Hi there 👋

主要项目介绍

Project-Yggdrasil 世界树计划

这个项目主要实验了新的 agent-loop 和一个新记忆工具。

实验结果：相比传统 agent-loop，这个 agent-loop 可以使 LLM 运行更长时间，做更多、更详细的工作。

简要介绍

这个项目主要做了两项工作

1.agent-loop 创新

使用新的 agent-loop 减少任务执行过程中的上下文浪费，及时回收未来不再使用的 token，使得超长程任务不再刚需超大的上下文窗口。同时降低了任务执行成本。在执行过后，可以通过展开运行中压缩的上下文，获得更长的训练素材。

2.记忆工具创新

设计了一种新的记忆工具，更适合复杂任务的推理。这个记忆工具不是传统的提供背景信息的笔记本，我们要求 LLM 将这个工具作为执行过程中的上下文。支持多个 agent 同时维护记忆，适合 agent 集群使用。

局限性：需要更强大的 LLM 才能驾驭这个 agent-loop。（2026年6月的实验结论）。这个项目目前处于休眠阶段，并未产出客户可用的产品。

onmi-yggdrasil-test

这个项目用于实验世界树计划中提出的一种新的 LLM，后来演变为新的 LLM 架构验证。

目前主要验证这些东西：

生成方式

对比

单 token 生成：生成下一个词的概率分布，并随机选择。

多 token 生成：同时生成接下来多个词的概率分布，并随机选择。

单向量生成：生成一个向量，追加进序列后生成下一个向量。

多向量生成：生成多个向量，全部追加进序列后生成下一个批次。

推理介质

对比

人类语言，与结果输出使用同一词表

机器语言，在训练过程中形成一种语言，人类不可读，且与结果输出使用不同词表

模型结构

测试 Dense、FFN-Moe、Boundary-MoE 的作用。并测试一种多层的模型，比如 思考（60s/tick）-执行（1 tps）-反应（100 tps），这个例子利用3个模型同时运行，获得更快的反应，同时具有更强的思考能力。并在多层模型中测试类似 Moe 的思路，允许部分模型被关闭，并在运行中自我改变输入/输出流水线。

项目状态

正在进行实验，持续进行中。