--- title: "AgentKit v2 架构设计：通用 Agent 平台" type: design status: draft date: 2026-06-05 origin: brainstorm session --- # AgentKit v2 架构设计 ## 1. 定位与目标 AgentKit 是一个**通用 Agent 平台**，以独立服务模式部署，提供： 1. **通用 Agent 框架** — 类似 OpenClaw/Hermes，非 GEO 专属 2. **多 Agent 协同编排** — Pipeline + Handoff + 动态路由 3. **运行时自由增减** — 通过 API 动态创建/删除/更新 Agent 和编排 4. **LLM 统一管理** — API Key 集中管理、用量统计、成本控制 5. **知识库连接** — RAG 检索、向量存储 6. **产出质量管理** — 质量门禁、自动重试 7. **记忆系统** — Working + Episodic + Semantic 三层记忆 8. **能力自我进化** — 反思、优化、A/B 测试 9. **Skill + MCP** — 可插拔技能 + MCP 协议 10. **意图识别** — 三级路由（关键词 → Embedding → LLM） 11. **标准化输出** — Schema 校验 + 格式统一 ### 与现有方案的关系 AgentKit 不是重复造轮子，而是**垂直整合的 Agent 平台**： - 核心运行时自研（轻量、可控，当前 BaseAgent 已有基础） - MCP 协议用标准 SDK（不重复造轮子） - RAG/知识库集成 LlamaIndex 或对接业务现有系统 - LLM Gateway 参考 LiteLLM 设计但自研（更轻量、用量统计更灵活） 差异化竞争力：**自我进化** + **质量管理** + **标准化输出** — 这三项在 LangChain/CrewAI/Dify 中均无完整实现。 --- ## 2. 核心架构 ### 2.1 整体架构图 ``` ┌──────────────────────────────────────────────────────────────┐ │ AgentKit Server (FastAPI) │ │ │ │ ┌────────────────────────────────────────────────────────┐ │ │ │ API Gateway │ │ │ │ /api/v1/agents /api/v1/tasks /api/v1/skills │ │ │ │ /api/v1/pipelines /api/v1/llm /api/v1/mcp │ │ │ └────────────────────────────────────────────────────────┘ │ │ │ │ ┌──────────────┐ ┌──────────────┐ ┌───────────────────┐ │ │ │ Agent Runtime │ │ Orchestrator │ │ LLM Gateway │ │ │ │ │ │ │ │ │ │ │ │ AgentFactory │ │ PipelineEngine│ │ Provider Registry │ │ │ │ AgentPool │ │ HandoffMgr │ │ Model Router │ │ │ │ Lifecycle │ │ DynamicRoute │ │ Usage Tracker │ │ │ │ ReAct Engine │ │ │ │ Rate Limiter │ │ │ └──────────────┘ └──────────────┘ │ Budget Controller │ │ │ └───────────────────┘ │ │ ┌──────────────┐ ┌──────────────┐ ┌───────────────────┐ │ │ │ Skill System │ │ Memory │ │ Evolution │ │ │ │ │ │ │ │ │ │ │ │ SkillRegistry│ │ Working(Redis)│ │ Reflector │ │ │ │ SkillLoader │ │ Episodic(PG) │ │ PromptOptimizer │ │ │ │ MCP Bridge │ │ Semantic(RAG)│ │ ABTester │ │ │ └──────────────┘ │ Retriever │ │ QualityGate │ │ │ └──────────────┘ └───────────────────┘ │ │ ┌──────────────┐ ┌──────────────┐ ┌───────────────────┐ │ │ │Intent Router │ │Output Std │ │ Knowledge Base │ │ │ │ │ │ │ │ │ │ │ │ 关键词匹配 │ │ Schema 校验 │ │ RAG 检索 │ │ │ │ Embedding │ │ 格式标准化 │ │ 向量存储 │ │ │ │ LLM 分类 │ │ 质量评估 │ │ 文档管理 │ │ │ └──────────────┘ └──────────────┘ └───────────────────┘ │ │ │ │ ┌────────────────────────────────────────────────────────┐ │ │ │ Configuration Store (YAML/DB) │ │ │ │ Agent 配置 | Skill 配置 | Pipeline 配置 | LLM 配置 │ │ │ └────────────────────────────────────────────────────────┘ │ └──────────────────────────────────────────────────────────────┘ │ │ │ │ ┌────┴────┐ ┌─────┴─────┐ ┌────┴────┐ ┌────┴────┐ │ Redis │ │ PostgreSQL │ │ LLM │ │ MCP │ │ +PubSub│ │ +pgvector │ │ APIs │ │ Servers │ └─────────┘ └───────────┘ └─────────┘ └─────────┘ ``` ### 2.2 请求处理流程 ``` POST /api/v1/tasks │ ▼ API Gateway → 认证/限流 │ ▼ Intent Router → 识别意图，匹配 Skill │ ▼ Agent Runtime → 获取/创建 Agent 实例 │ ▼ ReAct Engine → Think → Act → Observe 循环 │ │ │ │ │ ▼ ▼ ▼ │ LLM Gateway Tool 观察结果 │ │ │ ▼ │ MCP/Skill/Function │ ▼ Quality Gate → 质量检查 │ ├── 不合格 → 反馈给 ReAct 循环重试 │ ▼ Output Standardizer → Schema 校验 + 格式标准化 │ ▼ 返回标准化结果 + 记录到 Memory + 记录到 Usage Tracker ``` --- ## 3. 核心组件设计 ### 3.1 ReAct Engine（推理-行动循环） 这是 AgentKit v2 最关键的改造，让 Agent 从"LLM 调用封装"变为"真正的智能体"。 #### 执行循环 ```python class ReActEngine: """ReAct 推理-行动循环引擎""" async def execute( self, task: TaskMessage, skill: Skill, llm_gateway: LLMGateway, tools: list[Tool], memory: Memory | None = None, max_steps: int = 10, ) -> ReActResult: # 1. 构建初始消息（Skill Prompt + 任务输入） messages = self._build_initial_messages(task, skill, tools) trajectory: list[ReActStep] = [] for step in range(max_steps): # Think: LLM 推理下一步 response = await llm_gateway.chat( messages=messages, agent_name=task.agent_name, task_type=task.task_type, tools=self._build_tool_schemas(tools), # Function Calling tool_choice="auto", ) if response.has_tool_calls: # Act + Observe: 执行 Tool 并反馈结果 for tool_call in response.tool_calls: tool = self._find_tool(tool_call.name, tools) result = await tool.safe_execute(**tool_call.arguments) messages.append(tool_result_message(tool_call.id, result)) trajectory.append(ReActStep( step=step, action="tool_call", tool_name=tool_call.name, arguments=tool_call.arguments, result=result, )) else: # LLM 认为任务完成 trajectory.append(ReActStep( step=step, action="final_answer", content=response.content, )) break # 存储轨迹到记忆 if memory: await memory.store_trajectory(task, trajectory) return ReActResult( output=self._parse_output(response.content), trajectory=trajectory, total_steps=len(trajectory), total_tokens=sum(s.tokens for s in trajectory), ) ``` #### 停止条件 | 条件 | 说明 | |------|------| | LLM 不再调用 Tool | LLM 认为任务完成，直接输出最终答案 | | 达到 max_steps | 防止无限循环，返回当前最佳结果 | | Quality Gate 通过 | 输出满足质量要求，提前终止 | | 异常/超时 | LLM 调用失败或超时，返回已有结果 | #### 与当前代码的映射 | 当前 | v2 | 变化 | |------|-----|------| | `ConfigDrivenAgent._handle_llm_generate()` | `ReActEngine.execute()` | 单次 LLM 调用 → 循环推理 | | `ConfigDrivenAgent._handle_tool_call()` | ReAct 循环中的 Tool 调用 | 硬编码调用 → LLM 自主选择 | | `ConfigDrivenAgent._handle_custom()` | 保留为 ReAct 的"外部 Tool" | custom_handler 变为 Tool | | `DynamicSelector` | ReAct + Function Calling | 关键词/LLM 选择 → LLM 自主决策 | --- ### 3.2 Intent Router（意图路由器） #### 三级路由策略 ```python class IntentRouter: """三级意图路由：关键词 → Embedding → LLM""" def __init__(self, llm_gateway: LLMGateway, embedding_service=None): self._keyword_rules: dict[str, KeywordRule] = {} self._skill_embeddings: dict[str, list[float]] = {} self._llm_gateway = llm_gateway async def route( self, input_data: dict, skills: list[Skill], ) -> RoutingResult: # Level 1: 关键词匹配（零成本，~0ms） skill = self._match_keywords(input_data, skills) if skill: return RoutingResult(skill=skill, method="keyword", confidence=1.0) # Level 2: Embedding 相似度（极低成本，~50ms） if self._skill_embeddings: result = self._match_embedding(input_data, skills) if result and result.confidence > 0.8: return result # Level 3: LLM 分类（兜底，~200 tokens，~500ms） return await self._classify_with_llm(input_data, skills) ``` #### 成本分析 | 路由级别 | 延迟 | Token 消耗 | 成本/次 | 命中率预期 | |---------|------|-----------|---------|-----------| | 关键词匹配 | ~0ms | 0 | $0 | 60-70% | | Embedding | ~50ms | ~100 tokens | ~$0.00001 | 20-25% | | LLM 分类 | ~500ms | ~200 tokens | ~$0.00003 | 5-10% | **关键设计**：意图识别只在 Router 层做一次，不是每个 Skill 各自做。8 个 Skill 不需要 8 次意图识别。 #### Skill 的意图配置 ```yaml intent: keywords: ["生成内容", "写文章", "选题", "generate", "content"] description: "用户需要生成SEO/GEO优化内容、推荐选题或撰写文章" examples: - "帮我写一篇关于AI的文章" - "推荐一些选题" - "生成品牌内容" ``` - `keywords`：用于 Level 1 关键词匹配 - `description` + `examples`：用于 Level 3 LLM 分类的 Prompt 构建 - Embedding 自动从 `description` + `examples` 计算，无需手动配置 --- ### 3.3 LLM Gateway（LLM 统一网关） #### 架构 ```python class LLMGateway: """LLM 统一网关：调用、路由、计量、限流""" def __init__(self, config: LLMConfig): self._providers: dict[str, LLMProvider] = {} self._usage_tracker = UsageTracker() self._rate_limiter = RateLimiter() self._budget_controller = BudgetController() async def chat( self, messages: list[dict], model: str, # 模型别名或具体模型名 agent_name: str = "", # 用于用量追踪 task_type: str = "", # 用于模型路由 tools: list[dict] | None = None, # Function Calling schemas tool_choice: str = "auto", **kwargs, ) -> LLMResponse: # 1. 模型路由：别名 → 实际模型 + Provider provider, actual_model = self._resolve_model(model, task_type) # 2. 预算检查 await self._budget_controller.check(agent_name) # 3. 限流 await self._rate_limiter.acquire(agent_name, actual_model) # 4. 调用 LLM try: response = await provider.chat( messages=messages, model=actual_model, tools=tools, tool_choice=tool_choice, **kwargs, ) except LLMError as e: # 5. 降级策略 fallback = self._get_fallback_model(model) if fallback: response = await fallback.provider.chat(...) else: raise # 6. 记录用量 await self._usage_tracker.record( agent_name=agent_name, task_type=task_type, model=actual_model, usage=response.usage, cost=self._calculate_cost(actual_model, response.usage), latency_ms=response.latency_ms, ) return response ``` #### Provider 配置 ```yaml # llm_config.yaml providers: openai: api_key: "${OPENAI_API_KEY}" # 环境变量引用 base_url: "https://api.openai.com/v1" models: gpt-4o: { max_tokens: 128000, cost_per_1k_input: 0.0025, cost_per_1k_output: 0.01 } gpt-4o-mini: { max_tokens: 128000, cost_per_1k_input: 0.00015, cost_per_1k_output: 0.0006 } deepseek: api_key: "${DEEPSEEK_API_KEY}" base_url: "https://api.deepseek.com/v1" models: deepseek-chat: { max_tokens: 64000, cost_per_1k_input: 0.00014, cost_per_1k_output: 0.00028 } deepseek-reasoner: { max_tokens: 64000, cost_per_1k_input: 0.00055, cost_per_1k_output: 0.00219 } anthropic: api_key: "${ANTHROPIC_API_KEY}" base_url: "https://api.anthropic.com/v1" models: claude-sonnet-4-20250514: { max_tokens: 200000, cost_per_1k_input: 0.003, cost_per_1k_output: 0.015 } # 模型别名（Skill 配置中使用别名，Gateway 解析为实际模型） model_aliases: default: "deepseek-chat" fast: "gpt-4o-mini" powerful: "claude-sonnet-4-20250514" reasoning: "deepseek-reasoner" # 降级策略 fallbacks: deepseek-chat: ["gpt-4o-mini", "gpt-4o"] claude-sonnet-4-20250514: ["gpt-4o", "deepseek-chat"] # 预算控制 budgets: default: daily_limit: 50.0 # USD monthly_limit: 1000.0 # USD content_generator: daily_limit: 20.0 monthly_limit: 500.0 ``` #### 用量统计 API ``` GET /api/v1/llm/usage?agent_name=content_gen&time_range=today Response: { "agent_name": "content_gen", "time_range": "today", "total_tokens": 1250000, "total_cost": 0.35, "by_model": { "deepseek-chat": { "tokens": 1000000, "cost": 0.28, "calls": 45 }, "gpt-4o-mini": { "tokens": 250000, "cost": 0.07, "calls": 12 } }, "budget": { "daily_limit": 20.0, "daily_used": 0.35, "monthly_limit": 500.0, "monthly_used": 8.50 } } ``` --- ### 3.4 Skill System（技能系统） #### Skill vs Tool | | Tool | Skill | |---|---|---| | 粒度 | 原子操作 | 业务能力 | | 组成 | 函数 + Schema | Prompt + Tool 组合 + 输出 Schema + 质量门禁 | | 路由 | 代码硬编码 | Intent Router 动态选择 | | 示例 | `retrieve_knowledge` | `content_generation` | #### Skill YAML 完整规范 ```yaml # ── 基本信息 ────────────────────────── name: content_generation # 必填，唯一标识 version: "1.0.0" # 必填 description: "AI内容生成：支持选题推荐和文章生成" # 必填 # ── 意图识别 ────────────────────────── intent: keywords: ["生成内容", "写文章", "选题", "generate", "content"] description: "用户需要生成SEO/GEO优化内容、推荐选题或撰写文章" examples: - "帮我写一篇关于AI的文章" - "推荐一些选题" # ── 执行配置 ────────────────────────── execution_mode: react # react | direct | custom max_steps: 5 # ReAct 循环最大步数 # ── Prompt ────────────────────────── prompt: identity: "你是一个专业的内容生成助手" context: "品牌需要通过优质内容提升在AI搜索引擎中的可见性" instructions: | 根据用户提供的关键词和品牌信息，生成符合要求的内容。 如果需要知识库信息，先调用 retrieve_knowledge 工具。 constraints: - 内容必须原创 - 关键词密度适中 output_format: "JSON: {topics: [{title, reason, keywords}]} 或 {content, word_count}" # ── 工具绑定 ────────────────────────── tools: - name: retrieve_knowledge required: false # 可选工具 - name: search_web required: false # ── LLM 配置 ────────────────────────── llm: model: "deepseek" # 模型别名，由 LLM Gateway 解析 temperature: 0.7 max_tokens: 4000 # ── 输入输出 Schema ────────────────────────── input_schema: type: object required: [target_keyword] properties: target_keyword: { type: string, description: "目标关键词" } brand_name: { type: string, description: "品牌名称" } output_schema: type: object required: [content] properties: content: { type: string } word_count: { type: integer } # ── 质量门禁 ────────────────────────── quality_gate: required_fields: ["content"] min_word_count: 500 max_retries: 1 # 质量不合格时重试次数 custom_validator: null # 可选：dotted path 到校验函数 # ── 记忆配置 ────────────────────────── memory: working: { enabled: true } episodic: { enabled: true, track_success: true } semantic: { enabled: true, knowledge_base_ids_field: "knowledge_base_ids" } ``` #### Skill 注册与发现 ```python class SkillRegistry: """Skill 注册中心""" async def register(self, skill_config: SkillConfig) -> Skill: """注册 Skill（从 YAML 或 Dict）""" async def unregister(self, name: str) -> None: """注销 Skill""" async def list_skills(self) -> list[SkillInfo]: """列出所有已注册 Skill""" async def get_skill(self, name: str) -> Skill: """获取 Skill""" async def update_skill(self, name: str, config: SkillConfig) -> Skill: """热更新 Skill 配置""" ``` --- ### 3.5 Quality Gate + Output Standardizer #### Quality Gate ```python class QualityGate: """产出质量管理""" async def validate( self, output: dict, skill: Skill, ) -> QualityResult: checks = [] # 1. 必填字段检查 for field in skill.quality_gate.required_fields: present = field in output and output[field] is not None checks.append(QualityCheck( name=f"required_field:{field}", passed=present, message=f"Field '{field}' is missing" if not present else None, )) # 2. 数值范围检查 if skill.quality_gate.min_word_count: word_count = len(output.get("content", "").split()) checks.append(QualityCheck( name="min_word_count", passed=word_count >= skill.quality_gate.min_word_count, message=f"Word count {word_count} < minimum {skill.quality_gate.min_word_count}", )) # 3. Schema 校验 if skill.output_schema: try: jsonschema.validate(output, skill.output_schema) checks.append(QualityCheck(name="schema", passed=True)) except jsonschema.ValidationError as e: checks.append(QualityCheck(name="schema", passed=False, message=str(e))) # 4. 自定义校验（可选） if skill.quality_gate.custom_validator: validator = import_handler(skill.quality_gate.custom_validator) result = await validator(output) checks.append(QualityCheck(name="custom", passed=result)) return QualityResult( passed=all(c.passed for c in checks), checks=checks, can_retry=skill.quality_gate.max_retries > 0, ) ``` #### Output Standardizer ```python class OutputStandardizer: """标准化输出""" async def standardize( self, raw_output: dict, skill: Skill, ) -> StandardOutput: # 1. Schema 校验 validated = self._validate_schema(raw_output, skill.output_schema) # 2. 字段标准化（确保类型一致） normalized = self._normalize_types(validated, skill.output_schema) # 3. 添加元数据 return StandardOutput( skill_name=skill.name, data=normalized, metadata=OutputMetadata( version=skill.version, produced_at=datetime.now(timezone.utc), quality_score=self._calculate_quality_score(normalized, skill), ), ) ``` --- ### 3.6 服务化改造 #### API 设计 ``` # ── Agent 管理 ────────────────────────── POST /api/v1/agents # 创建 Agent 实例 GET /api/v1/agents # 列出所有 Agent GET /api/v1/agents/{name} # 获取 Agent 详情 DELETE /api/v1/agents/{name} # 删除 Agent PUT /api/v1/agents/{name}/config # 更新 Agent 配置（热更新） # ── 任务执行 ────────────────────────── POST /api/v1/tasks # 提交任务（Router 自动路由） GET /api/v1/tasks/{id} # 查询任务状态 POST /api/v1/tasks/{id}/cancel # 取消任务 # ── Skill 管理 ────────────────────────── POST /api/v1/skills # 注册 Skill GET /api/v1/skills # 列出所有 Skill GET /api/v1/skills/{name} # 获取 Skill 详情 DELETE /api/v1/skills/{name} # 注销 Skill PUT /api/v1/skills/{name} # 更新 Skill 配置 # ── Pipeline 编排 ────────────────────────── POST /api/v1/pipelines # 创建 Pipeline GET /api/v1/pipelines # 列出所有 Pipeline POST /api/v1/pipelines/{id}/execute # 执行 Pipeline PUT /api/v1/pipelines/{id} # 更新 Pipeline（运行时变更编排） # ── LLM 管理 ────────────────────────── GET /api/v1/llm/providers # 列出 LLM 提供商 GET /api/v1/llm/usage # 查询用量统计 GET /api/v1/llm/usage/{agent_name} # 按 Agent 查询用量 POST /api/v1/llm/budgets # 设置预算 # ── MCP ────────────────────────── GET /api/v1/mcp/tools # 列出 MCP 工具 POST /api/v1/mcp/tools/{name}/call # 调用 MCP 工具 # ── Health ────────────────────────── GET /api/v1/health # 健康检查 ``` #### AgentPool 生命周期 ```python class AgentPool: """运行时 Agent 实例池""" def __init__(self, llm_gateway, skill_registry, memory_factory): self._agents: dict[str, Agent] = {} self._llm_gateway = llm_gateway self._skill_registry = skill_registry self._memory_factory = memory_factory async def create_agent(self, config: AgentConfig) -> Agent: """创建 Agent 实例""" agent = Agent( config=config, llm_gateway=self._llm_gateway, skills=[self._skill_registry.get(s) for s in config.skills], memory=self._memory_factory.create(config.memory), ) await agent.start() self._agents[config.name] = agent return agent async def remove_agent(self, name: str) -> None: """停止并移除 Agent""" agent = self._agents.pop(name, None) if agent: await agent.stop() async def update_config(self, name: str, config: AgentConfig) -> None: """热更新 Agent 配置（无需重启）""" agent = self._agents[name] await agent.update_config(config) async def get_agent(self, name: str) -> Agent | None: return self._agents.get(name) ``` #### 与 GEO 项目的集成 ``` GEO Backend (Python) │ │ from agentkit_client import AgentKitClient │ client = AgentKitClient(base_url="http://agentkit:8000") │ │ # 提交任务 │ result = await client.submit_task({ │ "input_data": {"target_keyword": "AI", "brand_name": "BrandX"}, │ }) │ │ # 动态调整编排 │ await client.update_pipeline("content_production", new_config) │ ▼ AgentKit Server (独立部署) │ ├── Intent Router → 匹配 Skill ├── ReAct Engine → 执行任务 └── 返回标准化结果 ``` --- ## 4. 与当前代码的映射 ### 4.1 保留的模块（改造升级） | 当前模块 | v2 对应 | 改造内容 | |---------|---------|---------| | `BaseAgent` | `Agent` | 加入 ReAct Engine、LLM Gateway 替换 llm_client | | `ConfigDrivenAgent` | 删除 | 被 `Agent` + `Skill` 组合取代 | | `AgentConfig` | `SkillConfig` | 增加 intent、quality_gate、execution_mode | | `ToolRegistry` | `ToolRegistry` | 保持不变 | | `FunctionTool` | `FunctionTool` | 保持不变 | | `AgentTool` | `AgentTool` | 保持不变 | | `MCPTool` | `MCPTool` | 保持不变 | | `SequentialChain/ParallelFanOut` | `SequentialChain/ParallelFanOut` | 保持不变 | | `DynamicSelector` | 删除 | 被 ReAct + Function Calling 取代 | | `WorkingMemory` | `WorkingMemory` | 保持不变 | | `EpisodicMemory` | `EpisodicMemory` | 实现 pgvector cosine distance | | `SemanticMemory` | `SemanticMemory` | 增强 RAG 集成 | | `MemoryRetriever` | `MemoryRetriever` | 保持不变 | | `Reflector` | `Reflector` | 保持不变 | | `PromptOptimizer` | `PromptOptimizer` | 保持不变 | | `ABTester` | `ABTester` | 保持不变 | | `EvolutionMixin` | `EvolutionMixin` | 保持不变 | | `PipelineEngine` | `PipelineEngine` | 保持不变 | | `HandoffManager` | `HandoffManager` | 保持不变 | | `DynamicPipeline` | `DynamicPipeline` | 保持不变 | | `MCPServer` | `MCPServer` | 增加 SSE 流式响应 | | `MCPClient` | `MCPClient` | 增加自动发现 | | `PromptTemplate` | `PromptTemplate` | 保持不变 | | `PromptSection` | `PromptSection` | 保持不变 | | `TaskDispatcher` | `TaskDispatcher` | 保持不变 | | `AgentRegistry` | `AgentRegistry` | 保持不变 | ### 4.2 新增的模块 | v2 模块 | 职责 | |---------|------| | `ReActEngine` | ReAct 推理-行动循环 | | `IntentRouter` | 三级意图路由（关键词 → Embedding → LLM） | | `LLMGateway` | LLM 统一网关（调用、路由、计量、限流） | | `LLMProvider` | LLM 提供商适配器（OpenAI/DeepSeek/Anthropic） | | `UsageTracker` | 用量统计 | | `BudgetController` | 预算控制 | | `RateLimiter` | 限流 | | `QualityGate` | 产出质量管理 | | `OutputStandardizer` | 标准化输出 | | `SkillRegistry` | Skill 注册中心 | | `SkillLoader` | Skill YAML 加载 | | `AgentPool` | Agent 实例池 | | `AgentKitServer` | FastAPI 服务入口 | | `AgentKitClient` | Python SDK 客户端 | ### 4.3 删除的模块 | 当前模块 | 原因 | |---------|------| | `ConfigDrivenAgent` | 被 `Agent` + `Skill` 组合取代 | | `DynamicSelector` | 被 ReAct + Function Calling 取代 | | `StandaloneRunner` | 被 `AgentKitServer` 取代 | --- ## 5. 实施路线图 ### Phase 1: 核心引擎升级 **目标**：让 Agent 有"思考"能力 1. 实现 `ReActEngine`（含 Function Calling 支持） 2. 实现 `LLMGateway`（统一调用 + 用量统计） 3. 重构 `Agent` 类（集成 ReAct + LLM Gateway） 4. 实现 `SkillConfig` 和 `SkillRegistry` **验证标准**：一个 Agent 实例能通过 ReAct 循环自主选择 Tool 完成任务 ### Phase 2: 意图识别 + 质量管理 **目标**：让 Agent 能自动路由和保证输出质量 1. 实现 `IntentRouter`（三级路由） 2. 实现 `QualityGate` 3. 实现 `OutputStandardizer` 4. 将 GEO 的 8 个 YAML 配置迁移为 Skill 配置 **验证标准**：提交任意任务，Router 自动路由到正确 Skill，输出通过质量检查 ### Phase 3: 服务化 **目标**：让 AgentKit 成为独立部署的服务 1. 实现 `AgentKitServer`（FastAPI） 2. 实现 `AgentPool` 3. 实现 `AgentKitClient`（Python SDK） 4. 实现配置热更新 API **验证标准**：GEO 项目通过 HTTP API 调用 AgentKit，无需 import 内部类 ### Phase 4: 增强与优化 **目标**：生产级质量 1. 实现 `BudgetController` 和 `RateLimiter` 2. 实现 Embedding 路由 3. 实现 MCP SSE 流式响应 4. 实现 MCP Client 自动发现 5. 实现流式输出（SSE） 6. 添加认证/授权 **验证标准**：生产环境可用，有完整的监控和成本控制 --- ## 6. 风险与缓解 | 风险 | 影响 | 缓解 | |------|------|------| | ReAct 循环 token 消耗高 | 成本增加 | max_steps 限制 + 小模型路由 + 关键词预路由 | | Function Calling 不是所有模型都支持 | 兼容性 | 降级到文本解析模式（解析 LLM 输出中的 Tool 调用） | | 服务化增加延迟 | 性能 | 本地缓存 + 异步执行 + 流式输出 | | Skill 配置迁移工作量大 | 进度 | 提供迁移脚本，自动转换 AgentConfig → SkillConfig | | 多 Agent 协同复杂度 | 可靠性 | 保持现有 Pipeline + Handoff 架构，ReAct 只在单 Agent 内 |