用途：在分布式 E2B 沙箱环境中部署、训练和管理神经网络，可自定义架构训练模型，或使用市场中的预置模板。
主要能力：
- 单节点训练：支持 feedforward、lstm、gan、autoencoder、transformer 架构；训练档位 nano、mini、small、medium、large。
- 模型推理：通过 neural_predict 对已训练模型运行预测。
- 模板市场：浏览与部署预训练模板，类别含 classification、timeseries、regression、nlp、vision、anomaly、generative，分 free 与 paid。
- 分布式训练集群：neural_cluster_init 初始化，支持 topology（mesh、ring、star、hierarchical）与 consensus（proof-of-learning、byzantine、raft、gossip）；可部署 parameter_server、worker、aggregator 节点，支持联邦学习。
- 模型管理：列出模型、查看训练状态、性能基准测试、验证工作流。
- 发布与市场：可将模型发布为模板并评分。
使用方式（命令保持原样）： claude mcp add flow-nexus npx flow-nexus@latest mcp start npx flow-nexus@latest register npx flow-nexus@latest login 主要工具调用形如 mcp__flow-nexus__neural_train、neural_predict、neural_cluster_init、neural_node_deploy、neural_train_distributed 等。
适用场景：图像分类、NLP 情感分析、时间序列预测、隐私敏感的联邦学习等。
限制：分布式训练需要认证；价格、性能指标等具体数值资料暂未提供，需以实际运行结果为准。相关技能包括 flow-nexus-sandbox、flow-nexus-swarm、flow-nexus-workflow。