From 11a12fed293a82c327743217b8572015377e1060 Mon Sep 17 00:00:00 2001 From: chiguyong Date: Sat, 6 Jun 2026 22:53:14 +0800 Subject: [PATCH] docs: mark Phase 5 plan as completed --- ...-feat-agentkit-phase5-intelligence-plan.md | 537 ++++++++++++++++++ 1 file changed, 537 insertions(+) create mode 100644 docs/plans/2026-06-06-011-feat-agentkit-phase5-intelligence-plan.md diff --git a/docs/plans/2026-06-06-011-feat-agentkit-phase5-intelligence-plan.md b/docs/plans/2026-06-06-011-feat-agentkit-phase5-intelligence-plan.md new file mode 100644 index 0000000..e40d9a4 --- /dev/null +++ b/docs/plans/2026-06-06-011-feat-agentkit-phase5-intelligence-plan.md @@ -0,0 +1,537 @@ +--- +title: "feat: AgentKit Phase 5 — 智能进化与多Agent协作" +status: completed +created: 2026-06-06 +plan_type: feat +depth: deep +origin: Phase 4 完成后成熟度评估 + L4/L5 级能力建设需求 +branch: feat/agentkit-phase5-intelligence +--- + +# AgentKit Phase 5 — 智能进化与多Agent协作 + +## Summary + +基于 Phase 4 企业级生产化升级（整体 L3 级），Phase 5 聚焦三大核心能力跃迁：**RAG 自纠正闭环**（L3→L4）、**多 Agent 协作编排**（L3→L4）、**GEPA 遗传算法进化**（L3→L5）。同时完成国内 Provider 接入和 Contextual Retrieval 优化，以"GEO 系统 RAG 质量可度量、多 Skill 自动编排、Prompt 自主进化"为验收底线。 + +## Problem Frame + +Phase 4 完成后，AgentKit 达到 L3 级别（生产可用），但存在三个关键能力缺口： + +### 三大能力缺口 + +1. **RAG 不可自纠（L3 级）** + - 检索结果无质量评估，错误检索直接传递给 LLM 生成 + - 缺少"检索→评估→改写→重检索"闭环 + - EpisodicMemory ORM 集成未完成（session_factory=None） + - 无 Contextual Retrieval，分块后上下文丢失 + +2. **多 Agent 无法协作（L3 级）** + - HandoffManager 仅支持单向转交，无双向协作通信 + - 缺少中央编排器协调多 Agent 并行/串行执行 + - 无共享工作空间，Agent 间只能通过 Handoff 传递 context + - GEO 8 个 Skill 缺少端到端 Pipeline 编排 + +3. **进化系统非遗传（L3 级）** + - 当前进化是单个体逐任务优化，无种群/代际概念 + - 缺少交叉算子（Crossover），无法发现跨模块组合 + - StrategyTuner 仅支持 2 个参数，无多维策略空间 + - 缺少多目标适应度（准确率+延迟+成本） + +### 成熟度目标 + +| 模块 | Phase 4 后 | Phase 5 目标 | +|------|-----------|-------------| +| 进化系统 | 75% | 90% | +| 记忆/RAG | 85% | 95% | +| 核心引擎 | 90% | 95% | +| LLM Gateway | 85% | 95% | +| Server | 90% | 92% | +| 整体 | L3 | L4 | + +## Scope Boundaries + +**In Scope:** +- RAG 自纠正循环（CRAG 模式） +- Contextual Retrieval（上下文增强分块） +- 多 Agent Orchestrator-Worker 编排 +- 共享工作空间 +- GEPA 遗传算法进化框架 +- 国内 Provider（文心/豆包/元宝） +- Ragas 评估管线 +- GEO Pipeline 编排 + +**Out of Scope:** +- 前端 UI 开发（GEO Dashboard 属于独立项目） +- 分布式追踪（OpenTelemetry，Phase 6） +- 本地向量库（ChromaDB/FAISS，Phase 6） +- 多跳推理检索（Phase 6） +- Agent 能力发现和动态路由（Phase 6） + +## Implementation Units + +### Phase A (P0) — RAG 质量闭环 + +--- + +#### U1: RAG 自纠正循环（CRAG） + +**Goal:** 实现 Corrective RAG 模式，检索结果经评估后决定通过/改写/降级，形成自纠正闭环。 + +**Files:** +- Create: `src/agentkit/memory/rag_loop.py` +- Create: `src/agentkit/memory/relevance_scorer.py` +- Modify: `src/agentkit/memory/retriever.py` +- Create: `tests/unit/test_rag_loop.py` +- Create: `tests/unit/test_relevance_scorer.py` + +**Approach:** +1. 实现 `RelevanceScorer`：轻量级评估器，对检索结果逐文档评分（0-1），基于查询-文档语义相似度 + 关键词重叠 +2. 实现 `RAGSelfCorrectionLoop`：状态机驱动的检索-评估-纠正循环 + - 状态：RETRIEVE → EVALUATE → CORRECT/DEGRADE → GENERATE + - 评估：RelevanceScorer 评分，阈值判断（correct/ambiguous/incorrect） + - 纠正：QueryTransformer 改写查询，重新检索（最多 max_retries 次） + - 降级：超过重试次数，返回降级结果（标记 low_confidence） +3. 集成到 MemoryRetriever：当 `enable_self_correction=True` 时，检索走 CRAG 循环 +4. 熔断器：max_retries=3，防止无限循环 + +**Patterns to follow:** +- `src/agentkit/memory/query_transformer.py` — 策略模式（LLM/Rule/NoOp） +- `src/agentkit/llm/retry.py` — CircuitBreaker 熔断模式 +- `src/agentkit/core/react.py` — 状态机驱动的循环 + +**Verification:** +- 单元测试：RelevanceScorer 评分准确性、RAGSelfCorrectionLoop 状态转换、熔断器触发 +- 集成测试：低质量检索触发自纠正、高质量检索直接通过、超限降级 + +--- + +#### U2: Contextual Retrieval（上下文增强分块） + +**Goal:** 在嵌入前为每个文档块添加 LLM 生成的上下文前缀，解决分块后上下文丢失问题。 + +**Files:** +- Create: `src/agentkit/memory/contextual_retrieval.py` +- Modify: `src/agentkit/memory/http_rag.py` +- Create: `tests/unit/test_contextual_retrieval.py` + +**Approach:** +1. 实现 `ContextualChunker`： + - 输入：原始文档 + 分块列表 + - 处理：对每个块，调用 LLM（优先用轻量模型）生成简洁上下文语句 + - 输出：增强后的块（上下文前缀 + 原始内容） + - Prompt 模板：`"给定完整文档和文档中的一个特定块，请编写简短的上下文，帮助理解这个块在整体中的位置。仅输出上下文，不要解释。"` +2. 集成到 HttpRAGService： + - `ingest()` 方法可选启用 contextual_chunking + - 使用 EmbeddingCache 缓存上下文生成结果 +3. 成本优化： + - 文档级 Prompt Caching（同一文档的多个块共享文档前缀） + - 批处理（batch_size=8） + +**Patterns to follow:** +- `src/agentkit/memory/embedder.py` — EmbeddingCache 缓存模式 +- `src/agentkit/memory/query_transformer.py` — LLM 调用 + 模板模式 + +**Verification:** +- 单元测试：上下文生成正确性、缓存命中/失效、批处理逻辑 +- 对比测试：有/无 Contextual Retrieval 的检索质量差异 + +--- + +#### U3: EpisodicMemory ORM 集成完成 + +**Goal:** 完成 EpisodicMemory 与 PostgreSQL 的完整 ORM 集成，替换当前的 session_factory=None 状态。 + +**Files:** +- Modify: `src/agentkit/memory/episodic.py` +- Modify: `src/agentkit/server/app.py` +- Create: `src/agentkit/memory/models.py` +- Modify: `tests/unit/test_episodic_memory.py` +- Modify: `tests/unit/test_episodic_vector_search.py` + +**Approach:** +1. 定义 `EpisodeModel` ORM 模型（SQLAlchemy）： + - 字段：id, agent_id, task_type, content, embedding(vector), quality_score, created_at, metadata(JSON) + - pgvector 索引：ivfflat 或 hnsw +2. 修改 EpisodicMemory： + - 注入 session_factory 和 EpisodeModel + - `store()` → INSERT INTO episodes + - `retrieve()` → pgvector 原生搜索（cosine distance） + - 移除客户端 O(N) 全量扫描降级路径 +3. 修改 Server 初始化： + - app.py 中创建真实的 session_factory 和 EpisodeModel + - 数据库表自动创建（alembic 迁移） + +**Patterns to follow:** +- `src/agentkit/evolution/models.py` — ORM 模型定义 +- `src/agentkit/evolution/evolution_store.py` — SQLAlchemy session 使用模式 +- `src/agentkit/server/app.py` — 服务初始化 + +**Verification:** +- 单元测试：ORM CRUD、pgvector 搜索、时间衰减评分 +- 集成测试：Server 启动后 EpisodicMemory 可用 + +--- + +### Phase B (P1) — 多 Agent 协作 + +--- + +#### U4: 多 Agent Orchestrator + +**Goal:** 实现中央编排器，支持 Orchestrator-Worker 模式的多 Agent 协作。 + +**Files:** +- Create: `src/agentkit/core/orchestrator.py` +- Create: `src/agentkit/core/shared_workspace.py` +- Modify: `src/agentkit/core/protocol.py` +- Create: `tests/unit/test_orchestrator.py` +- Create: `tests/unit/test_shared_workspace.py` + +**Approach:** +1. 定义 `AgentRole` 枚举：ORCHESTRATOR, WORKER, REVIEWER +2. 实现 `SharedWorkspace`： + - 基于 Redis 的共享状态存储 + - 操作：write(key, value, agent_id), read(key), subscribe(key), lock(key) + - 支持版本控制和冲突检测 +3. 实现 `Orchestrator`： + - 任务分解：LLM 驱动将复杂任务拆解为子任务 + - Agent 分配：基于 Skill 能力匹配子任务到 Worker Agent + - 执行监控：跟踪子任务状态，处理超时/失败 + - 结果聚合：汇总 Worker 结果，生成最终输出 +4. 扩展 Protocol： + - 新增 `CollaborationMessage`：agent_id, target_agent_id, message_type(request/response/broadcast), payload + - 新增 `SubTask`：task_id, parent_task_id, assigned_agent, status, result + +**Patterns to follow:** +- `src/agentkit/core/base.py` — BaseAgent 生命周期模式 +- `src/agentkit/core/agent_pool.py` — Agent 实例池管理 +- `src/agentkit/core/dispatcher.py` — Redis Queue 任务分发 +- `src/agentkit/skills/pipeline.py` — Pipeline 编排模式 + +**Verification:** +- 单元测试：任务分解、Agent 分配、结果聚合、超时处理 +- 集成测试：2-3 个 Agent 协作完成复杂任务 + +--- + +#### U5: GEO Pipeline 编排 + +**Goal:** 实现 GEO 端到端工作流编排（检测→分析→优化→追踪），作为多 Agent 协作的实际应用。 + +**Files:** +- Create: `src/agentkit/skills/geo_pipeline.py` +- Create: `configs/pipelines/geo_full_pipeline.yaml` +- Modify: `src/agentkit/server/routes/tasks.py` +- Create: `tests/unit/test_geo_pipeline.py` + +**Approach:** +1. 定义 GEO Pipeline YAML 配置： + ```yaml + name: geo_full_pipeline + steps: + - name: detect + skill: citation_detector + input_mapping: {brand: $.input.brand, platforms: $.input.platforms} + - name: analyze_competitor + skill: competitor_analyzer + input_mapping: {brand: $.input.brand, detection_result: $.steps.detect.output} + depends_on: [detect] + - name: analyze_trend + skill: trend_agent + input_mapping: {brand: $.input.brand} + depends_on: [detect] + parallel_with: [analyze_competitor] + - name: optimize + skill: geo_optimizer + input_mapping: {brand: $.input.brand, analysis: $.steps.analyze_competitor.output} + depends_on: [analyze_competitor, analyze_trend] + - name: schema + skill: schema_advisor + input_mapping: {brand: $.input.brand, optimization: $.steps.optimize.output} + depends_on: [optimize] + - name: monitor + skill: monitor + input_mapping: {brand: $.input.brand} + depends_on: [optimize] + ``` +2. 实现 `GEOPipeline`： + - 加载 YAML 配置，构建 DAG + - 拓扑排序确定执行顺序 + - 并行执行无依赖的步骤 + - 步骤间数据通过 SharedWorkspace 传递 +3. 集成到 Server： + - `POST /api/v1/pipelines/execute` 端点 + - 支持 WebSocket 推送 Pipeline 进度 + +**Patterns to follow:** +- `src/agentkit/skills/pipeline.py` — SkillPipeline 编排 +- `src/agentkit/core/config_driven.py` — 配置驱动模式 +- `configs/skills/*.yaml` — YAML 配置格式 + +**Verification:** +- 单元测试：DAG 构建、拓扑排序、并行执行、步骤间数据传递 +- 集成测试：完整 GEO Pipeline 端到端执行 + +--- + +### Phase C (P1) — GEPA 遗传算法进化 + +--- + +#### U6: GEPA 种群与遗传算子 + +**Goal:** 实现 GEPA（Genetic-Pareto Prompt Evolution）核心框架，包括种群管理、交叉/变异算子、Pareto 选择。 + +**Files:** +- Create: `src/agentkit/evolution/genetic.py` +- Modify: `src/agentkit/evolution/lifecycle.py` +- Create: `tests/unit/test_genetic_evolution.py` + +**Approach:** +1. 定义核心数据结构： + - `PromptChromosome`：一个完整的 Prompt 变体（identity + instructions + demos + constraints） + - `GEPAPopulation`：种群管理（初始化、添加、淘汰、获取精英） + - `FitnessScore`：多目标适应度（accuracy, latency, cost） +2. 实现遗传算子： + - `CrossoverOperator`：从两个父代 Prompt 生成子代 + - 指令段交叉：交换 instructions 的子段落 + - Demo 交叉：交换 few-shot 示例 + - 约束交叉：交换约束条件 + - `MutationOperator`：基于 LLM 反思的结构化变异 + - 指令变异：LLM 重写指令段落 + - Demo 变异：替换/重排 few-shot 示例 + - 约束变异：增删约束条件 + - `SelectionStrategy`： + - 锦标赛选择（Tournament Selection） + - 精英保留（Elitism）：保留 top-k 最优个体 +3. Pareto 前沿维护： + - 多目标非支配排序 + - 拥挤度距离计算 + - 保留 Pareto 前沿上的最优解 +4. 集成到 EvolutionMixin： + - 当 `evolution_mode=gepa` 时，使用遗传进化替代逐任务优化 + - 代际进化：每 N 个任务触发一代进化 + +**Patterns to follow:** +- `src/agentkit/evolution/prompt_optimizer.py` — Prompt 优化模式 +- `src/agentkit/evolution/ab_tester.py` — A/B 测试和统计检验 +- `src/agentkit/evolution/llm_reflector.py` — LLM 驱动反思 + +**Verification:** +- 单元测试：CrossoverOperator 交叉正确性、MutationOperator 变异合理性、Pareto 前沿维护、锦标赛选择 +- 集成测试：3-5 代进化后 Prompt 质量提升 + +--- + +#### U7: 多目标适应度与策略空间扩展 + +**Goal:** 实现多目标适应度评估和扩展的策略空间，使进化系统能优化准确率+延迟+成本的综合表现。 + +**Files:** +- Create: `src/agentkit/evolution/fitness.py` +- Modify: `src/agentkit/evolution/strategy_tuner.py` +- Create: `tests/unit/test_fitness.py` + +**Approach:** +1. 实现 `MultiObjectiveFitness`： + - 维度：accuracy（0-1）、latency（ms，越低越好）、cost（token 数，越低越好） + - 归一化：各维度归一化到 [0, 1] + - 加权组合：可配置权重（默认 accuracy=0.6, latency=0.2, cost=0.2） + - Pareto 支配判断：a 支配 b ⟺ a 在所有维度 ≥ b 且至少一个维度 > b +2. 扩展 StrategyTuner： + - 参数空间扩展：temperature, max_iterations, tool_weights, top_k, retrieval_mode + - Bayesian 优化升级：从 1D 升级到多维 Bayesian Optimization（使用高斯过程） + - 约束支持：参数范围约束（如 temperature ∈ [0, 2]） +3. 适应度数据收集： + - 从 TraceRecorder 提取任务执行指标 + - 从 UsageTracker 提取 token 使用量 + - 从 QualityGate 提取质量评分 + +**Patterns to follow:** +- `src/agentkit/evolution/strategy_tuner.py` — 当前 1D 优化模式 +- `src/agentkit/core/trace.py` — 执行轨迹记录 +- `src/agentkit/llm/providers/tracker.py` — Usage 追踪 + +**Verification:** +- 单元测试：多目标归一化、Pareto 支配判断、Bayesian 优化收敛性 +- 集成测试：多目标进化后综合表现提升 + +--- + +### Phase D (P2) — 生态扩展 + +--- + +#### U8: 国内 Provider 实现（文心/豆包/元宝） + +**Goal:** 实现文心、豆包、元宝三个国内 LLM Provider，扩展 AgentKit 的 AI 引擎覆盖。 + +**Files:** +- Create: `src/agentkit/llm/providers/wenxin.py` +- Create: `src/agentkit/llm/providers/doubao.py` +- Create: `src/agentkit/llm/providers/yuanbao.py` +- Modify: `src/agentkit/llm/providers/__init__.py` +- Modify: `src/agentkit/llm/config.py` +- Create: `tests/unit/test_wenxin_provider.py` +- Create: `tests/unit/test_doubao_provider.py` +- Create: `tests/unit/test_yuanbao_provider.py` + +**Approach:** +1. **WenxinProvider**（百度文心）： + - 鉴权：AK/SK → access_token（缓存 29 天） + - API：`https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/{model}` + - 模型映射：ernie-4.5-turbo-128k, ernie-5.0, ernie-x1.1 + - 特有功能：web_search 联网搜索 + - 流式：SSE +2. **DoubaoProvider**（字节豆包）： + - 鉴权：火山引擎 IAM（Bearer token） + - API：`https://ark.cn-beijing.volces.com/api/v3/chat/completions` + - 模型映射：doubao-pro-32k, doubao-lite + - 特有功能：Function Calling + - 流式：SSE +3. **YuanbaoProvider**（腾讯混元）： + - 鉴权：Bearer API Key + - API：`https://api.hunyuan.cloud.tencent.com/v1/chat/completions`（OpenAI 兼容） + - 模型映射：hunyuan-turbos-latest, hunyuan-2.0 + - 特有功能：enable_enhancement 增强模式 + - 流式：SSE +4. 统一注册到 LLMGateway： + - 配置格式：`wenxin/ernie-4.5-turbo-128k`, `doubao/doubao-pro-32k`, `yuanbao/hunyuan-turbos-latest` + - 环境变量：WENXIN_AK/SK, DOUBAO_API_KEY, YUANBAO_API_KEY + +**Patterns to follow:** +- `src/agentkit/llm/providers/openai.py` — OpenAICompatibleProvider 模式 +- `src/agentkit/llm/providers/anthropic.py` — 原生 API Provider 模式 +- `src/agentkit/llm/providers/gemini.py` — 原生 API Provider 模式 + +**Verification:** +- 单元测试：鉴权流程、请求格式、响应解析、流式处理、错误处理 +- 集成测试：通过 Gateway 调用各 Provider（mock 模式） + +--- + +#### U9: Ragas 评估管线 + +**Goal:** 集成 Ragas 评估框架，为 RAG 质量提供可度量的指标体系。 + +**Files:** +- Create: `src/agentkit/evaluation/__init__.py` +- Create: `src/agentkit/evaluation/ragas_evaluator.py` +- Create: `src/agentkit/evaluation/dataset_builder.py` +- Create: `tests/unit/test_ragas_evaluator.py` + +**Approach:** +1. 实现 `RagasEvaluator`： + - 指标：Faithfulness, AnswerRelevancy, ContextPrecision, ContextRecall + - LLM Judge：使用配置的 LLM 作为 Judge + - 评估流程：构建评估数据集 → 调用 Ragas evaluate → 返回指标 DataFrame +2. 实现 `EvalDatasetBuilder`： + - 从 TraceRecorder 提取历史任务数据 + - 转换为 Ragas 格式：user_input, response, retrieved_contexts, reference + - 支持人工标注 reference 的导入 +3. Server 集成： + - `POST /api/v1/evaluation/run`：触发评估 + - `GET /api/v1/evaluation/results`：获取评估结果 +4. 评估触发策略： + - 手动触发：API 调用 + - 定时触发：配置 cron 表达式 + - 进化触发：每 N 代进化后自动评估 + +**Patterns to follow:** +- `src/agentkit/core/trace.py` — 执行轨迹数据 +- `src/agentkit/memory/retriever.py` — 检索结果数据 +- `src/agentkit/server/routes/evolution.py` — API 路由模式 + +**Verification:** +- 单元测试：数据集构建、评估流程、指标计算 +- 集成测试：端到端评估（使用 mock LLM Judge） + +--- + +#### U10: Agent 状态锁优化与配置热加载完善 + +**Goal:** 完善 Phase 4 U12 的 Agent 状态锁和配置热加载，修复已知问题。 + +**Files:** +- Modify: `src/agentkit/core/base.py` +- Modify: `src/agentkit/server/app.py` +- Modify: `src/agentkit/server/config.py` +- Modify: `tests/unit/test_base_agent.py` + +**Approach:** +1. 状态锁优化： + - 当前 asyncio.Lock 在高并发下可能死锁，改用 asyncio.Event + 超时 + - 增加锁状态查询 API（`GET /api/v1/agents/{id}/lock-status`） +2. 配置热加载完善： + - 修复 `_on_config_change` 中 skill 配置变更不生效的问题 + - 增加配置变更审计日志 + - 增加配置回滚机制（保留最近 N 个配置版本） +3. 优雅滚动更新： + - 等待当前任务完成后再应用配置变更 + - 新任务使用新配置，进行中的任务继续使用旧配置 + +**Patterns to follow:** +- `src/agentkit/core/base.py` — Agent 状态管理 +- `src/agentkit/server/config.py` — 配置加载 + +**Verification:** +- 单元测试：锁超时、配置变更生效、配置回滚 +- 集成测试：运行中任务不受配置变更影响 + +--- + +## Dependencies + +``` +U1 (CRAG) ─────────────────────────────────────┐ +U2 (Contextual Retrieval) ──────────────────────┤ +U3 (EpisodicMemory ORM) ───────────────────────┤ + ├──→ U9 (Ragas 评估) +U4 (Orchestrator) ──→ U5 (GEO Pipeline) ───────┤ + │ +U6 (GEPA 种群) ──→ U7 (多目标适应度) ───────────┤ + │ +U8 (国内 Provider) ────────────────────────────┤ + │ +U10 (状态锁优化) ──────────────────────────────┘ +``` + +- U1, U2, U3 互相独立，可并行 +- U4 是 U5 的前置依赖 +- U6 是 U7 的前置依赖 +- U9 依赖 U1（需要 CRAG 的检索结果做评估） +- U8, U10 独立，可随时执行 + +## Test Strategy + +### 新增测试文件 + +| Unit | 测试文件 | 预估用例数 | +|------|----------|-----------| +| U1 | test_rag_loop.py, test_relevance_scorer.py | 25 | +| U2 | test_contextual_retrieval.py | 15 | +| U3 | test_episodic_memory.py (更新), test_episodic_vector_search.py (更新) | 10 | +| U4 | test_orchestrator.py, test_shared_workspace.py | 25 | +| U5 | test_geo_pipeline.py | 15 | +| U6 | test_genetic_evolution.py | 20 | +| U7 | test_fitness.py | 15 | +| U8 | test_wenxin_provider.py, test_doubao_provider.py, test_yuanbao_provider.py | 30 | +| U9 | test_ragas_evaluator.py | 15 | +| U10 | test_base_agent.py (更新) | 10 | + +### 验收标准 + +- 所有测试通过（0 failed） +- 总测试数 ≥ 1500（当前 1353 + 新增 ~180） +- 新增代码测试覆盖率 ≥ 85% + +## Risk Assessment + +| 风险 | 概率 | 影响 | 缓解措施 | +|------|------|------|---------| +| GEPA 进化效果不显著 | 中 | 中 | 保留 Phase 4 的逐任务优化作为 fallback | +| 多 Agent 编排死锁 | 中 | 高 | 超时机制 + 死锁检测 + 优雅降级 | +| 国内 Provider API 变更 | 低 | 低 | 抽象层隔离 + 配置化端点 | +| Ragas 评估成本过高 | 中 | 低 | 使用轻量模型做 Judge + 采样评估 | +| Contextual Retrieval 延迟 | 低 | 中 | Prompt Caching + 批处理 + 异步预处理 |