NSAF MCP Server

Un servidor MCP para el Marco de Autonomía Neuro-Simbólica (NSAF), que permite a los asistentes de IA interactuar con el marco.

GitHub
3
Prueba este MCPPatrocinado

Documentación

Marco de Autonomía Neuro-Simbólica (NSAF) v1.0

La Implementación Completa y Unificada de Autonomía Avanzada en IA

Autor: Bolorerdene Bundgaa
Contacto: bolor@ariunbolor.org
Sitio web: https://bolor.me

Un framework integral de Python que combina computación cuántica, razonamiento simbólico, redes neuronales y modelos fundacionales en un sistema de IA autónomo unificado.

🚀 Novedades en v1.0

Esta es la versión unificada, lista para producción que combina:

  • ✅ Arquitectura Completa de 5 Módulos: Todos los componentes avanzados de NSAF
  • ✅ Integración de Modelos Fundacionales: APIs de OpenAI, Anthropic, Google
  • ✅ Soporte de Protocolo MCP: Integración de asistentes de IA incorporada
  • ✅ Framework de API Web: Listo para despliegue en producción
  • ✅ Características Empresariales: Autenticación, bases de datos, monitoreo

🏗️ Descripción General de la Arquitectura

Módulos Principales

  1. Agrupación de Tareas Cuántico-Simbólica - Descomponer problemas complejos usando algoritmos mejorados cuánticamente
  2. Meta-Agentes Auto-Constructivos (SCMA) - Evolucionar agentes de IA especializados automáticamente
  3. Memoria Hiper-Simbólica - Grafos de conocimiento basados en RDF con razonamiento semántico
  4. Proyección de Intención Recursiva (RIP) - Planificación y optimización de múltiples pasos
  5. Sinergia Humano-IA - Sincronización del estado cognitivo y colaboración

Capas de Integración

  • Modelos Fundacionales - Integración de GPT-4, Claude, Gemini para embeddings y razonamiento
  • Interfaz MCP - Protocolo de Contexto de Modelo para integración de asistentes de IA
  • APIs Web - Servicios basados en FastAPI con autenticación
  • Computación Distribuida - Escalado basado en Ray y backends cuánticos

🛠️ Instalación

Requisitos Previos

  • Python 3.8+
  • 8GB+ de RAM recomendado
  • GPU opcional (para modelos grandes)

Instalación Rápida

# Clone the repository
git clone https://github.com/ariunbolor/nsaf-mcp-server.git
cd nsaf-mcp-server

# Install all dependencies
pip install -r requirements.txt

# Run the unified example
python unified_example.py

Dependencias Incluidas

  • Computación Cuántica: Qiskit, Cirq, PennyLane
  • Aprendizaje Automático: PyTorch, TensorFlow, Scikit-learn
  • Distribuido: Ray, Redis
  • Framework Web: FastAPI, WebSockets
  • Bases de Datos: SQLAlchemy, PostgreSQL, Redis
  • Web Semántica: RDFlib, NetworkX
  • Modelos Fundacionales: Clientes de OpenAI, Anthropic

🎯 Inicio Rápido

Uso Básico

import asyncio
from core import NeuroSymbolicAutonomyFramework

async def main():
    # Initialize the framework
    framework = NeuroSymbolicAutonomyFramework()
    
    # Define your task
    task = {
        'description': 'Build an AI system for predictive maintenance',
        'goals': [
            {'type': 'accuracy', 'target': 0.95, 'priority': 0.9},
            {'type': 'latency', 'target': 50, 'priority': 0.8}
        ],
        'constraints': [
            {'type': 'memory', 'limit': '8GB', 'importance': 0.9}
        ]
    }
    
    # Process through NSAF pipeline
    result = await framework.process_task(task)
    
    print(f"Clusters: {len(result['task_clusters'])}")
    print(f"Agents: {len(result['agents'])}")
    
    await framework.shutdown()

asyncio.run(main())

Integración MCP (Asistentes de IA)

from core import NSAFMCPServer

# Create MCP server for Claude/other AI assistants
server = NSAFMCPServer()

# Available tools:
# - run_nsaf_evolution
# - analyze_nsaf_memory  
# - project_nsaf_intent
# - cluster_nsaf_tasks
# - get_nsaf_status

⚙️ Configuración

Variables de Entorno

# Foundation Models (Optional)
export OPENAI_API_KEY="your-openai-key"
export ANTHROPIC_API_KEY="your-anthropic-key"
export GOOGLE_API_KEY="your-google-key"

# Databases (Optional)
export DATABASE_PASSWORD="your-db-password"
export REDIS_PASSWORD="your-redis-password"

# Security (Production)
export JWT_SECRET="your-jwt-secret"
export API_KEY="your-api-key"

Archivo de Configuración

Todos los ajustes en config/config.yaml:

  • Proveedores y configuraciones de modelos fundacionales
  • Configuración del backend cuántico
  • Configuración de computación distribuida
  • Conexiones de bases de datos
  • Seguridad y autenticación
  • Indicadores de características y optimización

🧪 Ejemplos

Ejecutar Demo Completa

python unified_example.py

Muestra todas las características funcionando juntas con una tarea compleja de mantenimiento predictivo.

Componentes Individuales

python example.py                    # Original NSAF framework
python -m core.mcp_interface        # MCP server for AI assistants

🔧 Características Avanzadas

Computación Cuántica

  • Integración de IBM Qiskit para optimización cuántica
  • Backends cuánticos configurables (simulador/hardware real)
  • Cálculo de similitud mejorado cuánticamente

Modelos Fundacionales

  • Soporte de múltiples proveedores (OpenAI, Anthropic, Google)
  • Fallbacks automáticos y manejo de errores
  • Selección de modelos específicos por tarea

Procesamiento Distribuido

  • Computación distribuida basada en Ray
  • Gestión de workers con auto-escalado
  • Optimización de recursos GPU/CPU

Listo para Empresas

  • Servicios web FastAPI
  • Autenticación JWT
  • Soporte de PostgreSQL/Redis
  • Monitoreo y registro de actividades
  • Listo para despliegue con Docker

📊 Rendimiento

ComponenteRendimientoEscalabilidad
Agrupación de Tareas1000+ tareas/segMejorado cuánticamente
Evolución de Agentes100 agentes/genEntrenamiento distribuido
Grafo de Memoria1M+ nodosAlmacén de tripletas RDF
Planificación de Intención10 pasos/segOptimización recursiva
Respuesta de API<100msAuto-escalado

🔒 Seguridad

  • ✅ Autenticación de API: Tokens JWT y claves de API
  • ✅ Cifrado de Datos: Cifrado AES-256 en reposo
  • ✅ Conexiones Seguras: Solo HTTPS/WSS en producción
  • ✅ Control de Acceso: Permisos basados en roles
  • ✅ Registro de Auditoría: Seguimiento integral de actividades

🧰 Desarrollo

Pruebas

pytest tests/                       # Run all tests
pytest tests/test_integration.py    # Integration tests
pytest --cov=core tests/            # Coverage report

Calidad de Código

black core/                         # Format code
isort core/                         # Sort imports  
mypy core/                          # Type checking
flake8 core/                        # Linting

Documentación

sphinx-build docs/ docs/_build/     # Generate docs

🌐 Despliegue

Desarrollo Local

uvicorn core.web_api:app --reload   # Web API server
ray start --head                    # Distributed computing

Producción

docker build -t nsaf .              # Container build
docker-compose up -d                # Full stack deployment

Plataformas en la Nube

  • AWS: Ray en EC2, RDS PostgreSQL, ElastiCache Redis
  • GCP: Compute Engine, Cloud SQL, Memorystore
  • Azure: Máquinas Virtuales, Base de Datos, Caché

📈 Monitoreo

  • Métricas: Integración con Prometheus
  • Registro de Actividades: Registros JSON estructurados
  • Trazabilidad: Soporte de OpenTelemetry
  • Verificaciones de Salud: Monitoreo de endpoints incorporado
  • Alertas: Notificaciones personalizadas por umbral

🤝 Contribuciones

  1. Hacer fork del repositorio
  2. Crear rama de características: git checkout -b feature/amazing-feature
  3. Ejecutar pruebas: pytest tests/
  4. Confirmar cambios: git commit -m 'Add amazing feature'
  5. Subir rama: git push origin feature/amazing-feature
  6. Abrir Pull Request

📚 Documentación

  • Referencia de API: endpoint /docs al ejecutar el servidor
  • Guía de Arquitectura: docs/architecture.md
  • Guía de Despliegue: docs/deployment.md
  • Ejemplos: directorio examples/

🐛 Solución de Problemas

Problemas Comunes

Dependencias Faltantes

pip install -r requirements.txt     # Install all dependencies

Errores del Backend Cuántico

qiskit-aer-config                   # Check quantum setup

Problemas de Conexión con Ray

ray start --head                    # Start Ray cluster
ray status                          # Check cluster status

Errores de API de Modelos Fundacionales

export OPENAI_API_KEY="your-key"    # Set API keys

📄 Licencia

Licencia MIT - consulte el archivo LICENSE para más detalles.

🙏 Agradecimientos

  • Equipo de IBM Qiskit por el framework de computación cuántica
  • Equipo de Ray por la computación distribuida
  • OpenAI, Anthropic, Google por las APIs de modelos fundacionales
  • Equipo de FastAPI por el framework web
  • Todos los contribuyentes de código abierto

📞 Soporte

Construido con ❤️ para el futuro de la autonomía en IA

Creado por Bolorerdene Bundgaa

NSAF v1.0 - La solución completa de autonomía neuro-simbólica