用途
neural-train 用于训练和巩固神经模式，实现四步智能流水线中的 DISTILL 与 CONSOLIDATE 阶段。其核心目标是从成功完成的任务中捕获有效经验，将其转化为可复用的神经模式，并在长期存储中巩固，避免新训练覆盖旧领域。
何时使用
- 完成一个成功任务之后——捕获其中有效的做法。
- 累积 ≥10 次任务完成之后——运行巩固，把模式折叠进长期存储。
- 训练一个新领域时——为该领域创建 MicroLoRA 适配器。
标准流程（DISTILL）
- 检查当前神经状态：
mcp__plugin_ruflo-core_ruflo__neural_status。 - 启动轨迹：
mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-start，传入任务上下文。 - 记录步骤：对每个重要动作调用
mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-step。 - 结束轨迹：
mcp__plugin_ruflo-core_ruflo__hooks_intelligence_trajectory-end，verdict 取 pass|fail|partial。 - 从轨迹中学习：
mcp__plugin_ruflo-core_ruflo__hooks_intelligence_learn。 - 训练模式：
mcp__plugin_ruflo-core_ruflo__neural_train，参数--pattern-type coordination --epochs 10。 - 存储模式：
mcp__plugin_ruflo-core_ruflo__hooks_intelligence_pattern-store。 - 验证：
mcp__plugin_ruflo-core_ruflo__neural_patterns确认结果。
SONA 适配（单领域，<0.05ms）
用于实时微适配：
mcp tool call ruvllm_sona_create --json -- '{"domain": "coding"}'
mcp tool call ruvllm_sona_adapt --json -- '{"feedback": {"score": 0.9, "trajectory": "..."}}'
MicroLoRA 适配（多领域）
当存在 ≥3 个不同领域时，为每个领域创建 MicroLoRA 适配器，而不是让 SONA 过载：
# 创建适配器
mcp tool call ruvllm_microlora_create --json -- '{"domain": "frontend"}'
# 使用反馈进行适配
mcp tool call ruvllm_microlora_adapt --json -- '{"adapter": "frontend", "feedback": {...}}'
# CONSOLIDATE 阶段：对权重增量应用 EWC++，防止灾难性遗忘
mcp tool call ruvllm_microlora_adapt --json -- '{"adapter": "frontend", "consolidate": true}'
--consolidate 标志即 EWC++ 触发器。若不使用它，新训练会覆盖较早的领域。
CONSOLIDATE 阶段（与训练分离）
每约 10 次轨迹完成后，运行一次完整巩固：
mcp tool call agentdb_consolidate --json
mcp tool call neural_compress --json # 存储效率
这会在 EWC++ 语义下把模式折叠进长期存储。
从零引导
如果系统尚无已学习的模式：
mcp tool call hooks_pretrain --json -- '{"modelType": "moe", "epochs": 10}'
mcp tool call hooks_build-agents --json -- '{"agentTypes": "coder,tester"}'
hooks_pretrain 写入 patterns（复数）命名空间，与 pattern（单数）ReasoningBank 目标不同。命名空间约定参见 ruflo-agentdb ADR-0001。
重置（仅用于测试）
如需清空智能状态（例如用于基准测试）：
mcp tool call hooks_intelligence-reset --json
CLI 替代方式
npx @claude-flow/cli@latest neural train --pattern-type coordination --epochs 10
npx @claude-flow/cli@latest neural patterns --list
npx @claude-flow/cli@latest neural status
npx @claude-flow/cli@latest neural compress
npx @claude-flow/cli@latest hooks pretrain --model-type moe --epochs 10
npx @claude-flow/cli@latest hooks build-agents --agent-types coder,tester
适用场景
- 任务成功后的经验捕获与模式沉淀。
- 累积一定数量任务完成后的长期巩固。
- 单领域实时微适配（SONA）。
- 多领域（≥3）场景下按领域创建 MicroLoRA 适配器。
- 系统无已学习模式时的从零引导。
限制
- 重置操作仅用于测试（如基准测试），不应作为常规使用。
- MicroLoRA 适配若不使用
--consolidate，新训练会覆盖较早领域。 - 关于收费、价格、平台支持范围等具体信息，资料中暂未提供。