brAIn：基於NATS匯流排的反應式AI代理節點，而非聊天迴圈

brAIn 是一個由 Flutter 移動端和 AI 工程師開發的實驗性 AI 代理框架，其核心理念是打破傳統的聊天迴圈模式。作者坦言，現有的代理框架大多基於定時迴圈或 cron 任務，所有互動都透過單一聊天視窗進行，這讓他感到不滿。因此，他構建了 brAIn——一個基於 NATS 釋出/訂閱匯流排的反應式代理系統，其設計靈感更接近於 ROS（機器人作業系統），而非傳統的聊天框架。

在 brAIn 中，智慧體並非持續執行或定時輪詢，而是作為長駐的守護節點存在。節點訂閱多個輸入流（如聊天訊息、感測器事件、Webhook、內部匯流排流量等），僅當相關訊息到達時才被喚醒並執行操作。這種事件驅動的方式避免了無意義的令牌消耗，使得計算資源集中在真正的“思考”環節。每個節點可以擁有獨立的使用者介面，無論是本地還是遠端，該介面都可複用，即使節點執行在另一臺機器上，使用者也能透過統一的方式訪問。

brAIn 的另一個關鍵特性是分散式執行。同一個節點配置既可以在本地程序中執行，也可以透過 NATS 匯流排連線到遠端的“大腦代理”程序。開發者無需修改程式碼即可將工作負載分散到不同的硬體上。此外，引入的優先順序搶佔機制允許高重要性的訊息中斷正在執行的低優先順序任務（如 LLM 呼叫、工具呼叫等），從而更好地處理突發狀況。

在實際演示中，作者展示了多個應用場景：一個環境感知代理透過攝像頭和麥克風觀察房間，僅在有人注視並說話時做出回應；一個 Slack 頻道監聽器在對話暫停時自動彙總或回覆；一個物聯網控制器融合溫度、運動、日曆和時間資訊來決定環境調節。此外，brAIn 還支援將手機作為節點，利用其感測器資料觸發反應。

與現有工具的比較方面，brAIn 並不試圖取代 LangGraph、Vercel AI SDK、Mastra 等聊天型代理框架，也不與 AutoGen 或 CrewAI 的多代理對話系統競爭。它的架構更接近 ROS 2，但針對 LLM 環境進行了最佳化，如令牌預算、可中斷推理、工具呼叫迴圈和 MCP 整合。對於需要持久化工作流的場景（如 Inngest、Temporal），brAIn 的守護節點模型提供了不同的思路。

目前，brAIn 仍處於實驗階段，並非成熟的產品。作者將其視為對未解決問題的一次誠實嘗試，並歡迎感興趣的開發者探索。專案的程式碼已在 GitHub 上開源，並附有解釋影片和實際演示。