用途：在分布式 E2B 沙箱环境中部署、训练和管理神经网络，可自定义架构或使用模板市场中的预训练模板。
主要能力：单节点训练支持 feedforward、LSTM、GAN、autoencoder、transformer，训练档位分 nano、mini、small、medium、large；支持模型推理、模板市场浏览与部署、模型列表与训练状态查询、性能基准测试、验证工作流，以及将模型发布为模板并评分。分布式部分可初始化训练集群，部署参数服务器、worker、聚合器等节点，选择 mesh/ring/star/hierarchical 拓扑，并进行分布式训练、联邦学习与分布式推理，支持聚合方式 mean、majority、weighted、ensemble。可与 RuVector 的 Q-learning 和向量记忆集成，命令行查看统计：node .claude/intelligence/cli.js stats。
使用方式：先添加 MCP 服务器并注册登录——claude mcp add flow-nexus npx flow-nexus@latest mcp start；npx flow-nexus@latest register；npx flow-nexus@latest login。随后通过 MCP 工具调用，如 neural_train、neural_predict、neural_list_templates、neural_deploy_template、neural_cluster_init、neural_node_deploy、neural_cluster_connect、neural_train_distributed、neural_cluster_status、neural_predict_distributed、neural_cluster_terminate 等，并传入 config、tier、user_id 等参数。
适用场景：分类与回归、时间序列预测、NLP 情感分析、图像分类、生成任务、异常检测，以及隐私敏感数据的联邦学习。
限制：分布式训练需要身份认证，需先注册登录；资料未提供具体收费与价格信息；未能确定的内容暂未提供。相关资源包括 Flow Nexus 文档、神经网络指南、模板市场与 API 参考。