> 引言:(Paul Liu)
> agent-apl已经从 deepseek的网页版接口构造到 LLM-api接口的构造.
> 我们的设计目标是 类似workBuddy那样的 桌面综合智能体.
> 本着大道至简,自然生长的基础原则.
> 我们目前在 构建aplHarness项目, 目前已经完成了
> expert_agent_apl_coder, expert_dispatcher的构建.
> 目前在处理最关键的expert_supervisor的构造.
> 基于和deepseek的讨论, 总结了 我们的LLM-agent体系架构. ``================================================================================
系统架构总纲（纯语言驱动版）
【核心哲学】
彻底抛弃 JSON、Function Call、结构化 API。整个系统只使用一种通用语言：
自然语言（人话）。LLM 是唯一的翻译官，APL 仅充当文本邮差。
================================================================================
一、三大基础骨架（系统级组件）
-
expert_agent_apl_coder（手）
- 角色：万能执行层
- 职责：接收"人话指令"，在沙盒中安全地操纵用户电脑。
- 思维模式：只负责"怎么做"（How）。
- 技术特征：具备 100K+ 技能文档，内含 APL 编程知识与电脑操作指南。
- 交互模式：输入为纯文本操作流程，输出为纯文本执行结果（成功/失败/需确认）。
-
expert_dispatcher（HR / 导航员）
- 角色：私有导航层
- 职责：内部维护一份动态变化的"专家花名册（技能文档）"。
- 思维模式：只负责"谁来做"（Who）。不拆解任务，不给全量名单。
- 交互模式：输入为"@dispatcher + 任务描述"，输出为"推荐 专家名"。
- 关键约束：外部其他角色（包括 Supervisor）永远不需要获取完整专家列表。
- 动态性：增加或删除专家时，只需修改 Dispatcher 内部的私有技能文档。
-
expert_supervisor（顶层大脑）------ 当前攻坚核心
- 角色：工程管理层 / 项目经理
- 职责：拆解任务、排期、状态跟踪、异常处理、闭环终结。
- 思维模式：只负责"做什么"（What）和"做完了没"（Finish）。
- 关键约束：
a. 不存储专家列表（找人时统一向 Dispatcher 问路）。
b. 必须具备 5 项硬核工程能力：拆解、依赖检查、单步派发、状态追踪、终止判定。
c. 当不确定或无人匹配时，默认兜底调用 expert_agent_apl_coder。
================================================================================
二、其他专家（应用脑 / 领域专家）
- 角色：业务推理层
- 示例：文生图专家、Excel 报表专家、飞书发送专家等。
- 职责：针对特定领域，将用户子任务翻译成"纯人话的操作流程清单"。
- 思维模式：只负责"把业务逻辑说清楚"。
- 关键约束：没有手（不写 APL 代码），没有工程思维（不拆解复杂多步项目）。
- 交互：输出为步骤化的自然语言（例："请打开浏览器，输入XXX，点击生成"）。
================================================================================
三、交互总线（唯一通信协议）
【协议类型】纯自然语言（中文 / 人话）
【中间件】APL（仅做文本搬运、暗号捕获、进度表持久化）
【暗号规则】
- "@dispatcher"：触发 HR 导航查询。
- "决策：专家名"：APL 识别后直接路由调用该专家。
- "FINISH" / "任务终结"：触发系统结束循环。
【APL 的唯一职责】
- 截获文本中的暗号并做简单路由。
- 维护 Supervisor 的"施工进度表（纯字符串缓存）"。
- 在调用各专家时，负责将上下文（人话）拼接到 Prompt 中。
================================================================================
四、系统交互标准流程（示例闭环）
用户："画一张赛博朋克猫，并发到飞书。"
Step 1: Supervisor（大脑）拆解：
-> "工程规划：Step1 画图，Step2 发飞书。@dispatcher，Step1 谁能干？"
Step 2: APL 截获 @dispatcher，转发给 HR。
Step 3: Dispatcher（HR）查私有文档：
-> "推荐 expert_image_gen。"
Step 4: Supervisor 决策：
-> "决策：expert_image_gen。指令：生成赛博朋克猫并返回路径。"
Step 5: APL 调用 image_gen（应用脑），返回："图片已保存 C:/cat.png"。
Step 6: Supervisor 更新状态：
-> "Step1 完成。@dispatcher，Step2 谁能干？"
...（循环直到 FINISH）
================================================================================
五、当前开发现状
✅ 已完成：expert_agent_apl_coder（手）------ 沙盒机制已测试通过。
✅ 已完成：expert_dispatcher（HR）------ 动态技能文档导航已测试通过。
❌ 攻坚中：expert_supervisor（顶层大脑）------ 唯一缺失的核心模块。