1762 lines
65 KiB
Markdown
1762 lines
65 KiB
Markdown
# Fischer AgentKit
|
||
|
||
企业级统一 AI Agent 门户平台 -- 面向企业用户与开发者，将 LLM、Tool、Prompt 组装为可执行的 Skill，通过 ReAct 推理引擎自主完成任务，支持记忆持久化、自进化、Pipeline 编排、专家团队协作和桌面客户端。
|
||
|
||
## 项目简介
|
||
|
||
AgentKit 是企业级统一 AI Agent 门户平台，目标用户覆盖**企业用户**与**开发者**：
|
||
|
||
- **企业用户**：通过 Web GUI / 桌面客户端开箱即用，零代码配置 Skill、专家团队、知识库，直接获得多专家协作、文档生成、桌面操控等能力
|
||
- **开发者**：通过 Python 库 / CLI / HTTP API 深度集成，将 150 行 Agent 代码降为 10-20 行 YAML 配置，框架自动完成 ReAct 推理循环、模型路由降级、产出质量检查和标准化输出
|
||
|
||
AgentKit 将 LLM、Tool、Prompt 标准化为可组合模块，开发者只需编写 YAML 配置即可定义一个完整的 Skill（Prompt + Tool + 质量门禁）；企业用户通过门户界面即可编排专家团队、监控自进化、管理知识库与终端安全。
|
||
|
||
核心定位：
|
||
|
||
- **门户平台** -- 统一入口聚合 Skill、专家团队、知识库、终端、自进化等能力，企业用户开箱即用
|
||
- **配置驱动** -- YAML 定义 Skill，开发者无需写 Agent 子类
|
||
- **生产就绪** -- 内置质量门禁、模型降级、用量统计、级联检测、状态持久化
|
||
- **四种使用** -- Python 库引用、CLI 聊天、Web GUI、桌面客户端
|
||
- **专家团队** -- Expert Team Mode，多专家协作执行复杂任务，前端以多角色对话流呈现
|
||
- **企业架构** -- 客户端-服务端分离，JWT 认证 + 三级 RBAC + LLM 网关代理 + 终端六层安全防护
|
||
- **记忆持久化** -- SOUL/USER/MEMORY/DAILY 四层记忆，写入即生效
|
||
- **自进化** -- 反思驱动 Soul 更新，经验积累与陷阱检测
|
||
- **工具丰富** -- 内置 Shell、搜索、爬虫、记忆、桌面操控等工具，支持 MCP 扩展
|
||
- **Pipeline 编排** -- 多 Agent 协同、Saga 补偿、动态流水线
|
||
- **暗色主题** -- CSS 变量 + Ant Design 暗色算法，支持系统/手动切换
|
||
- **LLM 缓存** -- 语义相似度缓存，减少重复调用，降低成本
|
||
|
||
## 核心特性
|
||
|
||
### 1. ReAct 推理引擎
|
||
|
||
Think -> Act -> Observe 循环。LLM 自主决定是否调用工具、调用哪个工具、何时给出最终答案。支持 Function Calling 和文本解析两种工具调用模式，最大步数可配置。
|
||
|
||
### 2. LLM Gateway
|
||
|
||
统一 LLM 调用入口。Provider 注册、模型别名解析（如 `default` -> `dashscope/qwen3-coder-plus`）、Fallback 降级策略、Token 用量和成本追踪。支持百炼 DashScope、OpenAI、DeepSeek 等 OpenAI 兼容 API。
|
||
|
||
### 3. Skill 系统
|
||
|
||
Skill = SkillConfig + 绑定 Tools。一个 Skill 代表一个可执行技能，包含 Prompt 模板、工具列表、意图配置和质量门禁。通过 YAML 配置即可定义，无需编写代码。
|
||
|
||
### 4. 意图路由
|
||
|
||
请求预处理（`RequestPreprocessor`，详见第 7 节）按前缀分流：`@skill:xxx` 显式选技能、琐碎输入走 `DIRECT_CHAT`、其余走 `REACT`。旧的 3 层 `CostAwareRouter`（含 `RegexRules` / `HeuristicClassifier` / `SemanticRouter` / `Vickrey Auction`）已被 `RequestPreprocessor` 替换；`IntentRouter`（`router/intent.py`）存在但未接入 chat 流程。
|
||
|
||
### 5. 记忆系统
|
||
|
||
四层持久化记忆，写入即生效（无需重启）：
|
||
|
||
| 层级 | 文件 | 说明 |
|
||
|------|------|------|
|
||
| 身份 | `SOUL.md` | Agent 身份、性格、做事准则、版本追踪 |
|
||
| 用户 | `USER.md` | 用户基本信息和偏好 |
|
||
| 笔记 | `MEMORY.md` | Agent 主动记录的重要信息 |
|
||
| 日志 | `DAILY/` | 按日期归档的交互摘要 |
|
||
|
||
- **Section-based CRUD**：每个记忆文件按 `## Section` 组织，支持原子读写
|
||
- **容量保护**：`trim_to_budget` 按 section 边界裁剪，保护"版本"和"更新历史"
|
||
- **即时刷新**：MemoryTool 写入后自动触发 `notify_change()`，所有 Agent 的 system_prompt 实时更新
|
||
- **RAG 检索**：向量嵌入 + 多源检索器，支持飞书/Confluence 适配器
|
||
|
||
### 6. 自进化系统
|
||
|
||
反思驱动的 Agent 自我改进：
|
||
|
||
- **Reflector** -- 任务完成后自动反思，生成质量评分和改进建议
|
||
- **Soul Evolution** -- 累积反思触发阈值后自动更新 SOUL.md，版本追踪
|
||
- **经验存储** -- 成功/失败经验持久化，陷阱检测避免重复错误
|
||
- **Prompt 优化** -- 遗传算法 + A/B 测试自动优化 Prompt
|
||
- **路径优化** -- 分析工具调用路径，推荐更优执行策略
|
||
|
||
### 7. 请求预处理（RequestPreprocessor）
|
||
|
||
`RequestPreprocessor`（`chat/request_preprocessor.py`）按前缀分流，零成本路由：
|
||
|
||
| Layer | 触发条件 | 延迟 | Token | 路由结果 |
|
||
|-------|---------|------|-------|---------|
|
||
| 0 | `@skill:xxx` 前缀 | ~0ms | 0 | 显式技能选择（`SKILL_REACT` 或技能配置的模式） |
|
||
| 1 | 琐碎输入正则（问候/身份/事实/数学/翻译） | ~0ms | 0 | `DIRECT_CHAT`（由 `_TOOL_CONTEXT_RE` 守护） |
|
||
| 默认 | 其他输入 | ~0ms | 0 | `REACT`（LLM 在 agent 循环中自主决定工具使用） |
|
||
|
||
`@board` 前缀走 `BoardRouter`（多轮讨论），`@team` 前缀走 `ExpertTeamRouter`（流水线协作），均在 `RequestPreprocessor` 之前分流。
|
||
|
||
路由结果携带 `ExecutionMode` 枚举（`DIRECT_CHAT` / `REACT` / `SKILL_REACT` / `REWOO` / `REFLEXION` / `PLAN_EXEC` / `TEAM_COLLAB`），作为路由层与执行层的架构契约，杜绝硬编码。
|
||
|
||
### 8. LLM 响应缓存
|
||
|
||
语义相似度缓存，减少重复 LLM 调用：
|
||
|
||
- **CacheKey** -- 基于 prompt + model + temperature 生成缓存键
|
||
- **语义匹配** -- 相似 prompt 命中缓存，避免重复调用
|
||
- **TTL 管理** -- 缓存条目自动过期，支持手动失效
|
||
|
||
### 9. 级联检测与状态持久化
|
||
|
||
生产级故障防护：
|
||
|
||
- **CascadeDetector** -- 检测 Agent 输出中的级联失败模式，及时熔断
|
||
- **CascadeStateStore** -- 级联状态持久化，支持 InMemory 和 Redis 后端
|
||
- **session_ttl** -- 可配置的会话 TTL，自动清理过期状态
|
||
- **优雅降级** -- Redis 不可用时自动降级到 InMemory，保持服务可用
|
||
|
||
### 10. 产出质量管理
|
||
|
||
四维质量检查：必填字段、最低字数、JSON Schema 校验、自定义验证器。检查不通过时自动重试（可配置 max_retries），重试时携带质量反馈信息。
|
||
|
||
### 11. 标准化输出
|
||
|
||
Schema 验证 + 字段类型归一化（str -> int/float/bool）+ 元数据附加（version、produced_at、quality_score）。所有 Skill 产出统一为 StandardOutput 格式。
|
||
|
||
### 12. 内置工具集
|
||
|
||
开箱即用的工具插件，覆盖常见 Agent 需求：
|
||
|
||
| 工具 | 说明 |
|
||
|------|------|
|
||
| `ShellTool` | 执行 Shell 命令，白名单安全机制 + 用户确认 |
|
||
| `WebSearchTool` | DuckDuckGo / Bing 网页搜索 |
|
||
| `BaiduSearchTool` | 百度搜索 |
|
||
| `WebCrawlTool` | 网页抓取与内容提取 |
|
||
| `MemoryTool` | 短期/长期记忆管理 |
|
||
| `AskHumanTool` | 向用户提问获取信息 |
|
||
| `SchemaExtractTool` | 从文本提取结构化数据 |
|
||
| `SchemaGenerateTool` | 生成 JSON Schema |
|
||
| `MCPTool` | MCP 协议工具扩展 |
|
||
| `ComputerUseTool` | 桌面操控（截图、点击、输入），支持云端和本地(pyautogui)模式 |
|
||
| `DocumentTool` | 文档处理：创建 Word/Excel/PDF，填充 Word 模板，读取多格式文档（U1-U9） |
|
||
|
||
工具组合：`SequentialChain`（顺序链）、`ParallelFanOut`（并行扇出）、`DynamicSelector`（动态选择）。
|
||
|
||
### 13. Pipeline 编排
|
||
|
||
多 Agent 协同编排，支持复杂工作流：
|
||
|
||
- **PipelineEngine** -- 阶段式流水线执行，支持自适应配置
|
||
- **SagaOrchestrator** -- 分布式事务补偿，失败自动回滚
|
||
- **DynamicPipeline** -- 运行时动态调整流水线结构
|
||
- **PipelineReflector** -- 执行反思与重规划
|
||
- **HandoffManager** -- Agent 间任务移交
|
||
|
||
### 14. Expert Team Mode
|
||
|
||
多专家协作执行复杂任务，B+C 混合模式（结构化协作计划 + 去中心化执行），前端以多角色对话流呈现：
|
||
|
||
**核心组件**：
|
||
|
||
| 组件 | 说明 |
|
||
|------|------|
|
||
| `ExpertConfig` | 专家配置，扩展自 AgentConfig，新增 `is_lead`、`expert_color`、`capabilities` |
|
||
| `ExpertTemplate` | 可复用的专家模板，通过 `ExpertTemplateRegistry` 管理 |
|
||
| `Expert` | 专家实例，包装 ConfigDrivenAgent，支持 `send_message`、`request_assist`、`handoff` |
|
||
| `ExpertTeam` | 团队容器，管理专家生命周期、共享工作区、协作计划 |
|
||
| `TeamOrchestrator` | 计划执行引擎，支持串行/并行/竞争并行 + 结果合并 |
|
||
| `CollaborationPlan` | 协作计划，定义阶段依赖、并行类型、合并策略 |
|
||
| `ExpertTeamRouter` | 专家团队路由，`@team` 前缀触发，名称校验防注入 |
|
||
| `HandoffTransport` | 专家间通信抽象，InProcess（asyncio.Queue）+ Redis Pub/Sub |
|
||
| `SharedWorkspace` | 跨专家共享上下文，支持读写键值对 |
|
||
|
||
**协作生命周期**：
|
||
|
||
```
|
||
FORMING -> PLANNING -> EXECUTING -> SYNTHESIZING -> COMPLETED
|
||
|
|
||
失败时回退到单 Agent 模式
|
||
```
|
||
|
||
**协作计划阶段类型**：
|
||
|
||
| 类型 | 说明 | 合并策略 |
|
||
|------|------|---------|
|
||
| 串行 | 按依赖顺序执行 | 最后阶段结果为最终结果 |
|
||
| 并行并行 | 多专家同时执行 | SEQUENTIAL / BEST / MERGE |
|
||
| 竞争并行 | 多专家竞争，选最优 | BEST（自动评分选择） |
|
||
|
||
**前端对话 UI**：
|
||
|
||
- `ExpertTeamView`：专家头像列表 + 计划阶段进度条
|
||
- `ExpertMessage`：按专家角色渲染消息（头像、颜色、类型标签）
|
||
- `PlanVisualization`：协作计划时间线可视化
|
||
- WebSocket 事件：`team_formed`、`expert_step`、`expert_result`、`plan_update`、`team_synthesis`、`team_dissolved`
|
||
|
||
**使用方式**：
|
||
|
||
```python
|
||
from agentkit.experts import ExpertConfig, ExpertTeam, ExpertTeamRouter
|
||
|
||
# 定义专家
|
||
researcher = ExpertConfig(name="researcher", is_lead=True, expert_color="#1890ff", ...)
|
||
writer = ExpertConfig(name="writer", expert_color="#52c41a", ...)
|
||
reviewer = ExpertConfig(name="reviewer", expert_color="#faad14", ...)
|
||
|
||
# 组建团队
|
||
team = ExpertTeam()
|
||
await team.form([researcher, writer, reviewer])
|
||
|
||
# 执行协作计划
|
||
from agentkit.experts import CollaborationPlan, PlanPhase, ParallelType
|
||
plan = CollaborationPlan(
|
||
id="plan-1", task="撰写深度分析报告", lead_expert="researcher",
|
||
phases=[
|
||
PlanPhase(id="p1", name="调研", assigned_expert="researcher", ...),
|
||
PlanPhase(id="p2", name="撰写", assigned_expert="writer", depends_on=["p1"], ...),
|
||
PlanPhase(id="p3", name="审校", assigned_expert="reviewer", depends_on=["p2"], ...),
|
||
],
|
||
)
|
||
team.update_plan(plan)
|
||
result = await orchestrator.execute_plan(plan)
|
||
```
|
||
|
||
用户也可在聊天中通过 `@team:researcher,writer,reviewer 任务描述` 前缀触发团队模式。
|
||
|
||
### 15. 企业级客户端-服务端架构
|
||
|
||
将 AgentKit 从纯本地运行架构演进为企业级客户端+服务端架构。客户端（Tauri 桌面端）作为 AI 工作台本地执行 Agent/终端/文件操作，服务端作为企业平台提供 LLM 网关（统一 Key 管理）、用户权限、审计日志、知识库共享能力。
|
||
|
||
**核心能力**：
|
||
|
||
| 能力 | 说明 |
|
||
|------|------|
|
||
| JWT 认证 | Access Token (15min) + Refresh Token (7d)，HS256 签名 |
|
||
| API Key 认证 | 服务间调用，常量时间比较（`hmac.compare_digest`） |
|
||
| 三级 RBAC | member / operator / admin + 独立权限位 |
|
||
| LLM 网关代理 | 客户端通过服务端间接调用 LLM，不在本地存储 API Key |
|
||
| 双模式终端 | 本地终端（客户端 sidecar PTY）+ 服务端终端（服务端 PTY + 管理员审批） |
|
||
| 六层终端安全 | 黑名单 → 内置安全 → 全局白名单 → 用户白名单 → 会话白名单 → 危险检测 |
|
||
| 终端审计日志 | 所有命令（执行/审批/拒绝/阻止）均记录，支持按用户/会话/模式过滤 |
|
||
| 配置同步 | 启动全量拉取 + 5 分钟轮询版本号 + 手动刷新 |
|
||
| Shell 操作符防护 | `&&`、`;`、`|`、`$()` 等操作符始终触发危险检测，绕过白名单前缀匹配 |
|
||
|
||
**权限矩阵**：
|
||
|
||
| 权限 | member | operator | admin |
|
||
|------|--------|----------|-------|
|
||
| CHAT | ✓ | ✓ | ✓ |
|
||
| KB_QUERY | ✓ | ✓ | ✓ |
|
||
| KB_WRITE | | ✓ | ✓ |
|
||
| WORKFLOW_EXECUTE | ✓ | ✓ | ✓ |
|
||
| TERMINAL_LOCAL_USE | | ✓ | ✓ |
|
||
| TERMINAL_SERVER_USE | | | ✓ |
|
||
| TERMINAL_WHITELIST_MANAGE | | ✓ | ✓ |
|
||
| USER_MANAGE | | | ✓ |
|
||
| SYSTEM_CONFIG | | | ✓ |
|
||
|
||
**认证流程**：
|
||
|
||
```
|
||
客户端登录 → /api/v1/auth/login (username + password)
|
||
← { access_token, refresh_token, user }
|
||
|
||
Token 过期 → RemoteLLMProvider 收到 401
|
||
→ 调用 refresh_callback → /api/v1/auth/refresh
|
||
← 新 access_token (refresh_token 不轮换)
|
||
→ 重试原始请求
|
||
```
|
||
|
||
**终端安全决策流**：
|
||
|
||
```
|
||
命令输入
|
||
↓
|
||
1. 黑名单检查 → BLOCKED
|
||
↓
|
||
2. Shell 操作符检测 (&&/;/|/$()/`) → 标记为危险
|
||
↓
|
||
3. 内置安全白名单 (ls/cat/git status...) → SAFE
|
||
↓
|
||
4. 全局白名单 (管理员配置) → SAFE
|
||
↓
|
||
5. 用户白名单 (DB 持久化) → SAFE
|
||
↓
|
||
6. 会话白名单 (本次会话临时) → SAFE
|
||
↓
|
||
7. 危险检测 (_is_dangerous) → 需确认/审批
|
||
↓
|
||
本地终端: 用户确认 → 加入会话白名单 → 执行
|
||
服务端终端: 管理员审批 (5分钟超时) → 执行
|
||
```
|
||
|
||
**使用方式**：
|
||
|
||
```python
|
||
from agentkit.llm import RemoteLLMProvider
|
||
|
||
# 客户端通过服务端 LLM 网关调用（不在本地存储 API Key）
|
||
provider = RemoteLLMProvider(
|
||
server_url="https://api.example.com",
|
||
auth_token_provider=lambda: get_jwt_token(),
|
||
refresh_callback=refresh_tokens, # 401 时自动刷新
|
||
)
|
||
response = await provider.chat(request)
|
||
```
|
||
|
||
### 16. 文档处理能力
|
||
|
||
Agent 内置文档生成与读取能力，Agent 通过 `DocumentTool` 自主创建 Word/Excel/PDF 文档、填充 Word 模板、读取多格式文档，无需用户手动操作 Office 软件。
|
||
|
||
**核心设计**：Agent 生成 Markdown，Service 负责格式映射。Agent 不直接操作 Office XML，而是输出 Markdown 内容，由 `DocumentService` 调度格式渲染器转换为最终文件。
|
||
|
||
**架构**：
|
||
|
||
```
|
||
Agent (LLM)
|
||
└─ DocumentTool (action=create|read)
|
||
├─ create → DocumentService → Renderer → 文件 + 元数据
|
||
└─ read → DocumentLoader → 提取文本
|
||
```
|
||
|
||
**组件**：
|
||
|
||
| 组件 | 说明 |
|
||
|------|------|
|
||
| `DocumentService` | 统一业务逻辑层，管理文件存储、元数据持久化、渲染器调度 |
|
||
| `WordRenderer` | Markdown → .docx（标题、段落、列表、表格、粗体/斜体） |
|
||
| `ExcelRenderer` | Markdown 表格/JSON → .xlsx（多 sheet、长 sheet 名截断） |
|
||
| `PDFRenderer` | Markdown → .pdf（CJK 字体自动检测、XML 转义） |
|
||
| `TemplateRenderer` | Jinja2 沙箱填充 .docx 模板（SSTI 防护） |
|
||
| `DocumentLoader` | 读取 PDF/Word/Excel/Markdown/HTML/纯文本，统一为 Document 对象 |
|
||
| `DocumentTool` | Agent 工具封装，action=create 创建，action=read 读取 |
|
||
|
||
**REST API**：
|
||
|
||
| 端点 | 方法 | 说明 |
|
||
|------|------|------|
|
||
| `/api/v1/documents/create` | POST | 创建文档（Word/Excel/PDF），支持模板填充 |
|
||
| `/api/v1/documents/upload-template` | POST | 上传 .docx 模板（50MB 限制） |
|
||
| `/api/v1/documents/conversation/{id}` | GET | 列出对话关联的文档 |
|
||
| `/api/v1/documents/download/{doc_id}` | GET | 下载文档 |
|
||
|
||
**安全**：
|
||
|
||
- **路径遍历防护**：文件名 sanitize + `Path.resolve()` + `relative_to()` 双重校验
|
||
- **SSTI 防护**：`jinja2.sandbox.SandboxedEnvironment`，拦截 `__class__`、`__globals__` 等危险属性
|
||
- **API 认证**：X-API-Key header 或 api_key query param，`hmac.compare_digest` 常量时间比较
|
||
- **文件大小限制**：模板上传 50MB 限制
|
||
|
||
**前端集成**：
|
||
|
||
- `DocumentPanel`：右侧可折叠面板，展示当前对话的文档列表
|
||
- `DocumentCard`：文件卡片组件，显示格式图标、文件名、大小、下载按钮
|
||
- `documents` Pinia store：按对话 ID 管理文档列表，WebSocket tool_result 事件自动更新
|
||
|
||
**使用示例**：
|
||
|
||
```python
|
||
from agentkit.tools.document_tool import DocumentTool
|
||
from agentkit.documents.service import DocumentService
|
||
|
||
# 初始化
|
||
service = DocumentService()
|
||
service.register_renderer("word", WordRenderer())
|
||
service.register_renderer("excel", ExcelRenderer())
|
||
service.register_renderer("pdf", PDFRenderer())
|
||
tool = DocumentTool(service=service)
|
||
|
||
# Agent 创建 Word 文档
|
||
result = await tool.execute(
|
||
action="create",
|
||
format="word",
|
||
content="# 季度报告\n\n本季度营收增长 15%...",
|
||
conversation_id="conv-001",
|
||
)
|
||
# → {success: True, document: {id, filename, download_url, ...}}
|
||
|
||
# Agent 读取 PDF 文档
|
||
result = await tool.execute(
|
||
action="read",
|
||
filename="/path/to/report.pdf",
|
||
conversation_id="conv-001",
|
||
)
|
||
# → {success: True, content: "提取的文本...", metadata: {format: "pdf", page_count: 5}}
|
||
```
|
||
|
||
## 架构图
|
||
|
||
```
|
||
┌──────────────────────────────────────────────────────────────┐
|
||
│ 桌面客户端 (Tauri 2.x) │
|
||
│ splash → main窗口 → sidecar进程管理 → 系统托盘 │
|
||
└──────────────────────────┬───────────────────────────────────┘
|
||
│
|
||
┌──────────────────────────┼───────────────────────────────────┐
|
||
│ 前端 (Vue 3 + Ant Design Vue) │
|
||
│ ChatView · ExpertTeamView · ExpertMessage · PlanViz │
|
||
│ EvolutionView · WorkflowView · TerminalView · ComputerUse │
|
||
│ LoginView · SystemMonitorPanel · WhitelistManager │
|
||
└──────────────────────────┼───────────────────────────────────┘
|
||
│ WebSocket / SSE / HTTP (JWT)
|
||
┌──────────────────────────┼───────────────────────────────────┐
|
||
│ 服务端 (FastAPI + Uvicorn) │
|
||
│ ┌─────────────────────────────────────────────────────┐ │
|
||
│ │ 认证层: AuthMiddleware (JWT + API Key 双轨) │ │
|
||
│ │ RBAC: require_permission / require_terminal_auth │ │
|
||
│ └─────────────────────────────────────────────────────┘ │
|
||
│ portal.py · chat.py · evolution.py · workflows.py │
|
||
│ auth.py · terminal_server.py · terminal_whitelist.py │
|
||
│ llm_gateway.py · config_sync.py · system.py · ... │
|
||
│ 28个路由模块 · Agent Pool · Expert Team · Memory Store │
|
||
└──────────────────────────┼───────────────────────────────────┘
|
||
│
|
||
┌──────────────┼──────────────┐
|
||
│ RequestPreprocessor │
|
||
│ @board → BoardRouter │
|
||
│ @team → ExpertTeamRouter │
|
||
│ Layer 0: @skill:xxx 前缀 │
|
||
│ Layer 1: 琐碎输入正则 (0ms) │
|
||
│ 默认: REACT (LLM 自主决策) │
|
||
│ → ExecutionMode 枚举契约 │
|
||
└──────┬───────────────┬───────┘
|
||
│ │
|
||
DIRECT_CHAT │ │ REACT / SKILL_REACT / TEAM_COLLAB
|
||
▼ ▼
|
||
┌─────────────┐ ┌──────────────────┐ ┌──────────────────┐
|
||
│ Direct LLM │ │ ConfigDrivenAgent│ │ Expert Team │
|
||
│ (简单对话) │ │ (ReAct Engine) │ │ (多专家协作) │
|
||
└─────────────┘ └────────┬─────────┘ └────────┬─────────┘
|
||
│ │
|
||
┌────────────────┼────────────────┐ │
|
||
│ │ │ │
|
||
▼ ▼ ▼ ▼
|
||
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
|
||
│ LLM Gateway │ │ Tool Registry│ │ Memory System│
|
||
│ resolve→chat │ │ shell/search │ │ SOUL/USER │
|
||
│ fallback→track│ │ crawl/memory │ │ MEMORY/DAILY │
|
||
└──────┬───────┘ └──────────────┘ └──────────────┘
|
||
│
|
||
┌─────────┼─────────┐
|
||
▼ ▼ ▼
|
||
┌─────────┐ ┌────────┐ ┌──────────┐
|
||
│DashScope│ │ OpenAI │ │ DeepSeek │ ...
|
||
└─────────┘ └────────┘ └──────────┘
|
||
|
||
┌──────────────────────────────────────────────────────────────┐
|
||
│ 终端安全六层防护 │
|
||
│ 黑名单 → Shell操作符检测 → 内置白名单 → 全局白名单 │
|
||
│ → 用户白名单 → 会话白名单 → 危险检测 → 审批/确认 │
|
||
│ 本地终端: 用户确认 | 服务端终端: 管理员审批 (5min超时) │
|
||
└──────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 模块分层
|
||
|
||
| 层级 | 模块 | 说明 |
|
||
|------|------|------|
|
||
| **API** | `server/` `cli/` | 服务端路由 + 命令行入口 |
|
||
| **Service** | `core/` `chat/` `skills/` `experts/` | Agent 引擎、路由、技能系统、专家团队 |
|
||
| **Data** | `memory/` `session/` `bus/` | 记忆持久化、会话管理、消息总线 |
|
||
| **Utility** | `llm/` `tools/` `evolution/` `quality/` `mcp/` | LLM 网关、工具、进化、质量、MCP |
|
||
|
||
## 快速开始
|
||
|
||
### 安装
|
||
|
||
```bash
|
||
pip install fischer-agentkit
|
||
```
|
||
|
||
如需 MCP 支持：
|
||
|
||
```bash
|
||
pip install fischer-agentkit[mcp]
|
||
```
|
||
|
||
开发模式：
|
||
|
||
```bash
|
||
cd fischer-agentkit
|
||
pip install -e ".[dev]"
|
||
```
|
||
|
||
### 前置依赖
|
||
|
||
- Python >= 3.11
|
||
- Redis（可选，分布式模式需要）
|
||
- PostgreSQL + pgvector（可选，语义记忆需要）
|
||
|
||
### CLI 快速开始
|
||
|
||
安装后即可使用 `agentkit` 命令行工具：
|
||
|
||
```bash
|
||
# 查看版本
|
||
agentkit version
|
||
|
||
# 初始化项目（生成配置文件）
|
||
agentkit init
|
||
|
||
# 启动 Web GUI 聊天界面（推荐）
|
||
agentkit gui --port 8002
|
||
|
||
# 启动 CLI 聊天
|
||
agentkit chat
|
||
|
||
# 启动 Server（API 模式）
|
||
agentkit serve --host 0.0.0.0 --port 8001
|
||
|
||
# 健康检查
|
||
agentkit doctor
|
||
|
||
# 提交任务（远程模式）
|
||
agentkit task submit --skill content_generator --input '{"topic": "AI趋势"}' --server-url http://localhost:8001
|
||
|
||
# 异步提交任务
|
||
agentkit task submit --skill content_generator --input '{"topic": "AI趋势"}' --mode async --server-url http://localhost:8001
|
||
|
||
# 查看任务状态
|
||
agentkit task status <task_id> --server-url http://localhost:8001
|
||
|
||
# 列出任务
|
||
agentkit task list --server-url http://localhost:8001
|
||
|
||
# 取消任务
|
||
agentkit task cancel <task_id> --server-url http://localhost:8001
|
||
|
||
# 列出已注册 Skill
|
||
agentkit skill list --server-url http://localhost:8001
|
||
|
||
# 加载 Skill 配置
|
||
agentkit skill load ./my_skill.yaml
|
||
|
||
# 查看 Skill 详情
|
||
agentkit skill info content_generator --server-url http://localhost:8001
|
||
|
||
# 查看 LLM 用量
|
||
agentkit usage --server-url http://localhost:8001
|
||
|
||
# 配对业务系统（生成 API Key 给业务系统使用）
|
||
agentkit pair --name geo-backend
|
||
# 输出: API Key + 连接指令
|
||
|
||
# 查看已配对的客户端
|
||
agentkit pair --list
|
||
|
||
# 撤销配对
|
||
agentkit pair --revoke geo-backend
|
||
|
||
# 也可以用 python -m 方式运行
|
||
python -m agentkit version
|
||
```
|
||
|
||
### 业务系统配对
|
||
|
||
业务系统（如 GEO）通过 `agentkit pair` 完成配对后，即可独立调用 AgentKit：
|
||
|
||
```bash
|
||
# 1. 在 AgentKit 服务器上执行配对
|
||
agentkit pair --name geo-backend --skills-dir ./configs/skills
|
||
|
||
# 2. 将输出的 API Key 配置到业务系统
|
||
# GEO 的 .env 文件:
|
||
AGENTKIT_SERVER_URL=http://agentkit:8001
|
||
AGENTKIT_API_KEY=ak_live_xxxxxxxxxxxx
|
||
|
||
# 3. 业务系统即可调用 AgentKit API
|
||
# POST http://agentkit:8001/api/v1/tasks
|
||
# Header: X-API-Key: ak_live_xxxxxxxxxxxx
|
||
```
|
||
|
||
**配置优先级**: 客户端自定义配置（pair 时指定）> init 默认配置 > 硬编码默认值
|
||
|
||
### Docker 部署
|
||
|
||
```bash
|
||
# 初始化项目配置
|
||
agentkit init
|
||
|
||
# 编辑 .env 文件，填入 API Key
|
||
cp .env.example .env
|
||
# 编辑 .env ...
|
||
|
||
# 启动完整环境（AgentKit + Redis + PostgreSQL）
|
||
docker-compose up -d
|
||
|
||
# 查看日志
|
||
docker-compose logs -f agentkit
|
||
|
||
# 健康检查
|
||
docker-compose exec agentkit agentkit doctor
|
||
|
||
# 停止
|
||
docker-compose down
|
||
```
|
||
|
||
### 最小示例
|
||
|
||
```python
|
||
import asyncio
|
||
from agentkit import LLMGateway, SkillConfig, Skill, ConfigDrivenAgent
|
||
from agentkit.llm.providers.openai import OpenAIProvider
|
||
|
||
async def main():
|
||
# 1. 初始化 LLM Gateway
|
||
gateway = LLMGateway()
|
||
gateway.register_provider("dashscope", OpenAIProvider(
|
||
api_key="sk-xxx",
|
||
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
|
||
))
|
||
|
||
# 2. 定义 Skill
|
||
config = SkillConfig(
|
||
name="content_generator",
|
||
agent_type="content_generation",
|
||
description="内容生成 Skill",
|
||
task_mode="llm_generate",
|
||
prompt={
|
||
"identity": "你是一个专业的内容生成助手",
|
||
"instructions": "根据用户需求生成高质量内容",
|
||
"output_format": "以 JSON 格式输出",
|
||
},
|
||
llm={"model": "default", "temperature": 0.7},
|
||
execution_mode="react",
|
||
max_steps=5,
|
||
)
|
||
skill = Skill(config=config)
|
||
|
||
# 3. 创建 Agent 并执行任务
|
||
agent = ConfigDrivenAgent(config=config, llm_gateway=gateway)
|
||
await agent.start()
|
||
|
||
from agentkit.core.protocol import TaskMessage
|
||
from datetime import datetime, timezone
|
||
|
||
task = TaskMessage(
|
||
task_id="task-001",
|
||
agent_name="content_generator",
|
||
task_type="content_generation",
|
||
input_data={"topic": "AI 搜索引擎优化趋势"},
|
||
priority=0,
|
||
created_at=datetime.now(timezone.utc),
|
||
)
|
||
|
||
result = await agent.execute(task)
|
||
print(result.output_data)
|
||
|
||
await agent.stop()
|
||
|
||
asyncio.run(main())
|
||
```
|
||
|
||
## 部署方式
|
||
|
||
### Import 模式
|
||
|
||
作为 Python 库直接引用，适合嵌入到现有项目中。
|
||
|
||
```python
|
||
from agentkit import LLMGateway, SkillConfig, Skill, ConfigDrivenAgent
|
||
|
||
gateway = LLMGateway()
|
||
# ... 注册 provider、创建 skill、执行任务
|
||
```
|
||
|
||
### Server 模式
|
||
|
||
FastAPI 独立部署，通过 HTTP API 调用。
|
||
|
||
```python
|
||
# server.py
|
||
import uvicorn
|
||
from agentkit.server.app import create_app
|
||
from agentkit import LLMGateway
|
||
from agentkit.llm.providers.openai import OpenAIProvider
|
||
|
||
gateway = LLMGateway()
|
||
gateway.register_provider("dashscope", OpenAIProvider(
|
||
api_key="sk-xxx",
|
||
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
|
||
))
|
||
|
||
app = create_app(llm_gateway=gateway)
|
||
|
||
if __name__ == "__main__":
|
||
uvicorn.run(app, host="0.0.0.0", port=8001)
|
||
```
|
||
|
||
启动：
|
||
|
||
```bash
|
||
python server.py
|
||
```
|
||
|
||
### Docker 部署
|
||
|
||
```bash
|
||
# 启动完整环境（AgentKit + Redis + PostgreSQL + pgvector）
|
||
docker-compose up -d
|
||
|
||
# 查看日志
|
||
docker-compose logs -f agentkit
|
||
|
||
# 健康检查
|
||
docker-compose exec agentkit agentkit doctor
|
||
|
||
# 停止
|
||
docker-compose down
|
||
```
|
||
|
||
`docker-compose.yaml` 包含三个服务：
|
||
|
||
| 服务 | 镜像 | 端口 | 说明 |
|
||
|------|------|------|------|
|
||
| `agentkit` | 自建 (python:3.11-slim) | 8001 | AgentKit 服务端 |
|
||
| `redis` | redis:7-alpine | 6379 | 消息总线 + 缓存 |
|
||
| `postgres` | pgvector/pgvector:pg15 | 5432 | 语义记忆向量存储 |
|
||
|
||
### 桌面客户端 (Tauri 2.x)
|
||
|
||
跨平台桌面应用，Rust Shell + Vue 3 前端 + Python Sidecar。
|
||
|
||
**前置条件**：Rust 工具链 + Node.js 18+ + Python 3.11+
|
||
|
||
```bash
|
||
# 1. 构建 Python sidecar
|
||
pip install pyinstaller
|
||
pyinstaller --onefile --name agentkit-server src/agentkit/__main__.py
|
||
|
||
# 2. 放置 sidecar（带平台后缀）
|
||
# macOS Apple Silicon:
|
||
cp dist/agentkit-server src-tauri/binaries/agentkit-server-aarch64-apple-darwin
|
||
# macOS Intel:
|
||
cp dist/agentkit-server src-tauri/binaries/agentkit-server-x86_64-apple-darwin
|
||
# Linux:
|
||
cp dist/agentkit-server src-tauri/binaries/agentkit-server-x86_64-unknown-linux-gnu
|
||
# Windows:
|
||
copy dist\agentkit-server.exe src-tauri\binaries\agentkit-server-x86_64-pc-windows-msvc.exe
|
||
|
||
# 3. 构建前端
|
||
cd src/agentkit/server/frontend
|
||
npm install
|
||
npm run build:frontend
|
||
|
||
# 4. 开发模式（热重载）
|
||
npm run tauri dev
|
||
|
||
# 5. 生产构建
|
||
npm run tauri build
|
||
# 产物:
|
||
# macOS: src-tauri/target/release/bundle/dmg/Fischer AgentKit.dmg
|
||
# macOS: src-tauri/target/release/bundle/macos/Fischer AgentKit.app
|
||
# Windows: src-tauri/target/release/bundle/msi/
|
||
# Linux: src-tauri/target/release/bundle/deb/
|
||
```
|
||
|
||
**架构**：
|
||
|
||
```
|
||
Tauri Shell (Rust)
|
||
├── 窗口管理（splash + main）
|
||
├── 系统托盘（显示窗口 / 退出）
|
||
└── Sidecar 进程管理
|
||
└── agentkit-server（PyInstaller 打包的 Python 服务端）
|
||
└── Uvicorn + FastAPI (--port 0 动态分配)
|
||
```
|
||
|
||
Tauri 启动时以 `--port 0` 启动 sidecar，解析 stdout 获取实际端口，前端通过该端口连接后端。
|
||
|
||
## 调用方式
|
||
|
||
### Import 模式示例
|
||
|
||
```python
|
||
import asyncio
|
||
from agentkit import (
|
||
LLMGateway, SkillConfig, Skill, ConfigDrivenAgent,
|
||
IntentRouter, QualityGate, OutputStandardizer,
|
||
)
|
||
from agentkit.llm.providers.openai import OpenAIProvider
|
||
from agentkit.core.protocol import TaskMessage
|
||
from datetime import datetime, timezone
|
||
|
||
async def main():
|
||
# 初始化 Gateway
|
||
gateway = LLMGateway()
|
||
gateway.register_provider("dashscope", OpenAIProvider(
|
||
api_key="sk-xxx", base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
|
||
))
|
||
|
||
# 定义多个 Skill
|
||
content_config = SkillConfig(
|
||
name="content_generator",
|
||
agent_type="content_generation",
|
||
task_mode="llm_generate",
|
||
prompt={
|
||
"identity": "你是内容生成助手",
|
||
"instructions": "生成 SEO 优化内容",
|
||
"output_format": "JSON: {content, word_count}",
|
||
},
|
||
llm={"model": "default"},
|
||
intent={
|
||
"keywords": ["生成", "内容", "写作"],
|
||
"description": "内容生成与写作",
|
||
"examples": ["帮我写一篇文章", "生成 SEO 内容"],
|
||
},
|
||
quality_gate={
|
||
"required_fields": ["content"],
|
||
"min_word_count": 100,
|
||
"max_retries": 2,
|
||
},
|
||
execution_mode="react",
|
||
max_steps=5,
|
||
)
|
||
|
||
optimizer_config = SkillConfig(
|
||
name="geo_optimizer",
|
||
agent_type="geo_optimization",
|
||
task_mode="llm_generate",
|
||
prompt={
|
||
"identity": "你是 GEO 优化专家",
|
||
"instructions": "优化内容以提升 AI 搜索可见性",
|
||
"output_format": "JSON: {optimized_content, seo_score, changes}",
|
||
},
|
||
llm={"model": "default"},
|
||
intent={
|
||
"keywords": ["优化", "GEO", "SEO"],
|
||
"description": "内容 GEO/SEO 优化",
|
||
"examples": ["优化这篇文章", "提升搜索排名"],
|
||
},
|
||
quality_gate={
|
||
"required_fields": ["optimized_content", "seo_score"],
|
||
"max_retries": 1,
|
||
},
|
||
execution_mode="react",
|
||
)
|
||
|
||
# 注册 Skill
|
||
from agentkit import SkillRegistry
|
||
registry = SkillRegistry()
|
||
registry.register(Skill(config=content_config))
|
||
registry.register(Skill(config=optimizer_config))
|
||
|
||
# 使用意图路由
|
||
router = IntentRouter(llm_gateway=gateway)
|
||
routing_result = await router.route(
|
||
input_data={"query": "帮我生成一篇关于 AI 的文章"},
|
||
skills=registry.list_skills(),
|
||
)
|
||
print(f"路由到: {routing_result.matched_skill} (method={routing_result.method}, confidence={routing_result.confidence})")
|
||
|
||
# 创建 Agent 并执行
|
||
matched_skill = registry.get(routing_result.matched_skill)
|
||
agent = ConfigDrivenAgent(config=matched_skill.config, llm_gateway=gateway)
|
||
await agent.start()
|
||
|
||
task = TaskMessage(
|
||
task_id="task-001",
|
||
agent_name=agent.name,
|
||
task_type=agent.agent_type,
|
||
input_data={"query": "帮我生成一篇关于 AI 的文章"},
|
||
priority=0,
|
||
created_at=datetime.now(timezone.utc),
|
||
)
|
||
|
||
result = await agent.execute(task)
|
||
|
||
# 质量检查
|
||
quality_gate = QualityGate()
|
||
quality_result = await quality_gate.validate(result.output_data or {}, matched_skill)
|
||
print(f"质量检查: {'通过' if quality_result.passed else '未通过'}")
|
||
|
||
# 标准化输出
|
||
standardizer = OutputStandardizer()
|
||
standard_output = await standardizer.standardize(
|
||
raw_output=result.output_data or {},
|
||
skill=matched_skill,
|
||
quality_result=quality_result,
|
||
)
|
||
print(f"标准化输出: skill={standard_output.skill_name}, quality_score={standard_output.metadata.quality_score}")
|
||
|
||
await agent.stop()
|
||
|
||
asyncio.run(main())
|
||
```
|
||
|
||
### Server 模式示例
|
||
|
||
#### curl 调用
|
||
|
||
注册 Skill：
|
||
|
||
```bash
|
||
curl -X POST http://localhost:8001/api/v1/skills \
|
||
-H "Content-Type: application/json" \
|
||
-d '{
|
||
"config": {
|
||
"name": "content_generator",
|
||
"agent_type": "content_generation",
|
||
"task_mode": "llm_generate",
|
||
"description": "内容生成 Skill",
|
||
"prompt": {
|
||
"identity": "你是内容生成助手",
|
||
"instructions": "生成高质量内容",
|
||
"output_format": "JSON: {content, word_count}"
|
||
},
|
||
"llm": {"model": "default"},
|
||
"intent": {
|
||
"keywords": ["生成", "内容"],
|
||
"description": "内容生成"
|
||
},
|
||
"quality_gate": {
|
||
"required_fields": ["content"],
|
||
"min_word_count": 100,
|
||
"max_retries": 2
|
||
},
|
||
"execution_mode": "react"
|
||
}
|
||
}'
|
||
```
|
||
|
||
提交任务（指定 Skill）：
|
||
|
||
```bash
|
||
curl -X POST http://localhost:8001/api/v1/tasks \
|
||
-H "Content-Type: application/json" \
|
||
-d '{
|
||
"skill_name": "content_generator",
|
||
"input_data": {"topic": "AI 搜索引擎优化趋势"}
|
||
}'
|
||
```
|
||
|
||
提交任务（意图路由自动匹配）：
|
||
|
||
```bash
|
||
curl -X POST http://localhost:8001/api/v1/tasks \
|
||
-H "Content-Type: application/json" \
|
||
-d '{
|
||
"input_data": {"query": "帮我生成一篇文章"}
|
||
}'
|
||
```
|
||
|
||
创建 Agent：
|
||
|
||
```bash
|
||
curl -X POST http://localhost:8001/api/v1/agents \
|
||
-H "Content-Type: application/json" \
|
||
-d '{"skill_name": "content_generator"}'
|
||
```
|
||
|
||
查询 LLM 用量：
|
||
|
||
```bash
|
||
curl http://localhost:8001/api/v1/llm/usage
|
||
```
|
||
|
||
健康检查：
|
||
|
||
```bash
|
||
curl http://localhost:8001/api/v1/health
|
||
```
|
||
|
||
#### Python SDK 调用
|
||
|
||
```python
|
||
import asyncio
|
||
from agentkit.server.client import AgentKitClient
|
||
|
||
async def main():
|
||
async with AgentKitClient("http://localhost:8001") as client:
|
||
# 注册 Skill
|
||
await client.register_skill({
|
||
"name": "content_generator",
|
||
"agent_type": "content_generation",
|
||
"task_mode": "llm_generate",
|
||
"prompt": {
|
||
"identity": "你是内容生成助手",
|
||
"instructions": "生成高质量内容",
|
||
"output_format": "JSON: {content, word_count}",
|
||
},
|
||
"llm": {"model": "default"},
|
||
"intent": {"keywords": ["生成", "内容"], "description": "内容生成"},
|
||
"quality_gate": {"required_fields": ["content"], "max_retries": 2},
|
||
"execution_mode": "react",
|
||
})
|
||
|
||
# 提交任务
|
||
result = await client.submit_task(
|
||
input_data={"topic": "AI 搜索引擎优化趋势"},
|
||
skill_name="content_generator",
|
||
)
|
||
print(result)
|
||
|
||
# 查询用量
|
||
usage = await client.get_usage()
|
||
print(usage)
|
||
|
||
asyncio.run(main())
|
||
```
|
||
|
||
### Skill 配置 YAML 示例
|
||
|
||
```yaml
|
||
name: content_generator
|
||
agent_type: content_generation
|
||
version: "1.0.0"
|
||
description: "AI 内容生成 Skill：支持选题推荐和文章生成"
|
||
task_mode: llm_generate
|
||
supported_tasks:
|
||
- generate_topics
|
||
- generate_article
|
||
max_concurrency: 2
|
||
|
||
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
|
||
word_count:
|
||
type: integer
|
||
description: 目标字数
|
||
default: 2000
|
||
|
||
output_schema:
|
||
type: object
|
||
properties:
|
||
topics:
|
||
type: array
|
||
description: 选题列表
|
||
content:
|
||
type: string
|
||
description: 生成的文章内容
|
||
word_count:
|
||
type: integer
|
||
|
||
prompt:
|
||
identity: "你是一个专业的内容生成助手，擅长为品牌创作高质量的 SEO/GEO 优化内容"
|
||
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。
|
||
- generate_topics: 生成选题列表
|
||
- generate_article: 生成完整文章
|
||
constraints: |
|
||
- 内容必须原创
|
||
- 关键词密度适中
|
||
- 文章结构清晰
|
||
output_format: "JSON: generate_topics 返回 {topics: [{title, reason, keywords}]}，generate_article 返回 {content, word_count}"
|
||
|
||
llm:
|
||
model: "default"
|
||
temperature: 0.7
|
||
max_tokens: 4000
|
||
|
||
tools:
|
||
- retrieve_knowledge
|
||
|
||
intent:
|
||
keywords:
|
||
- 生成
|
||
- 内容
|
||
- 写作
|
||
- 文章
|
||
description: "内容生成与写作"
|
||
examples:
|
||
- "帮我写一篇文章"
|
||
- "生成 SEO 内容"
|
||
- "推荐选题"
|
||
|
||
quality_gate:
|
||
required_fields:
|
||
- content
|
||
min_word_count: 100
|
||
max_retries: 2
|
||
custom_validator: null
|
||
|
||
execution_mode: react
|
||
max_steps: 5
|
||
```
|
||
|
||
加载 YAML 配置：
|
||
|
||
```python
|
||
from agentkit import SkillConfig, Skill
|
||
|
||
config = SkillConfig.from_yaml("configs/content_generator.yaml")
|
||
skill = Skill(config=config)
|
||
```
|
||
|
||
### LLM 配置 YAML 示例
|
||
|
||
```yaml
|
||
providers:
|
||
dashscope:
|
||
api_key: "${DASHSCOPE_API_KEY}"
|
||
base_url: "https://dashscope.aliyuncs.com/compatible-mode/v1"
|
||
models:
|
||
qwen3-coder-plus:
|
||
max_tokens: 64000
|
||
cost_per_1k_input: 0.00014
|
||
cost_per_1k_output: 0.00028
|
||
openai:
|
||
api_key: "${OPENAI_API_KEY}"
|
||
base_url: "https://api.openai.com/v1"
|
||
models:
|
||
gpt-4o:
|
||
cost_per_1k_input: 0.005
|
||
cost_per_1k_output: 0.015
|
||
|
||
model_aliases:
|
||
default: "dashscope/qwen3-coder-plus"
|
||
fast: "dashscope/qwen3-coder-plus"
|
||
powerful: "openai/gpt-4o"
|
||
|
||
fallbacks:
|
||
dashscope/qwen3-coder-plus:
|
||
- "openai/gpt-4o"
|
||
```
|
||
|
||
加载 LLM 配置：
|
||
|
||
```python
|
||
from agentkit.llm.config import LLMConfig
|
||
from agentkit import LLMGateway
|
||
|
||
llm_config = LLMConfig.from_yaml("configs/llm.yaml")
|
||
gateway = LLMGateway(config=llm_config)
|
||
```
|
||
|
||
### 意图路由使用示例
|
||
|
||
```python
|
||
from agentkit import IntentRouter, SkillRegistry, LLMGateway
|
||
|
||
gateway = LLMGateway()
|
||
# ... 注册 provider
|
||
|
||
registry = SkillRegistry()
|
||
# ... 注册多个 skill
|
||
|
||
router = IntentRouter(llm_gateway=gateway)
|
||
|
||
# 关键词匹配（零成本）
|
||
result = await router.route(
|
||
input_data={"query": "帮我生成一篇文章"},
|
||
skills=registry.list_skills(),
|
||
)
|
||
# result.matched_skill = "content_generator"
|
||
# result.method = "keyword"
|
||
# result.confidence = 1.0
|
||
|
||
# LLM 分类（关键词未命中时自动触发）
|
||
result = await router.route(
|
||
input_data={"query": "我想提升品牌在 AI 搜索中的表现"},
|
||
skills=registry.list_skills(),
|
||
)
|
||
# result.matched_skill = "geo_optimizer"
|
||
# result.method = "llm"
|
||
# result.confidence = 0.85
|
||
```
|
||
|
||
### 质量检查使用示例
|
||
|
||
```python
|
||
from agentkit import QualityGate, Skill, SkillConfig
|
||
|
||
# 定义带质量门禁的 Skill
|
||
config = SkillConfig(
|
||
name="content_generator",
|
||
agent_type="content_generation",
|
||
task_mode="llm_generate",
|
||
prompt={"identity": "内容生成助手", "output_format": "JSON"},
|
||
quality_gate={
|
||
"required_fields": ["content", "word_count"],
|
||
"min_word_count": 200,
|
||
"max_retries": 3,
|
||
"custom_validator": "myapp.validators.content_quality_check",
|
||
},
|
||
)
|
||
skill = Skill(config=config)
|
||
|
||
# 执行质量检查
|
||
gate = QualityGate()
|
||
result = await gate.validate(
|
||
output={"content": "这是一篇短文", "word_count": 5},
|
||
skill=skill,
|
||
)
|
||
|
||
print(result.passed) # False（字数不足）
|
||
print(result.can_retry) # True（max_retries > 0）
|
||
for check in result.checks:
|
||
print(f" {check.name}: {'PASS' if check.passed else 'FAIL'} {check.message or ''}")
|
||
```
|
||
|
||
自定义验证器：
|
||
|
||
```python
|
||
# myapp/validators.py
|
||
async def content_quality_check(output: dict) -> bool:
|
||
"""自定义质量验证器"""
|
||
content = output.get("content", "")
|
||
# 检查内容不含违禁词
|
||
forbidden = ["抄袭", "复制粘贴"]
|
||
return not any(word in content for word in forbidden)
|
||
```
|
||
|
||
## 模块详解
|
||
|
||
### core/react -- ReAct 推理引擎
|
||
|
||
ReActEngine 实现 Think -> Act -> Observe 循环：
|
||
|
||
1. **Think**: 将对话历史和工具 schema 发送给 LLM
|
||
2. **Act**: 如果 LLM 返回 tool_calls，执行对应工具
|
||
3. **Observe**: 将工具结果追加到对话历史，回到 Think
|
||
|
||
支持两种工具调用模式：
|
||
- **Function Calling**: LLM 原生返回 `tool_calls`（推荐）
|
||
- **文本解析**: 从 LLM 文本中提取 `Action: tool_name(args)` 或 `` ```tool ``` `` 代码块
|
||
|
||
停止条件：LLM 不返回 tool_calls，或达到 max_steps。
|
||
|
||
危险工具确认流：非白名单命令触发 `needs_confirmation`，用户确认后以 `_skip_dangerous_check=True` 重新执行，避免无限循环。
|
||
|
||
### chat/request_preprocessor -- 请求预处理
|
||
|
||
按前缀分流的零成本路由：
|
||
|
||
| Layer | 触发条件 | 延迟 | Token | 路由结果 |
|
||
|-------|---------|------|-------|---------|
|
||
| 0 | `@skill:xxx` 前缀 | ~0ms | 0 | 显式技能选择（`SKILL_REACT` 或技能配置的模式） |
|
||
| 1 | 琐碎输入正则 | ~0ms | 0 | `DIRECT_CHAT`（由 `_TOOL_CONTEXT_RE` 守护） |
|
||
| 默认 | 其他输入 | ~0ms | 0 | `REACT`（LLM 自主决策） |
|
||
|
||
路由结果包含 `ExecutionMode` 枚举（`DIRECT_CHAT` / `REACT` / `SKILL_REACT` / `REWOO` / `REFLEXION` / `PLAN_EXEC` / `TEAM_COLLAB`），作为路由层与执行层的架构契约。`@team:expert1,expert2` 前缀直接路由到 `TEAM_COLLAB` 模式（由 `ExpertTeamRouter` 处理），`@board` 前缀走 `BoardRouter`（多轮讨论）。
|
||
|
||
旧的 3 层 `CostAwareRouter`（含 `RegexRules` / `HeuristicClassifier` / `SemanticRouter` / `Vickrey Auction`）已被 `RequestPreprocessor` 替换；`IntentRouter`（`router/intent.py`）存在但未接入 chat 流程；`AuctionHouse`（Vickrey 拍卖）位于 `marketplace/auction.py`（属于 marketplace 子系统，非路由）。
|
||
|
||
### llm/gateway -- LLM Gateway
|
||
|
||
统一 LLM 调用入口，核心能力：
|
||
|
||
- **Provider 注册**: `gateway.register_provider("openai", provider)`
|
||
- **模型别名**: `"default"` -> `"dashscope/qwen3-coder-plus"`
|
||
- **Fallback 降级**: 主模型失败时自动切换到备选模型
|
||
- **用量追踪**: 按 agent_name、model 统计 Token 用量和成本
|
||
- **模型解析**: `"provider/model"` 格式自动路由到对应 Provider
|
||
- **响应缓存**: 语义相似度缓存，减少重复调用（`llm/cache.py`）
|
||
- **用量存储**: InMemory/Redis 双后端，支持分布式用量统计（`llm/providers/usage_store.py`）
|
||
|
||
### skills -- Skill 系统
|
||
|
||
Skill = SkillConfig + 绑定 Tools。SkillConfig 扩展自 AgentConfig，新增：
|
||
|
||
- `intent`: 意图配置（关键词、描述、示例），供 IntentRouter 使用
|
||
- `quality_gate`: 质量门禁配置，供 QualityGate 使用
|
||
- `execution_mode`: 执行模式（react / direct / custom）
|
||
- `max_steps`: ReAct 最大步数
|
||
|
||
SkillRegistry 管理 Skill 的注册、发现、更新。
|
||
|
||
### experts -- Expert Team Mode
|
||
|
||
多专家协作执行复杂任务，B+C 混合模式：
|
||
|
||
- **ExpertConfig** -- 扩展自 AgentConfig，新增 `is_lead`、`expert_color`、`capabilities` 字段
|
||
- **ExpertTemplate** -- 可复用专家模板，通过 `ExpertTemplateRegistry` 管理，支持 YAML 定义
|
||
- **Expert** -- 专家实例，包装 ConfigDrivenAgent，支持 `send_message`、`request_assist`、`handoff` 操作
|
||
- **ExpertTeam** -- 团队容器，管理专家生命周期、SharedWorkspace、CollaborationPlan
|
||
- **TeamOrchestrator** -- 计划执行引擎，支持串行/并行/竞争并行，每阶段独立重试，失败级联标记，最终回退到单 Agent
|
||
- **CollaborationPlan** -- 协作计划，PlanPhase 定义依赖关系、并行类型、合并策略，`_phase_index` O(1) 查找，迭代 DFS 检测循环依赖
|
||
- **ExpertTeamRouter** -- `@team:NAME` 前缀路由，名称正则校验防注入（`^[a-zA-Z0-9_-]{1,64}$`），最多 10 个专家
|
||
- **HandoffTransport** -- 专家间通信抽象，InProcessHandoffTransport（asyncio.Queue + sentinel 关闭）+ RedisHandoffTransport（Pub/Sub + 连接重置）
|
||
- **SharedWorkspace** -- 跨专家共享上下文，支持读写键值对
|
||
|
||
团队生命周期：FORMING -> PLANNING -> EXECUTING -> SYNTHESIZING -> COMPLETED。失败时自动回退到单 Agent 模式（lead 或首个活跃专家）。
|
||
|
||
### router/intent -- 意图路由（未接入 chat 流程）
|
||
|
||
`IntentRouter` 存在但未接入 chat 流程；当前 chat 请求由 `RequestPreprocessor`（详见 `chat/request_preprocessor` 模块详解）处理。本模块保留供未来扩展。
|
||
|
||
### quality/gate -- 产出质量管理
|
||
|
||
四维质量检查：
|
||
|
||
| 维度 | 配置字段 | 说明 |
|
||
|------|---------|------|
|
||
| 必填字段 | `required_fields` | 检查 output 中是否包含指定字段且非 None |
|
||
| 最低字数 | `min_word_count` | 检查 output["content"] 的词数是否达标 |
|
||
| Schema 校验 | `output_schema` | 使用 jsonschema 校验 output 结构 |
|
||
| 自定义验证 | `custom_validator` | 点分路径导入的验证函数，支持同步/异步 |
|
||
|
||
检查不通过时，如果 `max_retries > 0`，BaseAgent.execute() 会自动重试，将质量反馈信息注入 `quality_feedback` 字段。
|
||
|
||
### quality/cascade -- 级联检测与状态持久化
|
||
|
||
生产级故障防护：
|
||
|
||
- **CascadeDetector** -- 检测 Agent 输出中的级联失败模式（连续失败、质量退化），及时熔断
|
||
- **CascadeStateStore** -- 级联状态持久化，InMemory/Redis 双后端，支持 `session_ttl` 配置
|
||
- **AlignmentGuard** -- 消息质量管控，集成在 MemoryBus 中
|
||
- **优雅降级** -- Redis 不可用时自动降级到 InMemory，保持服务可用
|
||
- **close() 方法** -- 显式关闭 Redis 连接池，避免资源泄漏
|
||
|
||
### quality/output -- 标准化输出
|
||
|
||
OutputStandardizer 将原始产出转换为 StandardOutput：
|
||
|
||
1. Schema 验证（如 output_schema 存在）
|
||
2. 字段类型归一化（str -> int/float/bool，根据 schema 定义）
|
||
3. 附加元数据（version、produced_at、quality_score）
|
||
|
||
quality_score = 通过的检查数 / 总检查数。
|
||
|
||
### core/base -- BaseAgent
|
||
|
||
所有 Agent 的基类，定义标准生命周期：
|
||
|
||
- `execute(task)` 为 final 方法，包含完整的计时、try/except、TaskResult 构建
|
||
- 子类只需实现 `handle_task(task) -> dict`
|
||
- 生命周期钩子：`on_task_start` / `on_task_complete` / `on_task_failed`
|
||
- 支持 Tool 插件、Memory 系统、LLM Gateway、Quality Gate 注入
|
||
- 分布式模式：通过 Redis 实现心跳、任务监听、Agent Handoff
|
||
|
||
### core/config_driven -- ConfigDrivenAgent
|
||
|
||
配置驱动的 Agent，从 YAML/Dict 自动组装：
|
||
|
||
- `llm_generate`: 渲染 Prompt -> 调用 LLM -> 解析 JSON 输出
|
||
- `tool_call`: 调用注册的 Tool 并返回结果
|
||
- `custom`: 自定义 handler 函数（点分路径动态导入）
|
||
|
||
v2 增强：接受 SkillConfig 时自动创建 Skill 并启用 ReAct 模式，Quality Gate 自动集成。
|
||
|
||
### core/agent_pool -- AgentPool
|
||
|
||
运行时 Agent 实例池，管理 Agent 的创建、获取、删除。支持从已注册的 Skill 创建 Agent。
|
||
|
||
### memory -- 记忆系统
|
||
|
||
四层持久化记忆，基于 Markdown section 的 CRUD 操作：
|
||
|
||
- **MemoryFile** -- 单个记忆文件（SOUL/USER/MEMORY/DAILY），支持 `read_section`/`write_section`/`add_section`/`remove_section`
|
||
- **MemoryStore** -- 管理所有记忆文件，`build_system_prompt()` 将记忆注入 system_prompt
|
||
- **即时刷新** -- `notify_change()` 回调机制，MemoryTool 写入后自动刷新所有 Agent 的 system_prompt
|
||
- **容量保护** -- `trim_to_budget` 按 section 边界裁剪，`protected_sections` 确保版本/更新历史不被裁剪
|
||
- **原子写入** -- `_update_soul` 在内存中构建完整内容后一次性写入，避免先删后加导致数据丢失
|
||
- **RAG** -- 向量嵌入 + 多源检索器，支持飞书/Confluence 适配器
|
||
|
||
记忆注入格式：
|
||
|
||
```
|
||
<agent-identity>
|
||
## 身份
|
||
我是AK，一个专业的 AI 助手。
|
||
</agent-identity>
|
||
|
||
<user-profile>
|
||
## 基本信息
|
||
- 姓名：张三
|
||
</user-profile>
|
||
|
||
<agent-notes>
|
||
## 重要事项
|
||
...
|
||
</agent-notes>
|
||
|
||
<recent-activity>
|
||
## 2026-06-14
|
||
...
|
||
</recent-activity>
|
||
|
||
[base_prompt 行为指令]
|
||
```
|
||
|
||
### evolution -- 自进化系统
|
||
|
||
反思驱动的 Agent 自我改进：
|
||
|
||
- **Reflector** -- 任务完成后自动反思，生成 quality_score 和 suggestions
|
||
- **evolve_soul** -- 累积反思达到阈值后触发 SOUL.md 更新，汇总所有反思建议（去重取 top 5）
|
||
- **ExperienceStore** -- 成功/失败经验持久化
|
||
- **PitfallDetector** -- 陷阱检测，避免重复错误
|
||
- **PromptOptimizer** -- 遗传算法优化 Prompt
|
||
- **PathOptimizer** -- 分析工具调用路径，推荐更优策略
|
||
- **ABTester** -- A/B 测试验证优化效果
|
||
|
||
### bus -- 消息总线
|
||
|
||
进程内/跨进程消息传递：
|
||
|
||
- **MemoryBus** -- 进程内同步消息总线，集成 CascadeDetector 和 AlignmentGuard 进行消息质量管控
|
||
- **RedisBus** -- 基于 Redis Pub/Sub 的分布式消息总线，支持多实例部署
|
||
|
||
### server -- FastAPI Server
|
||
|
||
独立部署模式，提供 RESTful API 和 Web GUI：
|
||
|
||
| 路径 | 方法 | 说明 |
|
||
|------|------|------|
|
||
| `/` | GET | Web GUI 聊天界面 |
|
||
| `/ws/chat` | WebSocket | GUI 实时聊天通道 |
|
||
| `/api/v1/agents` | POST | 创建 Agent（指定 skill_name 或 config） |
|
||
| `/api/v1/agents` | GET | 列出所有 Agent |
|
||
| `/api/v1/agents/{name}` | GET | 获取 Agent 详情 |
|
||
| `/api/v1/agents/{name}` | DELETE | 删除 Agent |
|
||
| `/api/v1/tasks` | POST | 提交任务（支持意图路由） |
|
||
| `/api/v1/skills` | POST | 注册 Skill |
|
||
| `/api/v1/skills` | GET | 列出所有 Skill |
|
||
| `/api/v1/llm/usage` | GET | 查询 LLM 用量 |
|
||
| `/api/v1/health` | GET | 健康检查 |
|
||
| `/api/v1/auth/login` | POST | 用户登录（用户名+密码 → JWT） |
|
||
| `/api/v1/auth/refresh` | POST | 刷新 access_token |
|
||
| `/api/v1/auth/logout` | POST | 登出（吊销 refresh_token） |
|
||
| `/api/v1/auth/me` | GET | 获取当前用户信息 |
|
||
| `/api/v1/llm/chat` | POST | LLM 网关代理（JWT 认证） |
|
||
| `/api/v1/llm/chat/stream` | POST | LLM 网关流式代理（SSE） |
|
||
| `/api/v1/terminal/ws` | WS | 本地终端 WebSocket（JWT via ?token=） |
|
||
| `/api/v1/terminal/server/ws` | WS | 服务端终端 WebSocket（管理员审批） |
|
||
| `/api/v1/terminal/approvals` | GET | 列出待审批命令（管理员） |
|
||
| `/api/v1/terminal/approvals/{id}/approve` | POST | 审批通过（管理员） |
|
||
| `/api/v1/terminal/approvals/{id}/reject` | POST | 审批拒绝（管理员） |
|
||
| `/api/v1/terminal/whitelist/global` | GET/POST/DELETE | 全局白名单管理（管理员） |
|
||
| `/api/v1/terminal/whitelist/user` | GET/POST/DELETE | 用户白名单管理 |
|
||
| `/api/v1/terminal/blocklist` | GET/POST/DELETE | 黑名单管理（管理员） |
|
||
| `/api/v1/terminal/audit-logs` | GET | 审计日志查询（管理员，支持 terminal_mode 过滤） |
|
||
| `/api/v1/system/resources` | GET | 系统资源监控（需 SYSTEM_CONFIG 权限） |
|
||
| `/api/v1/config/version` | GET | 配置版本号（内容哈希） |
|
||
| `/api/v1/config/all` | GET | 全量配置（技能+工作流+Agent） |
|
||
|
||
### Web GUI
|
||
|
||
通过 `agentkit gui` 启动，8 个页面视图：
|
||
|
||
| 视图 | 说明 |
|
||
|------|------|
|
||
| ChatView | 实时对话，WebSocket 流式传输，代码高亮，工具调用卡片，@-mention 技能推荐，Expert Team 协作视图 |
|
||
| EvolutionView | 自进化仪表盘，任务/经验/指标/优化面板 |
|
||
| WorkflowView | 工作流编辑器，Vue Flow 可视化编排 |
|
||
| TerminalView | 终端模拟器，PTY 会话 |
|
||
| KnowledgeBaseView | 知识库管理，文档上传/搜索/源配置 |
|
||
| SkillsView | 技能市场，技能卡片/详情 |
|
||
| SettingsView | 系统设置 |
|
||
| ComputerUseView | 计算机使用，桌面操控 |
|
||
|
||
**暗色主题**：支持亮色/暗色/跟随系统三种模式，CSS 变量 + Ant Design 暗色算法，通过导航栏灯泡图标切换，偏好持久化到 localStorage。
|
||
|
||
### 桌面客户端 (Tauri 2.x)
|
||
|
||
跨平台桌面应用，架构：
|
||
|
||
- **Rust Shell** -- 窗口管理（splash + main）、系统托盘、单实例锁
|
||
- **Sidecar 管理** -- 以 `--port 0` 启动 Python 后端，解析 stdout 获取动态端口
|
||
- **前端** -- Vue 3 SPA，通过动态端口连接后端
|
||
|
||
### orchestrator -- Pipeline 编排
|
||
|
||
多 Agent 协同编排模块：
|
||
|
||
- **PipelineEngine** -- 按 Stage 定义顺序执行，支持自适应配置和反思重规划
|
||
- **SagaOrchestrator** -- 分布式事务补偿，失败步骤自动执行补偿操作
|
||
- **DynamicPipeline** -- 运行时根据条件动态调整流水线结构
|
||
- **HandoffManager** -- Agent 间任务移交，支持上下文传递
|
||
- **PipelineStateMemory/Redis/PG** -- 流水线状态持久化，支持内存、Redis、PostgreSQL 后端
|
||
|
||
## 配置参考
|
||
|
||
### SkillConfig
|
||
|
||
继承自 AgentConfig，新增 v2 字段。
|
||
|
||
| 字段 | 类型 | 默认值 | 说明 |
|
||
|------|------|--------|------|
|
||
| `name` | str | (必填) | Skill 名称，全局唯一标识 |
|
||
| `agent_type` | str | (必填) | Agent 类型 |
|
||
| `version` | str | `"1.0.0"` | 版本号 |
|
||
| `description` | str | `""` | 描述 |
|
||
| `task_mode` | str | `"llm_generate"` | 任务模式：`llm_generate` / `tool_call` / `custom` |
|
||
| `supported_tasks` | list[str] | `[agent_type]` | 支持的任务类型列表 |
|
||
| `max_concurrency` | int | `1` | 最大并发数 |
|
||
| `input_schema` | dict | None | 输入 JSON Schema |
|
||
| `output_schema` | dict | None | 输出 JSON Schema |
|
||
| `prompt` | dict | None | Prompt 配置，包含 identity/context/instructions/constraints/output_format/examples |
|
||
| `llm` | dict | None | LLM 配置，包含 model/temperature/max_tokens |
|
||
| `tools` | list[str] | `[]` | 绑定的工具名称列表 |
|
||
| `memory` | dict | None | 记忆系统配置 |
|
||
| `custom_handler` | str | None | 自定义 handler 点分路径（custom 模式必填） |
|
||
| `intent` | dict | None | 意图配置（见 IntentConfig） |
|
||
| `quality_gate` | dict | None | 质量门禁配置（见 QualityGateConfig） |
|
||
| `execution_mode` | str | `"react"` | 执行模式：`react` / `direct` / `custom` |
|
||
| `max_steps` | int | `5` | ReAct 最大步数 |
|
||
|
||
### IntentConfig
|
||
|
||
| 字段 | 类型 | 默认值 | 说明 |
|
||
|------|------|--------|------|
|
||
| `keywords` | list[str] | `[]` | 关键词列表，用于 Level 1 关键词匹配 |
|
||
| `description` | str | `""` | Skill 描述，用于 Level 2 LLM 分类 |
|
||
| `examples` | list[str] | `[]` | 示例输入，辅助 LLM 分类 |
|
||
|
||
### QualityGateConfig
|
||
|
||
| 字段 | 类型 | 默认值 | 说明 |
|
||
|------|------|--------|------|
|
||
| `required_fields` | list[str] | `[]` | 必填字段列表 |
|
||
| `min_word_count` | int | `0` | 最低字数要求（0 表示不检查） |
|
||
| `max_retries` | int | `0` | 质量检查不通过时的最大重试次数 |
|
||
| `custom_validator` | str | None | 自定义验证器的点分路径，如 `myapp.validators.check` |
|
||
|
||
### LLMConfig
|
||
|
||
| 字段 | 类型 | 默认值 | 说明 |
|
||
|------|------|--------|------|
|
||
| `providers` | dict[str, ProviderConfig] | `{}` | Provider 配置，key 为 provider 名称 |
|
||
| `model_aliases` | dict[str, str] | `{}` | 模型别名映射，如 `default: "dashscope/qwen3-coder-plus"` |
|
||
| `fallbacks` | dict[str, list[str]] | `{}` | 降级策略，如 `dashscope/qwen3-coder-plus: ["openai/gpt-4o"]` |
|
||
|
||
#### ProviderConfig
|
||
|
||
| 字段 | 类型 | 默认值 | 说明 |
|
||
|------|------|--------|------|
|
||
| `api_key` | str | `""` | API Key |
|
||
| `base_url` | str | `""` | API Base URL |
|
||
| `models` | dict[str, dict] | `{}` | 模型配置，key 为模型名，value 包含 `cost_per_1k_input`/`cost_per_1k_output` |
|
||
|
||
## 与 GEO 项目集成
|
||
|
||
### Mode A: HTTP API 集成
|
||
|
||
GEO 后端通过 HTTP 调用 AgentKit Server，无需引入 Python 依赖。
|
||
|
||
```
|
||
+-------------------+ HTTP +-------------------+
|
||
| GEO Backend | --------------> | AgentKit Server |
|
||
| (FastAPI) | /api/v1/tasks | (FastAPI) |
|
||
+-------------------+ +-------------------+
|
||
```
|
||
|
||
集成步骤：
|
||
|
||
1. 启动 AgentKit Server（独立进程或 Docker 容器）
|
||
|
||
```python
|
||
# agentkit_server.py
|
||
import uvicorn
|
||
from agentkit.server.app import create_app
|
||
from agentkit import LLMGateway
|
||
from agentkit.llm.providers.openai import OpenAIProvider
|
||
|
||
gateway = LLMGateway()
|
||
gateway.register_provider("dashscope", OpenAIProvider(
|
||
api_key="sk-xxx",
|
||
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
|
||
))
|
||
|
||
app = create_app(llm_gateway=gateway)
|
||
uvicorn.run(app, host="0.0.0.0", port=8001)
|
||
```
|
||
|
||
2. 在 GEO 后端调用
|
||
|
||
```python
|
||
# geo/backend/app/services/agentkit_client.py
|
||
import httpx
|
||
|
||
class AgentKitClient:
|
||
def __init__(self, base_url: str = "http://localhost:8001"):
|
||
self._client = httpx.AsyncClient(base_url=base_url)
|
||
|
||
async def submit_task(self, skill_name: str, input_data: dict) -> dict:
|
||
response = await self._client.post(
|
||
"/api/v1/tasks",
|
||
json={"skill_name": skill_name, "input_data": input_data},
|
||
)
|
||
response.raise_for_status()
|
||
return response.json()
|
||
|
||
async def register_skill(self, config: dict) -> dict:
|
||
response = await self._client.post(
|
||
"/api/v1/skills",
|
||
json={"config": config},
|
||
)
|
||
response.raise_for_status()
|
||
return response.json()
|
||
```
|
||
|
||
3. 在 GEO 业务逻辑中使用
|
||
|
||
```python
|
||
# geo/backend/app/services/content_service.py
|
||
from app.services.agentkit_client import AgentKitClient
|
||
|
||
agentkit = AgentKitClient()
|
||
|
||
async def generate_content(keyword: str, brand: str) -> dict:
|
||
result = await agentkit.submit_task(
|
||
skill_name="content_generator",
|
||
input_data={"target_keyword": keyword, "brand_name": brand},
|
||
)
|
||
return result["data"]
|
||
```
|
||
|
||
## 开发指南
|
||
|
||
### 项目结构
|
||
|
||
```
|
||
fischer-agentkit/
|
||
├── src/agentkit/ # Python 后端
|
||
│ ├── bus/ # 消息总线（MemoryBus + RedisBus）
|
||
│ ├── chat/ # 聊天路由（RequestPreprocessor + ExecutionMode）
|
||
│ ├── cli/ # CLI 命令（Typer）
|
||
│ ├── client/ # 客户端 SDK（ConfigSync + RemoteLLMProvider 集成）
|
||
│ ├── core/ # 核心引擎（ReAct/Reflexion/ReWOO/ConfigDriven + HandoffTransport）
|
||
│ ├── evaluation/ # 评估系统（RAGAS）
|
||
│ ├── evolution/ # 自进化（反思/优化/陷阱检测/A/B测试）
|
||
│ ├── experts/ # 专家团队（Expert/Team/Orchestrator/Plan/Router/Config/Registry）
|
||
│ ├── llm/ # LLM 网关（6 Provider + 缓存 + 用量追踪 + RemoteLLMProvider）
|
||
│ ├── marketplace/ # 多Agent市场（拍卖/财富）
|
||
│ ├── mcp/ # MCP 协议
|
||
│ ├── memory/ # 记忆系统（SOUL/USER/MEMORY/DAILY + RAG）
|
||
│ ├── orchestrator/ # Pipeline 编排（Saga/动态流水线）
|
||
│ ├── org/ # 组织发现
|
||
│ ├── prompts/ # Prompt 模板
|
||
│ ├── quality/ # 质量保障（对齐/级联检测/门控）
|
||
│ ├── router/ # 意图路由
|
||
│ ├── server/ # FastAPI 服务端 + Vue 3 前端
|
||
│ │ ├── auth/ # 认证子系统（JWT + RBAC + 终端安全六层防护）
|
||
│ │ ├── routes/ # 22 个路由模块（含 auth/terminal_server/llm_gateway/config_sync）
|
||
│ │ └── frontend/ # Vue 3 SPA（含 LoginView/SystemMonitorPanel/WhitelistManager）
|
||
│ ├── session/ # 会话管理
|
||
│ ├── skills/ # 技能系统
|
||
│ ├── telemetry/ # 遥测追踪
|
||
│ ├── tools/ # 工具插件（21个，含桌面操控）
|
||
│ └── utils/ # 工具函数
|
||
├── src-tauri/ # Tauri 桌面客户端（Rust）
|
||
│ ├── src/ # main.rs + lib.rs + sidecar.rs + tray.rs
|
||
│ └── binaries/ # Sidecar 二进制（平台相关）
|
||
├── configs/ # 配置文件（技能/LLM/GEO）
|
||
├── tests/ # 测试（unit + integration）
|
||
├── docs/ # 文档（brainstorms + plans）
|
||
├── Dockerfile # Docker 镜像构建
|
||
├── docker-compose.yaml # 生产编排
|
||
└── pyproject.toml # Python 项目配置
|
||
```
|
||
|
||
### 常用开发命令
|
||
|
||
```bash
|
||
# 后端
|
||
pip install -e ".[dev]" # 安装开发依赖
|
||
agentkit gui --port 8002 # 启动 Web GUI
|
||
agentkit serve --port 8001 # 启动 API 服务器
|
||
pytest # 运行全部测试
|
||
pytest -m "not integration" # 仅单元测试
|
||
pytest --cov=agentkit # 覆盖率
|
||
ruff check src/ && ruff format src/ # 代码检查和格式化
|
||
|
||
# 前端
|
||
cd src/agentkit/server/frontend
|
||
npm install # 安装依赖
|
||
npm run dev # Vite 开发服务器
|
||
npm run build:frontend # 生产构建
|
||
npm run typecheck # TypeScript 类型检查
|
||
|
||
# 桌面客户端
|
||
cd src/agentkit/server/frontend
|
||
npm run tauri dev # Tauri 开发模式
|
||
npm run tauri build # Tauri 生产构建
|
||
|
||
# Docker
|
||
docker-compose up -d # 启动完整环境
|
||
docker-compose logs -f agentkit # 查看日志
|
||
```
|
||
|
||
### 添加新 Skill
|
||
|
||
1. 创建 YAML 配置文件
|
||
|
||
```yaml
|
||
# configs/my_skill.yaml
|
||
name: my_skill
|
||
agent_type: my_task
|
||
task_mode: llm_generate
|
||
description: "我的自定义 Skill"
|
||
prompt:
|
||
identity: "你是 xxx 助手"
|
||
instructions: "执行 xxx 任务"
|
||
output_format: "JSON: {result}"
|
||
llm:
|
||
model: "deepseek"
|
||
temperature: 0.7
|
||
intent:
|
||
keywords: ["xxx", "yyy"]
|
||
description: "xxx 任务"
|
||
quality_gate:
|
||
required_fields: ["result"]
|
||
max_retries: 2
|
||
execution_mode: react
|
||
max_steps: 5
|
||
```
|
||
|
||
2. 加载并使用
|
||
|
||
```python
|
||
from agentkit import SkillConfig, Skill, SkillRegistry
|
||
|
||
config = SkillConfig.from_yaml("configs/my_skill.yaml")
|
||
skill = Skill(config=config)
|
||
registry.register(skill)
|
||
```
|
||
|
||
### 添加新 Tool
|
||
|
||
1. 创建 Tool 类
|
||
|
||
```python
|
||
# myapp/tools/search.py
|
||
from agentkit.tools.base import Tool
|
||
|
||
class SearchTool(Tool):
|
||
def __init__(self):
|
||
super().__init__(
|
||
name="search",
|
||
description="搜索知识库",
|
||
input_schema={
|
||
"type": "object",
|
||
"properties": {
|
||
"query": {"type": "string", "description": "搜索关键词"},
|
||
"top_k": {"type": "integer", "description": "返回数量", "default": 5},
|
||
},
|
||
"required": ["query"],
|
||
},
|
||
)
|
||
|
||
async def execute(self, *, query: str, top_k: int = 5) -> dict:
|
||
# 实现搜索逻辑
|
||
results = await do_search(query, top_k)
|
||
return {"results": results}
|
||
```
|
||
|
||
2. 注册到 ToolRegistry
|
||
|
||
```python
|
||
from agentkit.tools.registry import ToolRegistry
|
||
|
||
registry = ToolRegistry()
|
||
registry.register(SearchTool())
|
||
```
|
||
|
||
3. 在 Skill 配置中引用
|
||
|
||
```yaml
|
||
tools:
|
||
- search
|
||
```
|
||
|
||
**ShellTool 安全机制**：ShellTool 内置白名单（`ls`、`cat`、`curl` 等安全命令直接执行），非白名单命令会触发用户确认。在 GUI 中以确认卡片形式展示，用户点击"确认执行"后才运行。
|
||
|
||
### 代码风格
|
||
|
||
项目使用 Ruff 进行代码检查和格式化：
|
||
|
||
```bash
|
||
ruff check src/
|
||
ruff format src/
|
||
```
|
||
|
||
配置见 `pyproject.toml` 中的 `[tool.ruff]`，目标 Python 3.11，行宽 100。
|