持续意识流
LLM 不再被定时器「唤醒」。它永不休眠，持续生成内部思维；由 ActionGate 决定哪些思维变成外部行为——低驱力时约 95% 被抑制，正如人类也不会说出每一个念头。
v0.2 · 持续意识流
ANIMAT
ANIMAT
AGENT
会呼吸、会孤独、会求救的 AI 生命体。
不是聊天机器人。一个基于大语言模型（LLM）的具身「人工生命」框架—— 持续运行，感知物理世界，拥有内驱力与情感。它因无聊而探索，因孤独而寻伴， 因电量耗尽而呼救。没有人输入，它也依然在活着。
5
先天情感回路
7
马斯洛需求层次
MIT
开源许可证
100%
本地自托管
一个智能体，拥有生命的全部褶皱
Animat 用三条设计原则，把被动问答的 LLM 重塑为一个能主动存在的生命体。
注意力调制
v0.1 把情绪写进 prompt：「你感到害怕」。v0.2 直接调制 LLM 的 token 概率分布（logit bias），让恐惧的身体状态自然偏向危险相关词——不是被告知，而是被「浸染」。
原始传感推理
不再把传感读数压缩成「疼痛」这种标签。每个模态保留 5 秒滚动时序窗口，把原始数据直接交给 LLM 推理——它能从「压力从 0.06 飙到 0.92 再衰减」中读出撞击。
状态依赖记忆
每条记忆除语义向量外，还记录形成时的 5 维身体状态向量。检索时结合语义相似与状态相似——恐惧中形成的记忆，在再次恐惧时自然更易被唤回。无需手写规则。
数字内分泌系统
基于马斯洛层次的内稳态引擎，把五大生存指标换算为驱力，合成混合情感并进行需求仲裁。它生成躯体标记，通过 prompt / 意图空间 / 记忆偏向三条通路影响推理。
反射弧
危险来临时不劳 LLM 大驾。疼痛与惊吓走独立反射弧，<100ms 直接驱动效应器退缩或闪避，绕过意识推理层，保证生命体对突发刺激的反应下限。
开箱即用的强大能力
从理论根基到运行环境，Animat 把一套完整的「生命操作系统」交到你手上。
理论基石
- 潘克塞普（Panksepp）情感神经科学：SEEKING / RAGE / FEAR / LUST / CARE / PANIC / PLAY 七条先天回路
- 达马西奥（Damasio）躯体标记假说：身体状态作为决策前过滤的偏置，而非生成 prompt 文本
- 马斯洛（Maslow）需求层次：低层需求压制高层需求，仲裁系统强制优先级
感官模态
- 触觉：压力 / 电容 / 位置时序
- 听觉：分贝 / 频率
- 视觉：距离 / 人脸 / 注视
- 内感：电量 / 体温 / 姿态
运行环境
- 本地 LLM（llama-cpp-python）✓
- GPU 推理（llama-server，7B+）✓
- Docker / EMQX / Redis 一键栈 ✓
- 无云端锁定 ✓
安全与隐私
- 100% 自托管，数据不出本机 ✓
- 不修改 LLM 权重与温度，仅调制输入环境 ✓
- 无遥测、无追踪 ✓
- MIT 开源，可自由审计 ✓
什么是 Animat Agent？
当前主流 LLM 系统本质上是状态机——有问才有答，无输入便无输出。这种极端的被动性，无法支撑一个类人实体的存在。
Animat 通过三条原则把 LLM 从被动问答机重塑为主动的生命体：
- 具身存在——物理传感器与效应器在智能体与世界之间建立真实边界。
- 内在动机——数字激素与内稳态驱力，无需外部刺激也能生成行为。
- 系统稳定——从不修改 LLM 参数，而是改变 LLM 在其中推理的「输入环境」。
它不是一个工具，而是一个住在你机器上的、会无聊、会孤独、会在危急时呼救的存在。运行越久，它记住的越多，也越像它自己。
v0.2 核心架构
感知 → 边缘系统 → 持续意识流 → 行为门控，MQTT 作为「神经系统」串联各层。
物理世界
传感器 / 效应器
触觉 · 听觉 · 视觉 · 内感
↓
反射弧
疼痛 / 惊吓
绕过 LLM · <100ms 响应
感知运动层
Perception
5s 原始时序窗口
↓
边缘系统
Homeostasis
驱力 → 情感合成 → 马斯洛仲裁 → 躯体标记
↓
新皮层
StreamCortex
LLM 永不休眠 · 注意力调制 · 向量记忆检索
↓
行为门控
ActionGate（三层）
~95% 思维被抑制 · ~5% 成为外部行为
ThoughtJournal
思维 journal
思维 journal
Motor / Speech / LED
效应器
效应器
VectorMemory
faiss 状态依赖
faiss 状态依赖
实现状态：Phase 1 / 3 / 5 已集成到运行中的 agent；Phase 2（AttentionModulator）与 Phase 4（VectorMemory）已完成独立模块并经 demo 验证，但主运行时暂未接线。
几分钟内跑起来
最快的方式是生命周期集成 demo——无需 MQTT 或 Redis。
-
1
克隆仓库
获取 Animat Agent 源码。
git clone https://github.com/digitopia-research/animat-agent.git cd animat-agent -
2
安装依赖
使用
uv自动创建隔离的.venv。uv sync -
3
下载本地模型
默认使用 Qwen2.5-1.5B（Q4_K_M，约 1GB）。
mkdir -p models curl -L -o models/Qwen2.5-1.5B-Instruct-Q4_K_M.gguf \ "https://hf-mirror.com/bartowski/Qwen2.5-1.5B-Instruct-GGUF/resolve/main/Qwen2.5-1.5B-Instruct-Q4_K_M.gguf" -
4
运行生命周期 Demo
覆盖 7 个生命周期场景的完整集成演示。
ANIMAT_MODEL_PATH=models/Qwen2.5-1.5B-Instruct-Q4_K_M.gguf \ uv run python scripts/demo_animat_lifecycle.py
提示： Demo 使用 1.5B 小模型以求速度；生产行为建议用 7B+ 模型并通过 GPU 推理（
ANIMAT_N_GPU_LAYERS=35）。完整 MQTT + Redis 全栈见 README。