- 博客(41)
- 收藏
- 关注
原创 让 AI 替你“盯着“:Watch(关注)自主监控是怎么做出来的
对话一关,AI 的「会提醒你」就失效了。关注(Watch)把一句口头承诺变成数据库里的持久记录:服务器算时间,到点由无人值守的 AI 用只读工具跑一轮,结论推回手机。难的不是定时,而是没人看着。所以三扇门必须提前焊死:不给确认框、不给可写工具、子 AI 和后台运行都不许建关注。跑完只收格式固定的答卷,不合格整轮作废,拿不到证据就判「无法判断」。活得久还要防烂:到期让 AI 判断该续、该完还是该废,最多自动续一次;失败间隔越推越远,三次后自动暂停;跑到一半被改的定义,旧结论只进历史、无权改状态。
2026-10-29 16:17:05
349
原创 让 AI 真正“记住“你:Memory 系统的设计与演进
AI 编程助手普遍有"失忆症"——每次对话结束,上下文窗口一关,所有记忆烟消云散。市面上的 Memory 方案(Cline/OpenCode/OpenClaw)都是本地文件存储,换机器就丢。我们做了三层写入路径:AI 主动写处理显式偏好,上下文快满时自动提取(SHA-256 去重 + 对账机制)处理隐含知识,定期整理合并处理记忆膨胀。关键决策是 Memory 不注入 System Prompt,改为按需检索——保持缓存稳定,避免注意力稀释。记忆整理用 LLM 驱动两阶段处理:先看索引分组,再读正文合并,形成
2026-10-27 16:07:14
507
原创 “你的 AI 助手,换台电脑就失忆了“——Skill 的跨端同步与按需装载
Skill 是用 Markdown 写成的 AI 操作手册,让通用聊天机器人变成特定领域的专家。但市面上的 Skill 都是本地文件,换台电脑就丢了,改了也无法同步。我们做了三层存储:数据库管身份、对象存储管内容、本地磁盘做缓存,登录时自动对账同步,SHA-256 校验后才让文件可见。另一个问题是 Skill 装多了会撑爆上下文、稀释注意力。我们的解法是分层处理:少量 Skill 直接注入名字和简介到 System Prompt;超过阈值后换成语义检索工具 skill_search,AI 用自然语言描述需求
2026-10-20 17:23:42
518
原创 “聊着聊着,AI 怎么变笨了?“——我们给它的注意力做了一次“抽脂“
AI 每回答一个新问题,都会把前面所有对话的全部过程——工具调用、原始结果、网页源码、推理草稿——从头到尾重读一遍。聊到十几轮后,要么撑爆上下文窗口直接罢工,要么被无关历史稀释注意力开始走神。之前我们做过两轮优化:上下文压缩管总量、稳定缓存前缀管单价、大输出落盘管入口。这篇从第四个角度切入:发给模型的材料本身,有多少是它真正需要重读的?我们做了三刀——HTML 可视化源码只留一行标题、旧轮工具结果折叠成占位符并可按需回捞、thinking 草稿一律不重发。存档层原件不动,只在发送时投影裁剪。上下文体积平均减
2026-10-16 21:09:17
422
原创 “别光打字了,画个图给我看!“——我是怎么让 AI 当场作画的
这篇文章以第一人称讲述如何给 AI 装上一门"当场画图"的手艺:AI 的画图不是拿起画笔,而是写一张施工图纸——用它的母语 HTML/SVG 交代每根柱子、每句话的位置和颜色,浏览器照着图纸搭台子。相比生图模型画出"名字全是乱码的漂亮柱子",图纸路线保住了精确:字是真字、数是真数、错了能改。全文把机制拆成五步——写图纸、安检、进玻璃柜、量高度、挂上墙,并展开三个好笑又真实的坑:SVG 里的文字不会自己拐弯,得给 AI 发一把"卷尺"(四周留白、按字号估宽、禁止缩字体);图纸里可能藏会动的代码,要关进密封玻璃
2026-10-12 17:26:38
472
原创 AI 的“暗号“:打一个斜杠,它就知道该调用什么本事
文章以"餐厅手势"作比,讲解 EasyAI 斜杠命令的完整链路:前端输入 / 弹出命令菜单,选中后插入蓝色标签,回车时编码为"命令名+技能文件绝对路径"的自定义格式(路径唯一定位,避免同名歧义)。后端按优先级查找(路径技能→内置→用户自定义→名字技能→MCP),并刻意在发送瞬间重新从磁盘读取技能文件而非用缓存,以保证内容是最新的。展开后的指令作为临时系统级消息与用户原始消息分开注入,不入库、可随技能更新刷新。文末给出技能清单、load_skill、斜杠命令三层触发的对比与使用建议。
2026-09-29 14:00:53
310
原创 “视频还没好吗?“——AI 疯狂催单,是怎么被拦下来的
让 AI 生成视频是分钟级的慢活,系统不会让工具原地死等,而是有界轮询 8 分钟后交还一张"取餐码"(pending + taskId),让 AI 稍后再查。问题在于 AI 没有时间概念——两次回合之间只隔一次推理,"等 30 秒再问"和"立刻再问"对它几乎一样,于是它疯狂带参重查,每圈烧掉一格迭代预算和一次真金白银的模型调用,预算熔断时视频还没渲染完。系统为此装了重复调用侦探:同一工具、同一参数、结果一字不差就连击 +1,任一变化即归零;连击 2 次口头提醒,3 次加重语气,并注入只有 AI 看得见的旁白
2026-09-25 11:04:50
356
原创 AI 每一步都问“允许吗”,到底是在保护你,还是在考验你的耐心?
AI 助手能操作电脑时,"什么都问"让人疲惫,"什么都做"又可能闯祸。静态权限规则简单高效,但同一动作在不同场景下后果可能完全不同,规则无法穷尽所有组合。EasyAI 的 AI 风险检查只在静态规则无法判断时介入,而非逐条重审。它能看到指令和权限摘要,但不会打开脚本读取内部代码。检查超时或结果不可读时回退人工确认;模型自信误判时,两种错误代价不对称——减少打扰的同时也引入了误判风险。确认界面展示 AI 的风险理由,缓存判断会随权限配置变化而失效。已授权不等于无害,委托 AI 需分清"这一步该不该做"和"做完
2026-09-23 14:20:39
164
原创 AI 说“做完了”,为什么还需要验收?
AI 说“做完了”,不代表事情真的完成。本文从整理资料、查询天气、保存文件等日常场景出发,解释为什么 AI 助手需要完成检查:核对交付条件,识别反复空转,分清历史计划与本次任务,并用实际执行记录验证口头承诺。检查不是无限催促,也不能保证内容全对,而是让助手有依据地交付、有边界地尝试、有交代地停止。普通使用者也可以通过明确交付物、验收依据和失败处理方式,让 AI 协作更可靠。
2026-09-22 13:40:03
359
原创 让 LLM 像人一样翻文档:目录树索引 + PageIndex 式 Agent 检索
本文讲解结构化检索:向量检索把文档撕成碎片,没有“位置感”,章节级问题和结构性问题天生吃亏,而目录树是文档作者免费送的结构。EasyRAG 实现了“入库建树,查询爬树”:入库侧用 Markdown 标题零 LLM 建树(父栈法、最大深度 4 层、字节偏移对齐),无标题文档坦率返回 None;再用 LLM 给章节生成一句话摘要,摘要是增强不是必需,失败可降级、temperature 置 0 求稳定。查询侧两条路:TreeSearch 是“导游模式”,逐层 LLM 推理选枝(NAVIGATE/DRILL_DOW
2026-09-20 07:01:51
963
原创 用 wiremock 给外部依赖写测试:RAG 系统的测试策略
本文是系列收官篇,讲解 RAG 系统的测试策略。RAG 难测的根源在于核心链路依赖 LLM、embedding、存储三个外部服务,它们又贵又慢又不稳定,但护栏、解析、降级逻辑恰恰必须测。EasyRAG 采用三层策略:第一层 trait 抽象 + 内存替身,memory 后端是最完美的测试替身,零依赖、确定性行为,LLM 侧写几行 mock 测指标计算逻辑;第二层 wiremock 拦截 HTTP 层,起本地 mock server 预设响应,测自己的客户端请求构造、SSE 解析、错误重试与超时行为,护栏测试
2026-09-16 09:25:42
247
原创 给 RAG 服务加上认证、限流与租户配置
本文讲解如何给 RAG 服务加上认证、限流与租户配置。认证从“密钥强度”开始管:开启认证但没配密钥、密钥短于 32 字节、用默认示例密钥都会拒绝启动——“宁可起不来,不可裸奔”。JWT 用 HS256 实现,密钥派生逻辑与 Kotlin 版逐字节对齐以支持两版本并存互认;验证失败按原因分类(签名错/过期/格式错)写日志,401 给用户看、原因给运维看。白名单只放 login、health、version 等无敏感信息且必须可达的端点,宁紧勿松。登录限流用滑动窗口统计账号失败次数加 LRU 淘汰控制内存,按账
2026-09-15 07:22:22
167
原创 一个文件就是一个服务:Rust RAG 系统的极简部署实践
本文讲解 EasyRAG 的极简部署实践。相比 JVM 方案需要 JDK 运行时、fat jar、Nginx 配置和调优文档,EasyRAG 的交付清单只有三个东西:一个二进制、一份 .env 配置、可选的前端静态资源。四个秘密支撑极简形态:后端托管前端——tower-http 挂载静态资源并配 SPA fallback(未命中路径兜底到 index.html,否则前端路由刷新就 404),找不到前端时自动降级 API-only 模式,Nginx 都省了;配置即部署——所有行为由 .env 驱动,改几行配置
2026-09-14 14:30:09
278
原创 从 JVM 到 Cargo:把整个 Kotlin 项目移植到 Rust 的踩坑实录
本文是 EasyRAG 从 Kotlin 完整移植到 Rust 的踩坑实录。移植可行的前提是源项目接口清晰:先翻译 interface 为 Rust trait,再逐实现填充,最后重写装配层;顺序照抄依赖方向(core → storage/llm → pipeline → server → app),每层 cargo test 全绿才进下一层。核心是四个思维转换:null 转 Option,把“可能没有”写进类型,编译器保证无遗漏空值路径;异常转 Result,错误显式返回,try-catch 大量变成“失
2026-09-13 10:33:14
473
原创 多模态 RAG 实战:让系统看懂图片、表格和公式
本文讲解多模态 RAG 实战。纯文本 RAG 有三个盲区:架构图被丢弃只剩引导语、表格被抽成行列关系全乱的碎片串、公式在 PDF 抽取后变形消失——文档的信息密度高地恰恰是文本管线啃不动的硬骨头。EasyRAG 选择“轻路线”(RAGAnything 论文思路):把“看”翻译成“说”,入库时用多模态模型将图片、表格、公式翻译成文本描述,描述连同原文一起走向量化、图谱抽取和入库,查询链路零改动、零额外成本,检索、融合、护栏等重资产全部复用。模块设计有两个亮点:双语 Prompt 管理按文档语言分流(中文问题检
2026-09-12 09:03:39
240
原创 文档入库的并发暗战:状态机、限流与崩溃恢复
本文讲解批量文档入库的并发工程问题。没有状态机与并发控制的入库流程会死于四个暗坑:重复处理、并发打爆后端、崩溃后状态卡死、索引写一半。EasyRAG 的 IngestionPipeline 用四道防线解决:第一道是文档状态机(Pending → Processing → Processed/Failed),核心原则是“失败也是状态”——任何异常都强制写入 Failed 并持久化错误信息,绝不允许文档消失;第二道是 try_claim 抢占式领取,原子组合“行锁+状态翻转”,谁先翻转成功谁处理,机制上消灭重复
2026-09-11 02:38:23
529
原创 把你的知识库伪装成 Ollama:兼容协议的设计与实现
本文讲解 EasyRAG 如何通过兼容 Ollama 协议接入现成客户端生态。核心思路是“与其做客户端,不如成为别人客户端的后端”——市面上支持 Ollama 协议的客户端成千上万,只需让 RAG 服务说 Ollama 的语言,实现一个路由文件即可覆盖整个生态。EasyRAG 实现了五个核心端点:/api/chat、/api/chat/stream、/api/generate、/api/tags、/api/version。翻译层有三个关键决策:多轮消息取最后一条 user 消息作为查询;兼容端点固定用 Mi
2026-09-10 14:10:39
428
原创 用 Trait 给系统留出后路:RAG 存储层如何做到 5 种后端可插拔
本文讲解 EasyRAG 存储层的可插拔设计,目标是“切换后端只改 .env,不改代码”。核心抽象是 easyrag-core 中的四个 trait:VectorStorage(向量)、KVStorage(键值)、GraphStorage(图谱)、DocStatusStorage(文档状态机),均继承 StorageNameSpace 基座(命名空间、生命周期钩子、批量提交)。三个关键设计决策:生命周期钩子放基座实现攒批落盘;批量接口作为强制义务进抽象,避免图扩展的 N+1 问题;数据载体统一用 JsonM
2026-09-09 05:38:18
620
原创 如何科学地评测你的 RAG 系统?Golden Set 评测实践
本文讲解如何用 Golden Set 科学评测 RAG 系统,反对“感觉变好了”式调参——样本小、无基线、无对照只会让优化不可信。评测第一步是构建黄金问答集,其中最关键的设计是 expected_answer 为 Option:应答题期望正确回答,拒答题期望系统诚实说“不知道”,后者就是幻觉检测器,建议两者比例 2:1 且从真实用户问题中挑选。第二步用混淆矩阵思维将每道题归为 TP/TN/FP/FN 四类,识别拒答靠护栏统一的 FAIL_RESPONSE 话术。第三步输出三大指标:覆盖率(回答比例)、幻觉率
2026-09-08 08:11:19
684
原创 7 种检索模式 + RRF 融合 + Rerank:一个查询引擎的完整设计
本文讲解 EasyRAG 查询引擎的完整设计。QueryEngine 支持七种查询模式:Naive(纯向量)、Local(图扩展)、Global(图全局)、Hybrid(向量+关键词)、Mix(三路全开)、Structure(结构树)、Bypass(跳过检索闲聊兜底),按成本延迟与问题价值密度选型,生产默认 Mix。多路召回结果用 RRF 融合——只看排名不看分数,天然免疫不同来源的量纲差异,公式为各路 1/(k+rank) 累加,奖励多路共识。Rerank 精排采用 Cross-encoder,但坚持“可
2026-09-07 07:09:02
640
原创 别再让大模型胡说八道:我给我的 RAG 加了三层防幻觉护栏
本文直面 RAG 系统最核心的信任危机——幻觉。幻觉有两种典型形态:无中生有(上下文不支持的数字或结论)和伪造引用(引用编号与内容对不上)。作者在 EasyRAG 中实现了三层防幻觉护栏:第一层 EvidenceScorer 在生成前评估检索证据质量,快路径零成本复用 rerank 分数(top-3 均值占 60% 加整体均值占 40%),只有中间地带才花一次 LLM 精评,烂证据直接拒答;第二层 ClaimVerifier 在生成后把答案拆成原子声明逐条验证,采用最弱声明规则——任何一条支持度低于阈值 0
2026-09-06 20:52:33
422
原创 RAG 切块到底怎么切才好用?我实现了 5 种分块策略
本文讲解 RAG 系统中最基础也最关键的环节——文档分块,指出"检索最小单位是块,语义最小单位是完整表述",切坏了会导致召回的答案不完整。作者在 EasyRAG 中基于统一的 Chunker trait 实现了五种策略:TokenSize(token 滑窗,适合无结构文本)、RecursiveCharacter(分隔符递归,通用默认)、SemanticVector(句子级语义突变检测,适合主题跳跃的长文)、ParagraphSemantic(段落+语义距离混合,中文文档主力,性价比最高)、Structure
2026-09-05 20:59:30
496
原创 知识图谱 + RAG:GraphRAG 到底强在哪?手把手实现实体抽取与图检索
这篇《知识图谱 + RAG:GraphRAG 到底强在哪?》是 EasyRAG 实战系列第 3 篇,讲解如何用知识图谱增强 RAG。文章先指出纯向量检索的天花板:它只能做“一跳”语义相似匹配,答不好需要中间实体接力推理的多跳问题(如“张三所在公司的营收”)。GraphRAG 的解法是入库时用 LLM 从分块中抽取实体与关系建图,查询时沿图多跳扩展。文中结合 EntityExtractor 源码详解三个关键设计:标题路径注入上下文消除指代歧义、Gleaning 多轮补漏提升召回率、JSON 输出加容错解析防止
2026-09-04 09:33:45
600
原创 一张图看懂 EasyRAG 架构:6 个 Crate 如何跑起一个完整 RAG 服务
《EasyRAG 实战系列》开篇。作者先用 Kotlin 实现了生产级 RAG 系统,但私有化交付时暴露出 JVM 内存高、镜像大、冷启动慢三大成本,于是用 Rust 重写:Tantivy、sqlx、neo4rs 等核心依赖在 Rust 生态全是一等公民,trait + 泛型天然适合可插拔抽象。最终 6 个 crate 编译为单二进制服务,内置 Web 界面与 Ollama 兼容 API,一个文件即完成部署。文末预告后续 14 篇:GraphRAG、分块、防幻觉、检索融合、评测、存储、并发、多模态、部署与测
2026-09-03 07:05:55
461
原创 为什么我用 Rust 重写了一个 RAG 系统?—— EasyRAG 实战系列开篇
《EasyRAG 实战系列》开篇。作者先用 Kotlin 实现了生产级 RAG 系统,但私有化交付时暴露出 JVM 内存高、镜像大、冷启动慢三大成本,于是用 Rust 重写:Tantivy、sqlx、neo4rs 等核心依赖在 Rust 生态全是一等公民,trait + 泛型天然适合可插拔抽象。最终 6 个 crate 编译为单二进制服务,内置 Web 界面与 Ollama 兼容 API,一个文件即完成部署。文末预告后续 14 篇:GraphRAG、分块、防幻觉、检索融合、评测、存储、并发、多模态、部署与测
2026-09-02 08:44:54
325
原创 让 LLM 随便跑代码也不怕:Groovy 计算沙箱的四层防御
LLM 心算不可靠,EasyAI 用 Groovy 进程内执行实现毫秒级"计算器工具",但脚本是 LLM 生成的不可信代码,因此构建四层防御:① ClassLoader 黑名单,封锁文件/网络/反射/进程等危险类加载;② 编译期 AST 拦截 Class.forName、'cmd'.execute() 及篡改守卫等逃逸调用;③ AST 插桩步数限制(100 万步),确定性杀死死循环;④ Thread.join 硬超时(10 秒),兜底无循环的 CPU 密集调用。大文件由宿主侧校验后代读,以 __data__
2026-09-01 11:36:04
557
原创 Token 账单几个小时烧完一周的量:Prompt 缓存与大输出管控的双重防线
Token 账单几小时烧掉一周的量,排查发现 Prompt 缓存使用率只有 20% 出头。根因一:System Prompt 中注入了秒级时间戳和 Memory,前缀每次都变,缓存全量失效;根因二:超大工具输出(实测 527K 字符、15 万 token)不加节制地灌进上下文。解法一:System Prompt 完全静态化——时间改由 calc 工具按需获取,Memory 改为按需检索,缓存使用率拉到 92%+;解法二:超大工具结果落盘换"指针通知",只回头尾样本和访问指引,单行大载荷按字符预算采样。
2026-08-31 09:12:08
925
原创 让 LLM 稳定输出 JSON,我们踩了四道坎
EasyAI 中大量场景要求 LLM 输出严格 JSON,但概率模型天然不擅长硬约束。团队在生产中被逼出四级纵深防御:L1 宽容提取——JsonExtractor 按围栏、全文、括号扫描三级优先级从任意文本中挖出 JSON;L2 Schema 校验重试——OutputSchemaValidator 校验失败后把 JSONPath 级错误列表喂回 LLM 定向修复,重试有界;L3 原生结构化输出——解码层约束格式,但因与工具调用互斥,采用 multi-turn 延迟模式,只在最终轮启用;L4 大 JSON 分
2026-08-30 00:09:11
504
原创 LLM 调用的四层错误分类与流式超时检测
EasyAI 面对各 LLM Provider 错误格式各异的难题,用 237 行 Kotlin 实现了 LlmErrorClassifier 四层错误分类:结构化异常 → HTTP 状态码 → Provider 特定异常 → 关键词兜底,并沿异常链遍历(上限 16 层防循环引用)逐层检测。错误被统一分为三类:上下文溢出(自动压缩后重试)、瞬时错误(线性退避重试)、不可恢复错误(立即失败)。针对流式响应"连接活着但不吐 chunk"的停滞问题,在应用层实现双超时检测:首 token 240s + chunk
2026-08-29 09:37:05
472
原创 全异步 MCP 集成:双传输协议 + 按用户懒加载
EasyAI 通过 McpClientManager(393 行)实现 Agent 与外部 MCP 工具的全异步集成:统一工厂方法支持 Stdio(本地进程)与 StreamableHTTP(远程服务)双传输协议;用 awaitSingle() 将 MCP Java SDK 的 Reactor Mono<T> 桥接为 Kotlin suspend fun,全程非阻塞;多租户场景按用户懒初始化(系统服务器启动时连接,用户服务器首次请求时连接),配合双重检查锁防竞态、预连接 WebFilter 提前触发连接;工
2026-08-28 10:23:48
508
原创 影子 Git:不污染项目历史的快照与回滚系统
EasyAI 用"影子 Git"解决 Agent 修改代码后的精确回滚难题:通过 --git-dir + --work-tree 构建完全独立的 Git 仓库,每次工具执行前自动快照,项目的 .git 永不污染。Agent 与用户的修改分别标记不同作者,可精确区分归因。支持文件级选择性回滚、3-way merge 处理冲突、消息编辑后自动回滚到该消息发送前的状态。核心实现为 GitSnapshotService(1153 行)+ RevertService(659 行),如同游戏存档系统,让任何修改都可随时
2026-08-27 07:11:52
440
原创 给 Agent 装上安全锁:纵深防御的权限系统设计
Agent 拥有文件读写、Shell 执行、网络请求等强大能力,如何防止危险操作?EasyAI 采用纵深防御权限系统:工具级 → 命令级 → 路径级多层检查。核心是 SafeCommandDetector 将 Shell 命令三级分类(SAFE_READ / SAFE_WRITE / UNSAFE),复合命令按 &&/||/| 拆分并取最严格级别,配合引号感知分析与 Git 子命令粒度分类;路径经规范化后限制在项目白名单内。权限评估输出 ALLOW / ASK / DENY 三态,ASK 时暂停 Agent
2026-08-26 06:41:20
428
原创 从 Kotlin Channel 到 SSE:Agent 事件流的全链路设计
本文解析 EasyAI 如何把 Agent 运行时的 15+ 种事件(思考、工具执行、权限请求、压缩、子 Agent 等)实时推送到前端。核心抽象 EventStream 基于 Kotlin Channel + CompletableDeferred,Channel 承载事件流、Deferred 承载最终结果。全链路为:AgentLoop → Channel → Flow → ChatStreamService 桥接 → merge 合并主事件流与 Goal 状态流 → Flux → SSE → 浏览器。最
2026-08-25 07:03:32
513
原创 AI 说“我做完了”,你敢信吗?Agent 终止判定与 Goal 自主循环
EasyAI框架通过AgentCompletionCheck机制解决Agent循环终止问题,核心创新点在于: 双重检查机制:在ReAct循环即将终止时,依次执行输出合规性检查(验证JSON Schema)和目标完成度检查(评估Goal状态),任一未达标即强制续跑。 目标导向自治:通过GoalState实现长周期任务管理,支持多轮自主推进(10轮/150分钟上限)、显式状态汇报(需附带完成证据)和异步等待(暂停不计时)。 安全兜底设计:检查器异常自动降级放行,续跑采用Prompt注入而非硬中断,所有
2026-08-24 06:48:36
967
原创 100+ 轮对话不丢上下文:增量压缩的工程实践
会话上下文增量压缩技术解析 本文针对大模型会话中上下文窗口溢出问题,提出了一种增量压缩策略。核心方案是通过"上一轮摘要+最近对话"的结构化压缩,解决长会话场景下的历史信息保留与token限制的矛盾。系统包含三大关键技术: 增量压缩机制:仅处理新增消息,避免全量历史重载,通过多轮递进式摘要保持关键信息 动态token估算校准:结合LLM真实usage数据和本地估算,设置[0.25x,4x]的合理性校验窗口 结构化保护规则:确保工具调用结果的完整性,并分离数值事实到独立存储空间 工程实现上采用分层设计(Orch
2026-08-23 07:42:07
354
原创 AI 创造 AI:一句话生成 14 个 Agent 的配置链路
本文介绍了一种基于AI的自动化Agent配置生成系统,通过多轮AgentLoop交互解决大配置生成难题。核心创新点包括: 分块提交机制 - 将大型Swarm配置拆解为单个Agent/Task单元提交,避免流式超时 资源感知设计 - 生成前先通过list_resources工具扫描环境可用资源 自校验循环 - 通过validate-fix循环自动修复配置错误 干跑模式 - 配置生成Agent不持久化会话数据 系统可自动生成14个Agent+10个Task的复杂Swarm配置,正确率从手工编写的30%提升至92
2026-08-22 07:35:54
404
原创 6 个 AI 组队写代码:Leader 分配任务,成员实时上报
TEAM Agent:多Agent编程团队协作框架 本文提出了TEAM Agent框架,用于实现多AI代理的编程团队协作。该框架采用Leader-Member模型,通过事件驱动机制和结构化决策实现高效任务分配与异常处理。 核心架构 角色分工:6种Agent角色(调研员、工程师、QA、审查员、UI操作员、调试员)由Leader统一协调 通信机制:基于Channel的事件驱动模型,避免轮询开销 决策系统:Leader输出结构化JSON决策(新任务/重新分配/暂停-协助/上报用户) 状态管理:7种成员状态(RUN
2026-08-21 14:28:02
477
原创 让 AI 自己辩论,裁判说停才停——多 Agent 对抗辩论系统
单Agent分析容易"一边倒",本文介绍EasyAI的Deliberation对抗辩论机制——借鉴法庭模式,由Judge(裁判)主持、多个Participant(参与者)对抗辩论。核心设计包含四个关键决策:编排阶段替换Judge为中立Prompt以防偏见泄漏;每轮为参与者量身定制个性化Prompt引导针对性辩论;Judge通过结构化JSON自主判断收敛时机而非固定轮次;参与者System Prompt互相隔离确保信息对称。系统还支持断点恢复与增量持久化。通过消除偏见四道防线和前端轮次卡片可视化,实现结构化的
2026-08-20 10:20:29
375
原创 14 个 AI 同时工作,我是怎么不让它们打架的
AI 任务编排的图论解法:DAG 调度核心算法解析 本文针对多AI Agent协作中的复杂依赖问题,提出了基于图论的高效调度方案。主要内容包括: 问题本质:将14个AI分析师的投资决策流程抽象为DAG(有向无环图),解决并行执行、顺序依赖和失败处理的核心矛盾。 三大核心算法: DFS染色法:检测循环依赖,提供直观的环路径报告 Kahn分层拓扑排序:生成可并行任务批次 BFS级联算法:精确标记失败任务的下游影响链 并发控制:采用Semaphore实现有界并发,配合Kotlin协程的AtomicBoolean和
2026-08-19 08:58:33
354
原创 50 轮对话后,我放弃了 Spring AI 的 Agent 循环
本文探讨了Spring AI框架在Agent实现上的局限性,并提出了基于Kotlin的手写ReAct循环解决方案。作者指出Spring AI的ToolCallingAdvisor虽然提供了完整的Agent循环,但存在不可中断、不可检查、不可扩展等核心问题。通过绕过框架层直接调用底层ChatModel.stream(),EasyAI实现了五个关键设计:1)绕过Advisor直接控制流程;2)三阶段工具执行(权限检查→并行执行→后置Hook);3)带预算的Completion Check机制;4)上下文溢出自愈
2026-08-18 13:32:20
333
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅