Mem20MPC

mcp-cognitive-substrate

mcp-name: io.github.JaysonAIOnline/cognitive-substrate

Um substrato cognitivo de 28 camadas com memória evolutiva Tree-of-Thoughts (ToT) entre sessões, autotelemetria condicional e ferramentas A2A para agentes MCP.

Permite que agentes raciocinem por meio de um substrato validado de 28 camadas, evoluam memória entre sessões e se comuniquem com agentes pares — tudo em um pacote instalável via pip.

Recursos

• Substrato cognitivo de 28 camadas com validação Pydantic — CognitiveSubstrate valida o raciocínio por meio de 6 famílias / 28 camadas.
• Memória evolutiva ToT entre sessões — nós de árvore de pensamentos com suporte SQLite + histórico do substrato; ramos podados tornam-se lições para sessões futuras.
• Parser JSON robusto baseado em pilha — sem regex; lida com colchetes aninhados, strings escapadas, blocos de código incorporados (robust_slice / robust_json_slice).
• Ferramenta de autotelemetria — get_cognitive_tree_state retorna caminhos ativos e ramos podados de uma sessão.
• Loop de armazenamento pós-execução — store_5key_telemetry salva automaticamente telemetria compacta de 5 chaves (fundamentos, metacognição, defensivo, recursos, utilidade).
• 7 paradigmas de raciocínio — dedutivo, indutivo, abdutivo, analógico, causal, silogístico, falseabilidade.
• Ferramentas A2A — listar, descobrir, chamar e orquestrar agentes pares.
• Servidor MCP — expõe tudo como ferramentas por meio da CLI cognitive-substrate.

Instalação

pip install mcp-cognitive-substrate

Ou instale a partir do código-fonte:

git clone https://github.com/JaysonAIOnline/mcp-cognitive-substrate.git
cd mcp-cognitive-substrate
pip install -e .[test]

Requer Python >= 3.11.

Início Rápido

from mcp_cognitive_substrate.substrate import CognitiveSubstrate
from mcp_cognitive_substrate.memory import get_cognitive_tree_state, store_5key_telemetry

substrate = CognitiveSubstrate()
response = substrate.run("Your user prompt here")
print(response["layers_applied"], "layers applied")
print(response["substrate_verdict"])

Uso

Substrato de 28 camadas

from mcp_cognitive_substrate import substrate

# Layer count and schema
print(substrate.layer_count())        # 28
print(substrate.SUBSTRATE_SCHEMA)     # the full 6-family schema

# Validate a prompt through the substrate
result = substrate.CognitiveSubstrate(session_id="s1").run("deploy safely")
print(result["substrate_verdict"])    # heuristic pruning verdict

# Run a single paradigm
from mcp_cognitive_substrate import run_paradigm
print(run_paradigm("14_idempotency_side_effect_audit", {"evaluate_branch": True}))

Memória evolutiva ToT entre sessões

from mcp_cognitive_substrate.memory import (
    store_5key_telemetry,
    get_cognitive_tree_state,
    prune_failed_approach,
)

node_id = store_5key_telemetry(
    session_id="session-a",
    payload={
        "foundations": {"premise_validation": "assuming deps", "state_hash": "h", "falsification_notes": "deps missing"},
        "defensive": {"blast_radius": "unpredictable", "is_idempotent": True, "invariant_rule": "r"},
        "resource": {"big_o": "o(n)", "latency_bottleneck": "none"},
        "utility": {"load_summary": "pin versions to deploy", "checklist_verified": True},
        "metacognition": {"self_critique": "c", "drift_pct": 0.1},
    },
    score_delta=-110.0,
)
prune_failed_approach(node_id)
state = get_cognitive_tree_state("session-a", include_pruned=True)
print(state["active_path_count"], state["pruned_branch_count"])

Parser JSON baseado em pilha

from mcp_cognitive_substrate.memory import robust_slice, robust_json_slice

cleaned, payload = robust_slice('prefix {"a": {"b": [1, 2]}, "c": "x"} suffix')
# payload == {"a": {"b": [1, 2]}, "c": "x"}; cleaned == "prefix suffix"

7 paradigmas de raciocínio + A2A

from mcp_cognitive_substrate import reason, a2a_list, a2a_call, a2a_orchestrate

print(reason("Solve X", reasoning_type="abductive", depth=3)["steps"])
print(a2a_list())
print(a2a_call("peer-agent", "hello"))
print(a2a_orchestrate("hi", capability="memory"))

Como servidor MCP

cognitive-substrate          # starts stdio MCP server
cognitive-substrate --info   # prints package summary

Tudo o que foi mencionado acima — paradigmas do substrato, extração/avaliação, armazenamento/recuperação de memória, lições ToT, telemetria de estado da árvore, parsing JSON, planos de raciocínio e A2A — é exposto como ferramentas MCP.

Testes

pip install -e .[test]
python -m pytest src/tests -q     # 16 tests

Licença

MIT