Agent 研发工作系统:面向多需求并行端到端开发的设计与实践

让 Agent 完成一次修改,还要回答三个问题:工作如何续接,结果如何验收,经验如何复用。

"修复搜索结果重复,并在预发验证。"

以这个需求场景为例,看似只是一次代码修改,实际却有一串问题需要回答:去重发生在最终响应,还是上游候选池?原有顺序和字段是否保留?本地测试通过后,预发运行的是否正是这次修改对应的镜像?换一个会话继续处理,又该从哪里接着做?

这些问题不能只靠一次工具调用回答。它们要求系统保留任务状态、明确动作范围,并把测试和运行结果对应到具体的完成条件。

这套系统围绕这些要求展开:主 Agent 负责理解目标、组织工具调用;规则与检索提供上下文;任务记录保存进度;动作策略约束执行;质量检查判断是否完成;方法库记录哪些做法在什么条件下得到过验证。

下面先看整体结构,再逐步展开实现。搜索去重的例子会贯穿其中,并在第 10 节串成完整流程。

1. 全貌:八个模块,分别解决什么问题

系统划分为 M1---M8 八个模块,但它们是逻辑职责,而不是八个独立微服务。实现以本地文件、SQLite、Python 和 Node.js CLI 为主,由具备工具调用能力的大语言模型组织协作。

图 1:主 Agent 连接知识、状态、执行与验收;状态和方法反馈也由它组织回写。

模块 解决的问题
M1 主 Agent 当前目标是什么,下一步该查什么、做什么?
M2 规则与技能 这个项目有哪些约定,这类操作应该怎样执行?
M3 上下文检索 历史线索和当前源码在哪里,怎样回到原文?
M4 任务状态 工作做到哪了,跨会话和并发更新时如何续接?
M5 工具与平台适配 怎样把操作落实到仓库、测试和企业平台?
M6 动作策略 对这个具体目标执行这项操作,是否符合范围与授权?
M7 证据与质量 已有结果能证明什么,还缺什么才能完成?
M8 方法治理 哪些经验可以复用,方法改版后如何重新验证?

这些模块不是必须逐个经过的流水线。主 Agent 按需读取 M2、M3、M4、M8,组织策略检查、工具执行和验收,再将进度写回 M4,将实际复用结果写回 M8。

2. M1 主 Agent:理解目标,再组织工具调用

"修复重复搜索结果"并没有直接告诉系统应该修改哪里。

最终响应重复、上游候选池重复、某个展示模块重复,可能对应不同的责任位置。主 Agent 首先要理解用户要求解决的是哪一层问题,然后决定读哪个仓库、查哪条调用链、采用什么验证方式。

检索器可以返回匹配的源码,状态程序可以保存当前进度,但它们不会替代这层业务判断。

M1 的执行方式是一个工具调用循环:

markdown 复制代码
读取用户目标与当前状态
    ↓
选择需要的信息或执行工具
    ↓
构造参数并调用工具
    ↓
读取结果、错误和证据
    ↓
继续 / 修正 / 等待 / 验收

规划、实现和评价可以由同一个主 Agent 顺序完成。只有任务存在独立工作边界,且引入独立角色已获授权时,才安排其他执行者或审阅者。角色名称本身不构成独立审查保证。

跨模块编排目前主要发生在这套工具调用循环中,还没有一个统一的后台工作流服务自动推进所有步骤。

3. M2 规则与技能:把项目知识和操作流程分开

M2 回答两个问题:这个项目怎么工作,这类操作怎么执行。

这两类知识有关联,但不应该混在一起。交付流程可以复用,应用名、目标分支、实例组等项目参数则需要分别维护。

因此,操作知识被组织为三个层次:

markdown 复制代码
全局约定 / 项目 AGENTS.md
    一般规则、项目边界、验证方式

项目技术地图
    入口、模块职责、调用链、常用命令

Skill 目录
    SKILL.md       用途、触发条件、操作步骤
    scripts/       可执行程序
    references/    参数、模板、复杂流程细节
    assets/        操作需要的资源

例如,交付 Skill 说明怎样选择仓库执行合同、调用构建接口、读取产物和运行探针;合同提供该项目的具体参数与执行要求。这样,调整应用参数不必重写通用流程,更新流程也不必把所有项目细节重新组织一遍。

加载同样按需进行:先识别资源用途,适用时读取正文,执行时再展开必要引用。这与 Agent Skills 的元信息发现、正文激活和资源按需加载方式相对应。

M2 负责组织规则与操作资源;一套做法是否适用、被验证过几次、修改后是否仍然可靠,则交给 M8 管理。

4. M3 上下文检索:按缺失的信息选择路径

查历史讨论、找已知字段、定位一个只知道功能的入口,是三种不同的问题。M3 为它们保留了三条检索路径,而不是把所有查询都交给向量检索。

图 2:先判断缺什么信息,再选择检索方式;找到候选后,仍需回到当前来源复核。

4.1 查历史:Python + SQLite FTS5

需要回答"以前在哪里讨论或处理过"时,使用历史检索。

Python 导入器读取追加式会话记录,将消息和整理摘要写入本地 SQLite。它保存源文件的字节偏移,下次从该位置继续;末尾尚未写完整的一行留待后续处理。每条记录保留项目、会话、时间、来源文件和偏移,便于定位原文。

查询使用 FTS5 与 BM25,并支持按项目等范围筛选。短查询或全文检索异常时,提供 LIKE 回退。使用顺序是:先用 search 找候选,再用 timeline 看邻近上下文,最后用 show 读取原文。

这里有两个限制需要记住:热索引会跳过工具大载荷,因此无命中不代表当时没有执行过;历史记录也不能证明今天的分支、配置或运行状态,当前事实仍要从当前来源读取。

4.2 找已知标识:ripgrep

已经知道类名、字段、错误字符串或配置 key 时,直接使用 rg 做文本、正则或文件枚举。

例如查 expected_revision,先找到定义和调用方,比重新描述它的功能再做语义检索更直接。匹配到文件和行号后,再检查调用链,确认它是否处于当前问题的责任范围内。

4.3 找未知入口:Node.js + 本地模型 + Zvec

只知道功能、不知道入口名称时,使用 semantic-context.mjs。这条路径的实现如下:

markdown 复制代码
明确 root 与正向 globs(纳入检索的文件模式)
    ↓
枚举文件,记录文件哈希与范围快照
    ↓
zg 0.2.1 抽取文本片段,按范围增量刷新
    ↓
Transformers.js 加载本地 ONNX 模型
multilingual-e5-small / 384 维 / CPU
    ↓
Zvec 向量索引,zg context 返回候选
    ↓
回读原始源码行,复核范围快照

zg 支持组合词法与向量候选。本地适配器调用其公共索引和 context API,固定使用本地模型,关闭远端下载与网络回退,没有另建远端向量服务。索引按规范化目录、文件模式和模型隔离,放在源码目录之外,可以重建。

这条路径不只返回相似片段,还保留三类信息:定位原文的 path、startLine、endLine;标识来源的 sha256、sourceSnapshot;说明匹配与截断情况的 matchedBy、contentTruncated。

返回前会再次检查文件新增、删除和内容变化,避免将已经漂移的快照当作有效结果。不过,模型输入和输出片段都可能截断,候选仍不能证明完整覆盖。

该适配路径目前处于有界试用:最多 200 个文件、单文件 256 KiB、合计 4 MiB,超限就缩小范围。这些是本地试用限制,不是底层工具的通用上限;也没有后台全盘扫描或每次任务必跑的要求。

已有信息直接使用,缺失信息才检索。可复用方法的检索属于 M8,不与这里的源码索引混用。另外,这里的 E5 是嵌入模型名称,与第 8 节的 E5 证据等级无关。

5. M4 任务状态:既能续接,也能防止旧进度覆盖新进度

跨会话继续工作,最需要恢复的不是全部聊天,而是四件事:目标是什么,已经确认什么,还缺什么证据,下一步做什么。

workctl.py 将这些信息保存在 tasks/*.md 中。任务文件是权威记录:结构化头部保存 task_id、revision、status、owner 和更新时间,正文记录目标、证据、缺口、阻塞与下一步。总览由程序生成。

下面是字段与内容示意,不是完整任务文件格式:

makefile 复制代码
task_id: task-...
revision: 7
status: validating

目标: 修复最终响应重复并完成预发验证
已确认: 本地完整输出与保留条件通过
待证明: 当前预发镜像处理固定请求的结果
下一步: 读回实例,再发业务探针

保存状态还要处理另一个问题:两个更新者都拿着旧进度,怎么办?

假设 A、B 都读到 revision = 7。A 先提交,任务变为版本 8;B 随后仍携带 expected_revision = 7 提交,就会被拒绝。B 必须重读最新记录,再判断如何合并自己的更新。

文件锁协调写入过程,版本检查防止旧状态覆盖新状态。 两者解决的问题不同。

图 3:持锁读取、比较版本,再写入新状态;发生冲突时保留原记录,由更新者重读。

具体写入顺序是:取得 flock 文件锁,读取任务并比较 expected_revision,写临时文件,执行 flush / fsync,原子替换,再更新派生总览。原子替换用于减少半文件风险;这些机制限于本地记录,不提供分布式事务或远端动作幂等保证。

恢复工作时,Agent 先核对目标是否变化,再从缺口继续;需要历史线索时调用 M3。后续执行可以由用户继续对话或已配置的定时任务触发,但调度配置和实际运行结果要分别核验,触发过不等于业务已完成。

5.1 需求卡:把多次任务串成一个需求

任务卡记录一次工作的进度,但一个需求可能跨多个任务、会话、项目或 Agent。

2026-09-17 增加的 reqctl.py 用需求卡补上这一层。权威记录是 requirements/req-*.md,集中关联以下对象:

arduino 复制代码
任务卡      哪些任务在推进这个需求
会话        哪些宿主、Agent 和会话参与过
功能模块    pending → in_progress → done → verified
开发分支    哪个分支完成了哪些模块
问题记录    open → resolved / workaround,附解决方式
方法        复用的方法及内容版本哈希
证据与文档  证据引用、参考文档
阶段推进    discovering → developing → validating
            → delivering → observing → closed

续接时,先从需求卡找到相关任务、分支和问题,再读取具体记录继续工作。需求卡与任务卡使用同一套文件锁、乐观版本检查和原子写协议;都通过程序更新,派生索引只读。

6. M5 工具与平台适配:把操作落实到真实系统

理解了目标,也保存了状态,接下来要真正修改代码、构建产物、部署和验证。M5 负责把这些动作连接到本地仓库、测试工具和企业平台。

典型调用链如下:

markdown 复制代码
主 Agent / 领域 Skill
    ↓
交付驱动:组合 Git、构建、部署、验证步骤
    ↓
Python 操作封装:已覆盖的平台原子操作
    ↓
manifest 固定的 Node.js 命令行工具
    ↓
平台适配器与标准通信接口

项目路由选择仓库与交付驱动,仓库执行合同提供应用、分支、commit、实例组、镜像、探针 ID、查询范围和结果约束等参数。

这里还要保证:检查的入口,就是实际运行的入口。 因此,运行包、入口及 adapter 通过运行清单(manifest)和 SHA-256 固定,并在执行链路中读回核对。

工作类别 工具与平台路径 返回的能力与材料
代码与交付 Git、交付驱动、交付平台 分支操作、构建、产物身份与预发交付
运行与业务验证 日志平台、配置中心、业务验证平台 配置与运行态读回、业务探针、原始响应
数据与实验 数据平台、实验平台等入口 有范围的查询、实验操作与返回核验
扩展能力发现 能力目录与应用元数据路径 能力 schema 发现与具体接口选择

各适配器按实际验证范围声明能力。能力发现不代表每项操作都已验收,每个入口也保留自己的参数与范围检查。

M5 返回结构化结果、错误、产物身份和原始证据。工作流在动作前接入 M6,在执行后交给 M7 验收。遇到超时或响应丢失,先读回远端状态,再决定是否重试,而不是默认再执行一次。

7. M6 动作策略:能调用工具,不等于有权执行动作

主机允许执行 Bash,并不等于某次部署、删除或外发消息已经获得业务授权。

M6 检查的是具体动作。任务范围内、环境明确、可恢复的非生产操作,在满足策略的正向目标 schema(允许的目标结构)和操作合同后可以继续。生产或环境未知的变更、破坏性操作、权限与凭据变化、外发消息、支付等,则需要针对相应动作的明确授权。

7.1 用指纹绑定具体动作

authzctl 接收动作类型、稳定范围 ID、精确目标和操作,依据 JSON 策略返回 decision、reason 和动作指纹。

指纹的计算方式如下。这里是示意,不是可直接运行的完整 Python 程序:

makefile 复制代码
contract = {
    "action": action,
    "scope_id": scope_id,
    "target": target,
    "operation_kind": operation_kind,
    "operation": operation,
    "resource": resource,
    "allowlist_id": allowlist_id,
    "policy_sha256": policy_sha256,
}
fingerprint = sha256(canonical_json(contract))

规范化 JSON 固定键顺序和分隔形式,使同一动作描述得到稳定指纹。目标、参数或策略变化,指纹也随之变化。

例如,合并产生新 commit 后,构建与部署必须绑定新对象,不能沿用一个没有明确对象的"发布一下"。指纹用于绑定动作描述,授权仍需经过相应策略和用户确认流程。

图 4:策略判定绑定具体动作;目标、参数或策略变化后重新判断。图示为策略与执行关系,不表示所有工具类型都已接入拦截。

7.2 从显式调用,到宿主执行前拦截

早期,动作策略依赖工作流在执行前显式调用。后续通过宿主的执行前钩子接入检查,对纳入策略的命令采用 fail-closed 方式:未满足放行条件时,不予执行。

在已接入策略的执行入口中,需要明确授权的命令,须完成相应判定和授权后才能继续。

被拦命令需要先经策略判定,取得用户对精确动作、目标与操作的显式授权,再登记授权记录。授权记录与命令及动作指纹绑定;实际操作变化后,需要重新判定并取得相应授权。

7.3 一次误拦截:连记录问题的命令也被挡住了

接线验证暴露了一个实际缺陷:拦截器先挡住了包含危险操作描述的验证命令,接着又挡住了"把这条被拦命令记入需求卡"的记录命令。

原因是,记录命令的参数也包含相同文本。描述危险操作的文字触发了检查,导致授权与记录路径被一起堵住。

修复针对记录与授权路径设置了受限的处理规则,并补充相关执行检查。问题和修复结果一并登记到需求卡。这个案例说明,拦截设计需要区分实际执行的操作与用于描述操作的普通文本。

覆盖边界: 策略的有效范围取决于各执行入口的实际接入和验证。分类测试通过,不能证明所有执行路径均已覆盖,仍需逐入口核验。

8. M7 证据与质量:执行过了,怎样证明完成了

代码测试通过,只能回答相应测试是否通过。它没有直接回答:预发运行的是什么镜像,用了什么配置,实际业务请求是否正确。

M7 将执行材料与任务要求对应起来,区分"已经做过什么"和"已经证明什么"。

8.1 用 E0---E5 界定结论能说到哪一步

这套系统使用以下证据等级:

等级 要回答的问题 典型材料
E0 观察 出现了什么症状? 用户反馈、历史记录、未验证观察
E1 代码 当前源码或本地产物有什么行为? 源码、差异、完整行为测试、本地产物
E2 配置与数据 实际选择了什么配置和数据? 实验分配、配置读回、索引、缓存、数据集
E3 运行态 当前运行的到底是什么? 不可变产物、实例和 Provider 绑定
E4 业务验收 当前目标处理真实业务请求是否正确? 完整字段、内容、顺序断言及相关负例
E5 结果效果 性能、可靠性、成本或业务是否改善? 预定义指标、人群、窗口、基线或对照

并非所有任务都必须达到 E5。文档修改可以用本地证据验收;预发交付要核验相应目标的业务行为;要求效果改善的任务,才需要对应的效果证据。

证据还必须绑定目标。镜像 A 的业务验证通过,不能直接替镜像 B 背书。目标变化后,旧记录保留,但受影响的配置、运行态和请求需要重新核验。请求模式、调用方、数据和时效,也会影响证据能否复用。

8.2 把验收要求接入任务关闭入口

quality.json 保存质量合同:原始需求、责任边界、最小必要设计、假设、目标、行为测试与交付检查。

quality_gate.py 检查字段是否齐全,是否还存在未经验证的实现前提,测试是否对应目标,以及缺不缺任务范围要求的交付证据。

对登记了 quality_contract 和 quality_target 的任务,workctl 在写入 closed 或 observing_outcome 前调用关闭检查。检查失败,任务与 revision 不变;通过后,保存检查合同哈希,并允许对应状态更新。

图 5:已登记任务进入关闭检查;失败保留原状态,未登记旧任务仍走兼容路径。

证据等级是验收规约,程序门禁是可执行检查,两者不能混为一谈。未登记的旧任务仍走兼容路径;程序检查结构和一致性,也不能替代对原始证据真实性及业务语义的审查。

8.3 效果指标要在看结果之前定义

要求 E5 时,需要提前写清指标公式、观察人群、完整窗口、数据来源、基线或对照、负责人、停止条件和因果限制。

不能先挑一段好看的结果,再反过来定义成功。业务请求通过与效果改善,是两个不同的结论。

9. M8 方法治理:经验可以复用,成功记录不能随意继承

方法库不只要保存"以前怎么做",还要回答:这次是否适用,执行的是哪个版本,成功是否经过验证,是否存在反例。

methodctl.py 管理这类记录。权威数据是 library/*.json,methods/*.md 是阅读视图,registry 与 INDEX 是派生索引。一条方法包含四组信息:

sql 复制代码
适用性:trigger / scope / prerequisites / exclusions
执行:decision / procedure / 每步 action、check、stop_if
验收:outcome_class / outcome / closure_gate / safety_boundaries
反馈:evidence / cases / status / revision

这里的"学习"发生在外部方法库、工作上下文和执行约束中,不涉及在线训练模型权重。检索影响下一次做法选择,执行反馈再改变方法的成熟度和适用条件。

9.1 先找到候选,再判断能否采用

M8 使用词法匹配,与 M3 的源码向量检索分开。英文和标识符提取 token,连续中文按相邻双字切分;再与方法的标题、摘要、领域、触发条件、目标、范围和关键词匹配。

评分规则为:

ini 复制代码
coverage = 命中的查询 token 数 / 查询 token 总数
score = 10 × coverage + maturity_bonus

stable = 4,draft = 3,candidate = 2,needs_review = 1

检索先按领域和状态过滤,零命中不返回,再按分数和标题排序。--explain 返回匹配词、内容版本、触发条件、前提、排除项和门槛,供主 Agent 判断。

相关只代表值得检查,不代表可以直接采用。 是否满足方法前提,仍要结合当前任务判断。

9.2 方法改了,旧成功为什么不能继续计数

一个反例测试很好地说明了这个问题:旧版本已经成功三次,新版本只成功一次,旧实现却仍将方法判为 stable。

修正后,新版本被判为 candidate,四条历史记录全部保留。改变旧案例的独立键,也不能绕过内容版本匹配。

要得到这个结果,方法选择、执行和反馈必须连在一起。

选择时绑定版本。 contract_hash 对触发条件、前提、范围、步骤、排除项、完成门槛和安全边界等语义字段计算 SHA-256。执行前保存 method_id + contract_hash + fit,说明准备复用哪一步、怎样验证。关键词、摘要、记账时间等元信息与内容身份分开。

反馈时绑定实际结果。 登记成功、部分、失败或矛盾,以及目标、证据类型和等级。结果对应执行前选定的版本,不能事后拿当前哈希给旧经历补签。

计数时区分独立性。 independent_key 区分独立任务。同一事件的多轮探测、修复重试和不同阶段,不能拆成多次独立成功。

语义修订后重新累计。 旧案例继续保留,但不能抬高新版成熟度;未解决的失败或矛盾阻断升级。

图 6:先绑定版本,再执行验证与反馈;案例按内容版本和独立任务计数。

当前项目的规则是:同一内容版本一次独立已验证成功为 candidate,两次为 draft,至少三次且无未解决失败或矛盾为 stable;出现失败或矛盾,优先进入 needs_review。

成功还必须达到方法声明的门槛。效果类方法要求 E5,只有 E4 交付证据时记为 partial,不能作为该方法的一次完整成功。

旧库未绑定案例仍有兼容路径,但语义修订后不能借这些记录提升新版成熟度。内容哈希也不能证明证据真实、独立键确实独立,或整体成功由这条方法造成。

10. 完整运行:一次搜索去重请求怎样走完

回到开头的教学案例:修复最终搜索响应中的重复,保留首次出现顺序和原对象字段,并在预发验证。 以下用于说明模块协作,不是一条新增的实际执行记录。

图 7:从目标澄清到业务验收,再到状态和方法反馈;实际步骤由主 Agent 按需组织。

先明确目标。 M1 与 M2 确认问题位于最终响应,并写清顺序、字段等保留条件。M4 建立任务记录;涉及多次任务时,再通过需求卡聚合。

再找责任位置。 已知字段或错误时用 rg;只知道功能时用意图检索;需要了解旧处理过程时查历史。M3 返回候选后,仍要读取当前源码与调用链。

选择可复用方法。 M8 提供相关做法,M1 检查前提和排除项。决定采用后,先绑定方法 ID、内容哈希及验证计划,再执行。

修改并交付。 按动作范围接入 M6 判定,由 M5 完成代码修改、测试、构建和交付。产物身份与平台返回要保留;合并等操作改变了 commit,后续目标也随之更新。

验证完整业务行为。 对下面的输入,验收不能只检查结果数量:

css 复制代码
输入:[P1, P1, P2]
预期:[P1, P2]

要检查:身份是否正确、是否保留首次顺序、对象字段是否保留。

只断言"数量等于 2",会漏掉 [P2, P1] 或标题错绑。先验证本地完整行为,再核对预发配置、运行目标和相应业务请求,由 M7 判断是否满足原要求。目标变了,就补充受影响的证据。

最后回写进度与方法结果。 未完成的缺口和下一步写入 M4;满足条件后,通过相应关闭检查更新状态。实际复用的方法,再按选定版本、独立键和证据反馈到 M8,失败与部分成功也要保留。

这条链路依靠主 Agent 的工具调用、任务记录和证据引用衔接,不由统一消息总线自动驱动。模型负责语义判断,对应程序执行可计算的约束。

11. 对工作带来的作用:看得到哪些产物

这套系统的作用,可以从三类可核对的产物来看。

续接工作,有明确入口。 历史检索保留原始线索,任务卡保存目标和缺口,需求卡关联任务、会话、模块、分支和问题。进入陌生代码时,还有项目技术地图、当前文件和责任链可查。

执行与验收,有对应材料。 预发交付保留产物身份、配置与运行态读回、业务响应;动作有范围判定,完成有对应检查,不只留下一个"执行成功"。

复用经验,有版本与反例。 方法有适用步骤、内容合同和验证案例。不再适用的做法进入复审,修订保留旧记录,新版重新验证。

这些机制提供了工作支撑,但不能仅凭模块存在或局部测试,就推导总体节省了多少工时、长期准确率提高了多少。效率和效果仍需要在真实任务中持续测量。

12. 技术特色与已有方案的关系

这套系统复用了乐观并发、内容哈希、显式合同、分层验收和可追踪反馈等工程思想。它的重点不在于替代某个框架,而是把这些机制接到具体研发对象和执行入口上。

12.1 与已有机制如何组合

下表比较能力所在层次,不作功能排名,也不代表完成了同条件性能基准。

方案或机制 参考能力 本系统侧重的组合方式
Agent Skills 标准目录封装知识、脚本与资源,按需加载 在资源组织之外,管理方法适用条件、版本与验证案例
LangGraph Persistence checkpointer 保存线程内图状态,store 保存跨线程数据 状态持久化之外,定义环境、产物、配置和请求的验收身份
Temporal Workflow 事件历史与重放恢复工作流 执行恢复之外,由领域合同定义业务证据与完成条件
LangSmith Evaluation 数据集、评估器、离线与在线评测,失败回流测试 在评测之外,跟踪跨任务方法的内容版本、独立性与反例
Claude Code Hooks 工具调用前允许、拒绝或请求用户决定 承载动作策略;本文描述的是已接线宿主中的 Bash 命令级检查

这些机制能够扩展和组合,表中区分的是关注点,而不是它们无法实现哪些功能。

12.2 三个贯穿全篇的设计选择

第一,把目标身份贯穿验收。 源码、commit、配置、镜像、请求和证据需要对应起来。目标变化,不直接复用旧目标的通过结论。

第二,把方法反馈绑定到执行时的版本。 先选版本,后记结果;语义变化重新累计,失败和矛盾不能被成功次数淹没。

第三,把可计算的规则接入实际入口。 版本冲突检查进入状态写入流程,质量检查进入已登记任务的关闭流程,Bash 策略进入已接线宿主的执行前钩子。能由程序检查的约束,不只依赖 Agent 记住一段文字。

12.3 还需要继续验证什么

后续仍需扩大 API 与部署适配器级的策略覆盖,核验不同宿主的实际接线,并持续观察长期效果和跨团队迁移情况。

内部指令精简另有独立实验,本文未展开相应材料,因此不将其作为这里的效果证据。这些设计也不构成算法首创或全面领先的证明。

回到最初的问题:完成一次代码修改之后,系统是否还能说明做到哪了、运行的是什么、凭什么验收,以及这次经验能否在下次使用?

这正是八个模块协作的目标:主 Agent 组织工作,规则与检索提供上下文,状态承接进度,工具落实操作,策略约束动作,质量对应证据,方法治理记录经过验证的做法。

相关推荐
IT大白鼠1 小时前
当 AI 开始自动化渗透:FBI ARTEX 警报的防守对策
运维·人工智能·自动化
进击的丸子2 小时前
1126B的Demo实操——虹软ArcFace SDK(RV1126BP ARM64 V5.0)交叉编译与运行指南
人工智能·程序员·代码规范
独隅2 小时前
Cann-Samples 实战应用与场景落地指南
人工智能·cann·cann-samples
阿里云大数据AI技术2 小时前
让 Agent 学会诊断 Elasticsearch:一套证据绑定的智能运维方法论
人工智能
十有八七2 小时前
手搓 Agent(四):长点记性——上下文满了怎么办,怎么记住上一次
前端·人工智能·后端
米小虾3 小时前
Jev 拆解:不写字、只判断,一个「决策模型」如何接管 LLM 最贵的那一步
人工智能·agent
数字新视界3 小时前
全国产化动环监控平台在机房智能化管理中的应用探索
大数据·人工智能·数据中心·机房管理·模块化机房
laoyeye8314 小时前
手写 vLLM 分页 KV Cache(三):引用计数、写时复制(CoW)与前缀缓存
人工智能·github