ruflo 中 Flow Nexus Neural 技能解析：MCP 驱动的分布式神经网络训练、推理与模型市场

本文基于 ruflo 仓库中的 Flow Nexus Neural 技能定义（SKILL.md）展开，完整讲解如何通过 Flow Nexus MCP 工具集完成单节点训练、模型推理、模板市场部署、E2B 沙箱分布式训练集群搭建与联邦学习，并补充仓库内配套的 Agent 定义、命令参考与认证流程作为源码级佐证。读完后你可以独立编写神经网络训练配置（feedforward / LSTM / Transformer / GAN / autoencoder）、编排多节点训练集群，并掌握模板发布、性能基准测试与故障排查的完整实操链路。

技能定位与前置条件

该技能在 frontmatter 中声明了关键元数据：名称 flow-nexus-neural、类别 ai-ml、版本 1.0.0，并带有 neural-networks、distributed-training、flow-nexus、e2b-sandboxes 等标签。两个约束字段值得注意：

• requires_auth: true —— 所有功能（尤其是分布式训练）依赖 Flow Nexus 账户认证；
• mcp_server: flow-nexus —— 技能的全部能力由 Flow Nexus MCP 服务器提供的工具实现，本地不执行训练，而是把任务编排到云端 E2B 沙箱环境中。

环境准备

接入分两步：先注册 MCP 服务器，再完成账户注册与登录：

# Add Flow Nexus MCP server
claude mcp add flow-nexus npx flow-nexus@latest mcp start

# Register and login
npx flow-nexus@latest register
npx flow-nexus@latest login

仓库中的 认证命令参考 进一步给出了 MCP 工具侧的认证接口：mcp__flow-nexus__user_register（邮箱 + 密码注册）、mcp__flow-nexus__user_login（登录）、mcp__flow-nexus__auth_status({ detailed: true })（检查认证状态）、mcp__flow-nexus__user_logout（登出），以及 user_reset_password / user_update_password 的密码重置流程。完整路径是：CLI 注册登录 → MCP 认证状态可用 → 调用 neural 系列工具。

能力一：单节点神经网络训练（neural_train）

neural_train 是技能的入口工具，支持五种架构与五档资源规格。

可用架构（config.architecture.type）：

架构	适用场景
feedforward	标准全连接网络，分类/回归/简单模式识别
lstm	序列建模，时间序列预测
gan	生成对抗网络，图像合成等生成任务
autoencoder	降维、异常检测
transformer	基于注意力的 NLP / 多模态模型

训练档位（tier）： nano（最小资源，快速验证）→ mini（小模型）→ small（标准）→ medium（复杂模型）→ large（大规模训练）。

示例 1：自定义前馈分类器

完整配置展示了层级的堆叠方式——dense 层与 dropout 层交替，末层使用 softmax 输出 10 类：

mcp__flow-nexus__neural_train({
  config: {
    architecture: {
      type: "feedforward",
      layers: [
        { type: "dense", units: 256, activation: "relu" },
        { type: "dropout", rate: 0.3 },
        { type: "dense", units: 128, activation: "relu" },
        { type: "dropout", rate: 0.2 },
        { type: "dense", units: 64, activation: "relu" },
        { type: "dense", units: 10, activation: "softmax" }
      ]
    },
    training: {
      epochs: 100,
      batch_size: 32,
      learning_rate: 0.001,
      optimizer: "adam"
    },
    divergent: {
      enabled: true,
      pattern: "lateral", // quantum, chaotic, associative, evolutionary
      factor: 0.5
    }
  },
  tier: "small",
  user_id: "your_user_id"
})

注意 divergent 块：这是该技能特有的"发散式训练"选项，pattern 可取 lateral（侧向）、quantum、chaotic、associative、evolutionary 五类探索模式，factor 控制发散强度，可用于跳出局部最优的探索性训练。

示例 2：LSTM 时序预测

mcp__flow-nexus__neural_train({
  config: {
    architecture: {
      type: "lstm",
      layers: [
        { type: "lstm", units: 128, return_sequences: true },
        { type: "dropout", rate: 0.2 },
        { type: "lstm", units: 64 },
        { type: "dense", units: 1, activation: "linear" }
      ]
    },
    training: {
      epochs: 150,
      batch_size: 64,
      learning_rate: 0.01,
      optimizer: "adam"
    }
  },
  tier: "medium"
})

关键点：第一层 LSTM 设置 return_sequences: true 以把序列输出传递给第二层 LSTM，构成堆叠结构；末层 dense units: 1 + linear 是典型的回归型单值预测输出。

示例 3：Transformer 文本模型

mcp__flow-nexus__neural_train({
  config: {
    architecture: {
      type: "transformer",
      layers: [
        { type: "embedding", vocab_size: 10000, embedding_dim: 512 },
        { type: "transformer_encoder", num_heads: 8, ff_dim: 2048 },
        { type: "global_average_pooling" },
        { type: "dense", units: 128, activation: "relu" },
        { type: "dense", units: 2, activation: "softmax" }
      ]
    },
    training: {
      epochs: 50,
      batch_size: 16,
      learning_rate: 0.0001,
      optimizer: "adam"
    }
  },
  tier: "large"
})

这是"嵌入 → 单头组编码器（8 头、前馈维度 2048）→ 全局平均池化 → 双类分类头"的二分类文本模型。由于 Transformer 显存与计算开销大，示例直接选用 large 档位；相应地，学习率也降到 0.0001。

仓库中的 命令参考 还给出了两种"简写配置"：省略 layers 只写 { architecture: { type: "cnn" } } 或 { type: "lstm" }，说明 MCP 层支持按架构类型采用默认层栈，适合快速实验。

能力二：模型推理（neural_predict）

训练完成后通过 model_id 执行批量预测，输入为二维数组（多条样本）：

mcp__flow-nexus__neural_predict({
  model_id: "model_abc123",
  input: [
    [0.5, 0.3, 0.2, 0.1],
    [0.8, 0.1, 0.05, 0.05],
    [0.2, 0.6, 0.15, 0.05]
  ],
  user_id: "your_user_id"
})

响应结构包含逐样本预测、推理耗时与模型版本：

{
  "predictions": [
    [0.12, 0.85, 0.03],
    [0.89, 0.08, 0.03],
    [0.05, 0.92, 0.03]
  ],
  "inference_time_ms": 45,
  "model_version": "1.0.0"
}

在 NLP 场景中 input 可以直接是字符串数组（见下文"情感分析"用例），即同一工具兼容数值张量与文本输入，由模型侧做预处理。

能力三：模板市场（Template Marketplace）

列出模板

neural_list_templates 支持按类别、付费档位、关键词过滤：

mcp__flow-nexus__neural_list_templates({
  category: "classification", // timeseries, regression, nlp, vision, anomaly, generative
  tier: "free", // or "paid"
  search: "sentiment",
  limit: 20
})

category 可选值：classification、timeseries、regression、nlp、vision、anomaly、generative；tier 取 free 或 paid。响应示例：

{
  "templates": [
    {
      "id": "sentiment-analysis-v2",
      "name": "Sentiment Analysis Classifier",
      "description": "Pre-trained BERT model for sentiment analysis",
      "category": "nlp",
      "accuracy": 0.94,
      "downloads": 1523,
      "tier": "free"
    },
    {
      "id": "image-classifier-resnet",
      "name": "ResNet Image Classifier",
      "description": "ResNet-50 for image classification",
      "category": "vision",
      "accuracy": 0.96,
      "downloads": 2341,
      "tier": "paid"
    }
  ]
}

部署模板

部署时可叠加 custom_config 覆盖训练参数（如微调轮数与学习率）：

mcp__flow-nexus__neural_deploy_template({
  template_id: "sentiment-analysis-v2",
  custom_config: {
    training: {
      epochs: 50,
      learning_rate: 0.0001
    }
  },
  user_id: "your_user_id"
})

能力四：分布式训练集群

这是该技能区别于普通单机训练的核心：把训练任务拆到多个 E2B 沙箱节点上执行。完整生命周期为：初始化集群 → 部署节点 → 连接拓扑 → 启动分布式训练 → 监控 → 分布式推理 → 终止。

1. 初始化集群（neural_cluster_init）

mcp__flow-nexus__neural_cluster_init({
  name: "large-model-cluster",
  architecture: "transformer", // transformer, cnn, rnn, gnn, hybrid
  topology: "mesh", // mesh, ring, star, hierarchical
  consensus: "proof-of-learning", // byzantine, raft, gossip
  daaEnabled: true, // Decentralized Autonomous Agents
  wasmOptimization: true
})

参数语义：architecture 覆盖 transformer / cnn / rnn / gnn / hybrid 五类；topology 支持 mesh（全连接网状）、ring（环形）、star（星型）、hierarchical（分层）四种通信拓扑；consensus 指定节点间共识协议，proof-of-learning 之外还有 byzantine、raft、gossip 可选；daaEnabled 开启去中心化自治代理模式，wasmOptimization 启用 WASM 优化以降低节点开销。

{
  "cluster_id": "cluster_xyz789",
  "name": "large-model-cluster",
  "status": "initializing",
  "topology": "mesh",
  "max_nodes": 100,
  "created_at": "2025-10-19T10:30:00Z"
}

2. 部署节点（neural_node_deploy）

一个典型集群由三类角色构成——参数服务器、工作节点、聚合器：

// Deploy parameter server
mcp__flow-nexus__neural_node_deploy({
  cluster_id: "cluster_xyz789",
  node_type: "parameter_server",
  model: "large",
  template: "nodejs",
  capabilities: ["parameter_management", "gradient_aggregation"],
  autonomy: 0.8
})

// Deploy worker nodes
mcp__flow-nexus__neural_node_deploy({
  cluster_id: "cluster_xyz789",
  node_type: "worker",
  model: "xl",
  role: "worker",
  capabilities: ["training", "inference"],
  layers: [
    { type: "transformer_encoder", num_heads: 16 },
    { type: "feed_forward", units: 4096 }
  ],
  autonomy: 0.9
})

// Deploy aggregator
mcp__flow-nexus__neural_node_deploy({
  cluster_id: "cluster_xyz789",
  node_type: "aggregator",
  model: "large",
  capabilities: ["gradient_aggregation", "model_synchronization"]
})

从参数设计看：node_type 取 parameter_server / worker / aggregator；model 是节点计算规格（示例中出现 large、xl）；autonomy（0~1）控制节点的自治程度，与集群级 daaEnabled 呼应；capabilities 声明节点职能；worker 节点还可直接内联 layers 定义其承载的模型分片结构。

3. 连接拓扑与启动训练

// 连接拓扑（覆盖初始化时的默认值）
mcp__flow-nexus__neural_cluster_connect({
  cluster_id: "cluster_xyz789",
  topology: "mesh"
})

// 启动分布式训练
mcp__flow-nexus__neural_train_distributed({
  cluster_id: "cluster_xyz789",
  dataset: "imagenet", // or custom dataset identifier
  epochs: 100,
  batch_size: 128,
  learning_rate: 0.001,
  optimizer: "adam", // sgd, rmsprop, adagrad
  federated: true // Enable federated learning
})

dataset 可传内置数据集标识（如 imagenet）或自定义数据集标识；optimizer 支持 adam、sgd、rmsprop、adagrad。

联邦学习变体：数据保留在各本地节点，仅聚合参数，附加 aggregation_rounds 与 min_nodes_per_round 两个控制参数：

mcp__flow-nexus__neural_train_distributed({
  cluster_id: "cluster_xyz789",
  dataset: "medical_images_distributed",
  epochs: 200,
  batch_size: 64,
  learning_rate: 0.0001,
  optimizer: "adam",
  federated: true, // Data stays on local nodes
  aggregation_rounds: 50,
  min_nodes_per_round: 5
})

4. 监控与终止

mcp__flow-nexus__neural_cluster_status({
  cluster_id: "cluster_xyz789"
})

{
  "cluster_id": "cluster_xyz789",
  "status": "training",
  "nodes": [
    {
      "node_id": "node_001",
      "type": "parameter_server",
      "status": "active",
      "cpu_usage": 0.75,
      "memory_usage": 0.82
    },
    {
      "node_id": "node_002",
      "type": "worker",
      "status": "active",
      "training_progress": 0.45
    }
  ],
  "training_metrics": {
    "current_epoch": 45,
    "total_epochs": 100,
    "loss": 0.234,
    "accuracy": 0.891
  }
}

状态响应同时给出集群级 training_metrics（epoch / loss / accuracy）与节点级资源占用（cpu / memory / 训练进度），适合写入定时监控循环。集群任务结束时调用 mcp__flow-nexus__neural_cluster_terminate({ cluster_id: "cluster_xyz789" }) 释放沙箱资源。

5. 分布式推理

多节点结果可经聚合策略合并：

mcp__flow-nexus__neural_predict_distributed({
  cluster_id: "cluster_xyz789",
  input_data: JSON.stringify([
    [0.1, 0.2, 0.3],
    [0.4, 0.5, 0.6]
  ]),
  aggregation: "ensemble" // mean, majority, weighted, ensemble
})

注意 input_data 需要 JSON.stringify 序列化为字符串传入；aggregation 支持 mean（均值）、majority（多数表决）、weighted（加权）、ensemble（集成）四种合并方式。

能力五：模型管理

列出模型

mcp__flow-nexus__neural_list_models({
  user_id: "your_user_id",
  include_public: true
})

{
  "models": [
    {
      "model_id": "model_abc123",
      "name": "Custom Classifier v1",
      "architecture": "feedforward",
      "accuracy": 0.92,
      "created_at": "2025-10-15T14:20:00Z",
      "status": "trained"
    },
    {
      "model_id": "model_def456",
      "name": "LSTM Forecaster",
      "architecture": "lstm",
      "mse": 0.0045,
      "created_at": "2025-10-18T09:15:00Z",
      "status": "training"
    }
  ]
}

模型条目包含架构类型、评价指标（分类任务为 accuracy，回归任务为 mse）与状态（training / trained）。

训练状态查询

mcp__flow-nexus__neural_training_status({
  job_id: "job_training_xyz"
})

{
  "job_id": "job_training_xyz",
  "status": "training",
  "progress": 0.67,
  "current_epoch": 67,
  "total_epochs": 100,
  "current_loss": 0.234,
  "estimated_completion": "2025-10-19T12:45:00Z"
}

job_id 来自 neural_train 的返回，响应提供进度比、当前 epoch、损失与预计完成时间。

性能基准测试与验证工作流

// 基准测试
mcp__flow-nexus__neural_performance_benchmark({
  model_id: "model_abc123",
  benchmark_type: "comprehensive" // inference, throughput, memory, comprehensive
})

{
  "model_id": "model_abc123",
  "benchmarks": {
    "inference_latency_ms": 12.5,
    "throughput_qps": 8000,
    "memory_usage_mb": 245,
    "gpu_utilization": 0.78,
    "accuracy": 0.92,
    "f1_score": 0.89
  },
  "timestamp": "2025-10-19T11:00:00Z"
}

benchmark_type 可选 inference（延迟）、throughput（吞吐）、memory（内存）、comprehensive（全项）。生产部署前应使用 comprehensive 全面评估。

// 创建验证工作流
mcp__flow-nexus__neural_validation_workflow({
  model_id: "model_abc123",
  user_id: "your_user_id",
  validation_type: "comprehensive" // performance, accuracy, robustness, comprehensive
})

validation_type 覆盖性能、精度、鲁棒性三维验证。

能力六：模型发布与评分

把训练好的模型发布为市场模板，price: 0 表示免费，否则为点数价格：

mcp__flow-nexus__neural_publish_template({
  model_id: "model_abc123",
  name: "High-Accuracy Sentiment Classifier",
  description: "Fine-tuned BERT model for sentiment analysis with 94% accuracy",
  category: "nlp",
  price: 0, // 0 for free, or credits amount
  user_id: "your_user_id"
})

// 对模板评分
mcp__flow-nexus__neural_rate_template({
  template_id: "sentiment-analysis-v2",
  rating: 5,
  review: "Excellent model! Achieved 95% accuracy on my dataset.",
  user_id: "your_user_id"
})

典型组合用例

图像分类（CNN + 分层拓扑集群）

// Initialize cluster for large-scale image training
const cluster = await mcp__flow-nexus__neural_cluster_init({
  name: "image-classification-cluster",
  architecture: "cnn",
  topology: "hierarchical",
  wasmOptimization: true
})

// Deploy worker nodes
await mcp__flow-nexus__neural_node_deploy({
  cluster_id: cluster.cluster_id,
  node_type: "worker",
  model: "large",
  capabilities: ["training", "data_augmentation"]
})

// Start training
await mcp__flow-nexus__neural_train_distributed({
  cluster_id: cluster.cluster_id,
  dataset: "custom_images",
  epochs: 100,
  batch_size: 64,
  learning_rate: 0.001,
  optimizer: "adam"
})

NLP 情感分析（模板 + 文本推理）

// Use pre-built template
const deployment = await mcp__flow-nexus__neural_deploy_template({
  template_id: "sentiment-analysis-v2",
  custom_config: {
    training: {
      epochs: 30,
      batch_size: 16
    }
  }
})

// Run inference
const result = await mcp__flow-nexus__neural_predict({
  model_id: deployment.model_id,
  input: ["This product is amazing!", "Terrible experience."]
})

时间序列预测（LSTM + 进度监控）

// Train LSTM model
const training = await mcp__flow-nexus__neural_train({
  config: {
    architecture: {
      type: "lstm",
      layers: [
        { type: "lstm", units: 128, return_sequences: true },
        { type: "dropout", rate: 0.2 },
        { type: "lstm", units: 64 },
        { type: "dense", units: 1 }
      ]
    },
    training: {
      epochs: 150,
      batch_size: 64,
      learning_rate: 0.01,
      optimizer: "adam"
    }
  },
  tier: "medium"
})

// Monitor progress
const status = await mcp__flow-nexus__neural_training_status({
  job_id: training.job_id
})

隐私敏感场景的联邦学习

// Initialize federated cluster
const cluster = await mcp__flow-nexus__neural_cluster_init({
  name: "federated-medical-cluster",
  architecture: "transformer",
  topology: "mesh",
  consensus: "proof-of-learning",
  daaEnabled: true
})

// Deploy nodes across different locations
for (let i = 0; i < 5; i++) {
  await mcp__flow-nexus__neural_node_deploy({
    cluster_id: cluster.cluster_id,
    node_type: "worker",
    model: "large",
    autonomy: 0.9
  })
}

// Train with federated learning (data never leaves nodes)
await mcp__flow-nexus__neural_train_distributed({
  cluster_id: cluster.cluster_id,
  dataset: "medical_records_distributed",
  epochs: 200,
  federated: true,
  aggregation_rounds: 100
})

该模式适用于医疗数据等"数据不可出域"场景：federated: true 保证数据保留在本地节点，集群仅交换聚合参数。

架构模式速查表

文档给出了五种架构的最小配置骨架，可直接作为 config.architecture 的模板：

Feedforward（分类、回归、简单模式识别）：

{
  type: "feedforward",
  layers: [
    { type: "dense", units: 256, activation: "relu" },
    { type: "dropout", rate: 0.3 },
    { type: "dense", units: 128, activation: "relu" },
    { type: "dense", units: 10, activation: "softmax" }
  ]
}

LSTM（时间序列、序列、预测）：

{
  type: "lstm",
  layers: [
    { type: "lstm", units: 128, return_sequences: true },
    { type: "lstm", units: 64 },
    { type: "dense", units: 1 }
  ]
}

Transformer（NLP、注意力机制、大规模文本）：

{
  type: "transformer",
  layers: [
    { type: "embedding", vocab_size: 10000, embedding_dim: 512 },
    { type: "transformer_encoder", num_heads: 8, ff_dim: 2048 },
    { type: "global_average_pooling" },
    { type: "dense", units: 2, activation: "softmax" }
  ]
}

GAN（生成任务、图像合成）：

{
  type: "gan",
  generator_layers: [...],
  discriminator_layers: [...]
}

GAN 配置使用 generator_layers 与 discriminator_layers 双字段而非统一的 layers，分别描述生成器与判别器网络。

Autoencoder（降维、异常检测）：

{
  type: "autoencoder",
  encoder_layers: [
    { type: "dense", units: 128, activation: "relu" },
    { type: "dense", units: 64, activation: "relu" }
  ],
  decoder_layers: [
    { type: "dense", units: 128, activation: "relu" },
    { type: "dense", units: input_dim, activation: "sigmoid" }
  ]
}

编码器逐层降维、解码器镜像升维，末层激活通常为 sigmoid（对 0~1 归一化输入）。

仓库源码佐证：技能在 ruflo 中的配套资产

该 SKILL 并非孤立文件，仓库内存在多层配套定义，可以从源码结构确认其协作关系：

1. Agent 定义：plugin/agents/flow-nexus/neural-network.md 定义了 flow-nexus-neural 智能体角色，其职责与技能文档一一对应——架构设计、多沙箱分布式训练编排、模型生命周期管理、参数与资源优化、版本化/验证/基准测试，以及联邦学习与共识协议实现。Agent 中还给出六步工作流（问题分析 → 架构设计 → 资源规划 → 训练编排 → 模型验证 → 部署管理）和六类专项架构（Feedforward、LSTM/RNN、Transformer、CNN、GAN、Autoencoder），以及高阶能力清单：跨 E2B 沙箱分布式训练、隐私保护联邦学习、模型压缩、迁移学习、集成方法与模型漂移监测。
2. 命令参考：plugin/commands/flow-nexus/neural-network.md 提供了同一组 mcp__flow-nexus__neural_* 工具的速查版调用示例，其中额外演示了 CNN 与 LSTM 的简写配置形态，可视为该技能工具面的官方摘要。
3. 认证命令：plugin/commands/flow-nexus/login-registration.md 对应 SKILL 中 requires_auth: true 的前置要求，提供 user_register / user_login / auth_status / user_logout / 密码重置等 MCP 工具用法。
4. 本地训练技能互补：仓库另有一个 neural-training 技能（frontmatter 声明用于 SONA / MoE / EWC++ 模式的本地模式训练），它通过 npx claude-flow neural train|status|patterns|predict 命令操作。从两者分工看，flow-nexus-neural 面向云端 E2B 沙箱的重型训练与集群编排，neural-training 面向 Agent 内部的轻量模式学习，属于不同执行面，不宜混用。
5. Swarm 编排关联：flow-nexus-swarm 技能 展示了同一 Flow Nexus 平台的 swarm/workflow 面（swarm_init 等工具，支持 mesh/ring/star/hierarchical 拓扑），与 neural 集群的 topology 取值体系一致，说明集群通信拓扑是平台级的统一抽象。

最佳实践与故障排查

八条最佳实践

1. Start Small：实验阶段先用 nano 或 mini 档位验证配置；
2. Use Templates：常见任务优先用市场模板起步；
3. Monitor Training：定期查询状态（neural_training_status / neural_cluster_status）及早发现问题；
4. Benchmark Models：生产部署前必须跑 comprehensive 基准；
5. Distributed Training：大模型（文档建议 >1B 参数）使用集群训练；
6. Federated Learning：隐私敏感数据启用联邦模式；
7. Version Models：将验证通过的模型发布为模板复用；
8. Validate Thoroughly：部署前走完整验证工作流。

训练停滞（Training Stalled）

先看集群状态定位卡住的节点，必要时终止重建：

// Check cluster status
const status = await mcp__flow-nexus__neural_cluster_status({
  cluster_id: "cluster_id"
})

// Terminate and restart if needed
await mcp__flow-nexus__neural_cluster_terminate({
  cluster_id: "cluster_id"
})

精度偏低（Low Accuracy）

按顺序排查：增加 epochs → 调整学习率 → 增加 dropout 正则化 → 更换 optimizer → 启用数据增强。

内存不足（Out of Memory）

减小 batch_size → 降低模型档位（tier）→ 启用梯度累积 → 切换到分布式训练分摊显存压力。

适用前提与边界说明

• 技能整体依赖外部 Flow Nexus 服务：mcp_server: flow-nexus 提供的 MCP 工具与 E2B 云端沙箱，本地仓库不包含训练运行时，所有 mcp__flow-nexus__neural_* 调用都在平台侧执行；
• requires_auth: true 意味着未注册/未登录账户无法使用分布式训练等核心能力；
• 文档中"Resources"一节指向的 Flow Nexus 文档站、模板市场与 API 参考为外部平台地址（原文以占位形式书写），本文按规范不输出外部链接，相关入口以 MCP 工具响应与 npx flow-nexus@latest CLI 为准。

相关文档

• 技能本体：SKILL.md（含插件镜像 plugin/skills/flow-nexus-neural/SKILL.md）
• 配套 Agent 角色定义：plugin/agents/flow-nexus/neural-network.md
• 命令速查：plugin/commands/flow-nexus/neural-network.md
• 认证与账户管理：plugin/commands/flow-nexus/login-registration.md
• 本地模式训练技能（互补）：.agents/skills/neural-training/SKILL.md
• 同平台 swarm 编排：.agents/skills/flow-nexus-swarm/SKILL.md