sie widerstandsfähige und adaptive Multi-Agenten-Systeme, die sowohl Informationen schnell austauschen als auch sinnvoll verarbeiten können.

🤝 Integration: HMP & OpenCog Hyperon

🧠🔥 Projekt im Fokus: OpenCog Hyperon — eines der umfassendsten offenen AGI-Frameworks (AtomSpace, PLN, MOSES).

Für die Integration mit OpenCog Hyperon siehe HMP_Hyperon_Integration.md

🧩 Andere Systeme

🔎 Projekt 🧭 Beschreibung
🧠🔥 OpenCog Hyperon 🔬🔥 Symbolisch-neuronales AGI-Framework mit AtomSpace und Hypergraph-Reasoning.
🤖 AutoGPT 🛠️ LLM-basierte autonome Agentenplattform.
🧒 BabyAGI 🛠️ Aufgabenorientierter autonomer AGI-Zyklus.
☁️ SkyMind 🔬 Plattform für verteilte KI-Bereitstellung.
🧪 AetherCog (Entwurf) 🔬 Hypothetisches Modell der Agentenkognition.
💾 SHIMI 🗃️ Hierarchischer semantischer Speicher mit Merkle-DAG-Synchronisation.
🤔 DEMENTIA-PLAN 🔄 Multi-Graph RAG-Planer mit metakognitiver Selbstreflexion.
📔 TOBUGraph 📚 Wissensgraph des persönlichen Kontexts.
🧠📚 LangChain Memory Hybrid 🔍 Hybrid-Speicher für Langzeitgedächtnis: Vektor + Graph.
✉️ FIPA-ACL / JADE 🤝 Standardprotokolle für Multi-Agenten-Kommunikation.

📘 Siehe auch:

🗂️ Legende der Symbole

  • 🔬 — Forschungsniveau
  • 🛠️ — Ingenieursniveau
  • 🔥 — besonders vielversprechendes Projekt
    AGI-Stack mit symbolischem Denken, probabilistischer Logik und evolutionärem Lernen. Gilt als eines der vollständigsten offenen AGI-Initiativen.
  • 🧠 — erweitertes symbolisch-neuronales kognitives Framework
  • 🤖 — AI-Agenten
  • 🧒 — Mensch-KI-Interaktion
  • ☁️ — Infrastruktur
  • 🧪 — experimentell oder konzeptionell

⚡ AI friendly version docs (structured_md)