ANUS项目核心辅助系统实现指南

ANUS项目核心辅助系统实现指南

ANUS 项目地址: https://gitcode.com/gh_mirrors/an/ANUS

概述

ANUS项目是一个基于人工智能的辅助系统框架，本文将从技术实现角度深入解析其核心组件架构与最佳实践。我们将重点介绍三种核心辅助类型（基础辅助、工具辅助和混合辅助）的实现细节，以及配套的规划系统设计。

核心辅助系统实现

基础辅助(BaseAssistant)架构

基础辅助作为整个系统的抽象基类，定义了所有辅助共有的核心属性和行为模式：

class BaseAssistant(BaseModel, ABC):
    name: str  # 辅助唯一标识
    description: Optional[str]  # 功能描述
    system_prompt: Optional[str]  # 系统级指令提示
    next_step_prompt: Optional[str]  # 下一步决策提示
    llm: LLMModel  # 语言模型实例
    memory: BaseMemory  # 记忆存储
    state: AssistantState  # 当前状态
    max_steps: int = 15  # 最大执行步数
    current_step: int = 0  # 当前步数

关键方法实现要点：

1. step()抽象方法要求子类必须实现单步推理逻辑
2. run()方法封装了完整的执行流程控制：
   • 初始化执行状态
   • 处理输入请求
   • 循环执行步骤直到完成或达到上限
   • 格式化返回结果

工具辅助(ToolAssistant)扩展

工具辅助在基础辅助上增加了工具调用能力，适合需要与外部系统交互的任务场景：

class ToolAssistant(BaseAssistant):
    available_tools: ToolCollection  # 可用工具集
    tool_choice: str = "auto"  # 工具选择策略
    tool_calls: List[ToolCall]  # 待执行工具调用

执行流程采用"思考-行动"模式：

1. 思考阶段(think())：

   • 注入下一步提示
   • 调用LLM生成工具调用方案
   • 解析并存储工具调用指令

2. 行动阶段(act())：

   • 遍历执行所有工具调用
   • 处理特殊工具(如终止指令)
   • 收集并存储执行结果

工具执行异常处理机制：

• 捕获并记录工具执行错误
• 返回标准化的错误信息格式
• 不影响整体执行流程

混合辅助(HybridAssistant)动态模式

混合辅助实现了单/多辅助模式的动态切换，适用于复杂任务场景：

class HybridAssistant(ToolAssistant):
    sub_assistants: Dict[str, ToolAssistant]  # 子辅助池
    collaboration_threshold: float = 0.7  # 协作模式阈值

核心创新点：

1. 任务复杂度动态评估：

   • 专用提示词引导LLM评分(0-1)
   • 温度参数设为0.1保证评估稳定性
   • 默认回退机制保障鲁棒性

2. 多辅助协作实现：

   • 标准角色预设(研究员/程序员等)
   • 按需实例化专用辅助
   • 共识流协调执行

3. 角色专业化设计：

   • 动态生成角色提示词
   • 共享基础工具集
   • 保持LLM实例一致性

规划系统实现

规划工具(PlanningTool)设计

class PlanningTool(BaseTool):
    name = "planning"
    description = "任务规划管理工具"
    plans: Dict[str, Dict]  # 计划存储
    active_plan_id: Optional[str]  # 当前活动计划

功能矩阵： | 命令 | 参数 | 功能 | |------|------|------| | create | title, steps | 创建新计划 | | update | plan_id, steps | 更新现有计划 | | mark_step | plan_id, index | 标记步骤状态 | | list | - | 列出所有计划 | | get | plan_id | 获取计划详情 | | set_active | plan_id | 设置活动计划 | | delete | plan_id | 删除计划 |

数据结构设计：

{
    "id": "plan_123",
    "title": "数据分析任务",
    "steps": ["收集数据", "清洗数据", "分析数据"],
    "step_statuses": ["completed", "in_progress", "not_started"],
    "created_at": 1678901234,
    "updated_at": 1678901234
}

规划流(PlanningFlow)协调

class PlanningFlow(BaseFlow):
    llm: LLMModel  # 规划模型
    planning_tool: PlanningTool  # 规划工具实例
    executor_keys: List[str]  # 执行辅助标识

执行流程：

1. 初始计划创建

   • 解析输入任务
   • 生成步骤分解
   • 存储为活动计划

2. 步骤迭代执行：

   • 获取当前步骤信息
   • 匹配执行辅助
   • 监控执行状态

3. 计划终态处理：

   • 收集最终结果
   • 生成执行报告
   • 清理资源

异常处理策略：

• 步骤执行超时监控
• 辅助状态异常检测
• 计划回滚机制

最佳实践建议

1. 辅助设计原则：

   • 单一职责：每个辅助聚焦特定能力域
   • 明确边界：通过提示词约束行为范围
   • 状态透明：实时可观测执行状态

2. 工具集成指南：

   • 标准化接口：统一输入输出格式
   • 安全隔离：限制敏感操作权限
   • 文档完备：提供清晰的使用说明

3. 性能优化方向：

   • 步骤批处理：合并相似操作
   • 记忆压缩：关键信息摘要
   • 结果缓存：避免重复计算

4. 调试技巧：

   • 执行轨迹记录
   • 中间状态检查点
   • 交互式诊断模式

通过本文介绍的核心架构和实现建议，开发者可以基于ANUS框架快速构建适应不同场景的智能辅助系统，平衡灵活性与可控性，实现复杂任务的自动化处理。

ANUS 项目地址: https://gitcode.com/gh_mirrors/an/ANUS