# 三国 AI Native 平台 - PRD v3.0

**产品名称**: sanguo_moziplus
**作者**: 庞统(副军师)
**日期**: 2026-05-13
**最后更新**: 2026-05-20（v3.0 — 集成+安全红线完成）
**状态**: 📋 v2.0 初稿,基于用户深度讨论后的方向重定位
**前置**: PRD v1.0 的经验教训作为输入,v2.0 从核心理念重新出发

---

## 0. 一句话定义

> **用户提一个方向,AI 帮他梳理成清晰目标,然后自主组织 Agent 团队执行,全程持续指挥、自主协调、主动汇报,人只在关键决策点介入。**

v1.0 的定义:"用户提一句话需求,平台自动组织 Agent 团队完成全生命周期工作。"

区别在哪?v1.0 假设用户知道自己要什么。v2.0 假设用户只有一个模糊方向,**帮用户想清楚要什么**是系统的核心能力之一。

---

## 1. 为什么要推倒重来

### 1.1 v1.0 的根本问题

v1.0 的定位是"AI Native DevOps Platform",但实际做出来的东西是**用传统 Web 应用的方式管理 AI Agent**:

- 编排是确定性状态机(engine.py 1589 行硬编码流转)
- 用户交互是点按钮、填表单
- 前端是 12 个固定 Tab
- Agent 之间靠邮件异步通信
- AI 只在"执行节点"里出现,其余全是传统代码

这不是 AI native。这是**给 AI 团队做了一套 ERP**。

### 1.2 核心洞察

> **AI native 不意味着系统里用了 AI,而意味着 AI 参与系统的每一个决策层。**

传统系统:人做所有决策 → 系统执行。
AI native:AI 做大部分决策 → 人在关键点介入。

### 1.3 v1.0 的资产

推翻的是方向和架构,不是所有工作:

| 资产 | 保留原因 |
|------|---------|
| 6 个 Agent 的角色定义和 Skills | 核心能力,花了很多时间调教 |
| SQLite 数据模型 + 任务存储 | 任务追踪是通用需求 |
| WebSocket 实时推送基础 | 实时能力是 AI native 的基础设施 |
| 结构化产出规范 | Agent 产出需要可解析 |
| 质量门禁思路(做 + 挑战) | 差异化能力 |
| 苏格拉底需求分析 Skill | v2.0 的核心入口能力 |

---

## 2. 核心理念

### 2.1 四条信念

**B1. AI 帮人想清楚要什么,比 AI 替人干活更有价值**

用户提出模糊方向 → AI 通过对话帮用户梳理成清晰目标 → 再执行。
需求越清晰,执行越精准,返工越少。需求探索不是前置步骤,是**系统最有价值的部分**。

**B2. 编排层应该是一个 AI 指挥官,不是一段确定性代码**

不是"状态 A 满足条件 → 转到状态 B",而是"AI 感知全局 → 判断局势 → 决定下一步"。
确定性引擎可以保留作为底层执行保障,但决策层必须是 AI。

**B3. Agent 之间共享意识,不传递消息**

Agent 之间不互发消息,而是通过 Daemon 共享状态空间,按需查询其他 Agent 的产出和状态。

不是 A 写信 → B 读信 → B 回信(异步、延迟、有损)。
而是所有 Agent 共享一个实时信息空间,随时读写,看到全局。

**B4. 人退到系统的边缘**

人的角色:提出方向 → 确认共识 → 关键决策 → 验收。
其余时间人不参与,AI 主动汇报,人可以随时介入。

### 2.2 与 v1.0 铁律的关系

v1.0 有四条铁律(IR-1~IR-4)。v2.0 不再叫"铁律",因为铁律暗含"人在约束 AI"。v2.0 的信念是从 AI 的能力出发定义系统该长什么样。

但 v1.0 的核心精神保留:

| v1.0 铁律 | v2.0 对应 | 变化 |
|-----------|----------|------|
| IR-1: 每个任务至少 2 个 Agent | B2 指挥官模式 | 挑战机制不取消,但由指挥官动态决定什么时候需要、挑战到什么程度 |
| IR-2: Plan → Execute → Validate | B2 指挥官模式 | 保留三阶段,但不是每个节点都强制走完,由指挥官判断 |
| IR-3: 全局视野 | B3 共享意识 | 从"任务主页给人看"变成"共享空间所有参与者都能读写" |
| IR-4: 安全红线 | B4 人退到边缘 | 保留安全拦截,但加入 AI 自主判断什么时候该拉人 |

---

## 3. 系统画面

### 3.1 用户视角的理想体验

```
你: "我想搞一个基于成交量的动量策略"

庞统: "好,动量方向有很多种走法。你现在的直觉是基于什么?
      - 价格动量(追涨杀跌)
      - 成交量动量(放量突破)
      - 还是两者结合?"

你: "成交量吧,最近观察到放量之后经常有一波行情"

庞统: "有意思。那你观察的是什么周期?日线级别还是分钟线?
      另外'一波行情'你的预期是持有多久?"

你: "日线级别,持有大概 3-10 天"

庞统: "明白了。我整理一下我们的共识:

      方向: 基于成交量的日线动量策略
      持仓周期: 3-10 天(波段交易)
      核心假设: 放量后趋势延续

      还想确认几个约束:
      1. 标的池?全 A?还是指数成分?
      2. 资金量级?
      3. 能接受的最大回撤?"

你: "全A,100万,回撤不超过15%"

庞统: "需求清晰了。我来安排执行,预计40分钟出初步结果。"

[15分钟后]

庞统: "赵云数据准备完了,发现2024-08分钟线有缺失,
      我让赵云用日线补齐了。张飞已经开始写策略。"

[30分钟后]

庞统: "张飞写完了,司马懿review提了2个问题:
      1. 止损逻辑有未来函数风险(已修)
      2. 建议加入仓位管理(张飞认同,在加)
      预计再10分钟。"

[40分钟后]

庞统: "策略完成。年化收益23%,最大回撤12.3%,Sharpe 1.6。
      司马懿已验收。策略代码和回测报告在这里。
      你看一下?"
```

**全程用户说了三句话。** 中间庞统自主处理了数据缺失、协调了 review 意见、调整了计划。

### 3.2 系统内部发生了什么

```
用户的模糊方向
    │
    ▼
┌──────────────────────────┐
│ Phase 1: 需求探索         │
│ 苏格拉底式对话            │
│ 你和庞统共创清晰目标      │
│ 输出: 目标+约束+验收标准   │
└────────────┬─────────────┘
             │
             ▼
┌──────────────────────────┐
│ Phase 2: 动态规划         │
│ 庞统规划 → 司马懿挑战     │
│ 输出: 活的执行计划         │
│ (不是固定DAG,可随时调整)  │
└────────────┬─────────────┘
             │
             ▼
┌──────────────────────────┐
│ Phase 3: 自主执行         │
│ Agent群共享意识,自主协作  │
│ 庞统持续观察,实时调整     │
│ 异常自动处理,解决不了拉人 │
│ 执行过程中计划可演进       │
└────────────┬─────────────┘
             │
             ▼
┌──────────────────────────┐
│ Phase 4: 主动汇报         │
│ AI推送结果和关键发现       │
│ 用户验收,可追问可调整     │
└──────────────────────────┘
```

人的参与密度:Phase 1 高 → Phase 2 可选确认 → Phase 3 几乎不参与(可随时介入)→ Phase 4 验收。

---

## 4. 架构理念

### 4.1 从四层变四相

v1.0 的架构是传统分层:前端 → API → 编排引擎 → Agent 层。

v2.0 不分层,而是定义四个**交互相位(Phase)**,每个相位内部由 AI 驱动:

### Phase 1: 需求探索(苏格拉底对话)

**谁参与**: 用户 + 庞统
**AI 的角色**: 不只是"理解需求",而是**帮用户发现需求**
**核心技术**: 苏格拉底式提问 Skill
**输入**: 用户的一句话方向
**输出**: 清晰的目标、约束、验收标准(用户确认后的共识)

**关键设计点**:
- 对话是多轮的,不是一次性的
- 庞统根据领域知识主动提问,不是被动等待
- 用户可以随时补充、修改、推翻之前的说法
- 最终形成的共识要**用户明确确认**才能进入下一阶段

### Phase 2: 动态规划(AI 规划 + 挑战)

**谁参与**: 庞统(规划)+ 司马懿(挑战)+ 用户(可选确认)
**AI 的角色**: 规划者 + 质量守门人
**核心技术**: 动态规划能力 + 质量门禁

**关键设计点**:
- 规划不是一次性的。执行过程中计划可以调整
- 规划结果不是固定 DAG,而是**活的执行方案**
- 司马懿挑战规划的合理性,多轮协商达不成共识则升级
- 用户可以选择确认计划,也可以直接让 AI 开始执行

**和 v1.0 的区别**:
- v1.0: plan.json 一次性生成 → engine 固定执行
- v2.0: 计划是活的,庞统全程在场随时调整

### Phase 3: 自主执行(Agent 协作群)

**谁参与**: 所有 Agent + 庞统(持续指挥)
**AI 的角色**: 执行者 + 指挥官
**核心技术**: 共享意识空间 + 持续指挥

**关键设计点**:

**共享意识空间(Blackboard)**:
```
┌──────────────────────────────────────┐
│           共享任务空间                  │
│                                      │
│  目标: 基于成交量的日线动量策略          │
│  约束: 最大回撤15%, 资金100万           │
│  当前阶段: 策略编码                     │
│                                      │
│  赵云: 数据准备完成,2024-08有缺失已补齐  │
│  张飞: 正在写策略,进度60%               │
│  姜维: 回测环境就绪                     │
│  庞统: 判断正常,张飞完成后进review       │
│  司马懿: 待命                          │
│                                      │
│  风险: 无                              │
│  阻塞: 无                              │
└──────────────────────────────────────┘
```

每个 Agent 随时可以:
- 读取全局状态和其他 Agent 的状态
- 写入自己的状态、发现、意图
- 感知到其他 Agent 的变化

**持续指挥官(庞统)**:
- 不是提交 plan 后退场,而是全程在线
- 每个关键节点完成后被通知,评估全局状态
- 出现异常时自主决策(换人、换方案、调整优先级)
- 解决不了的问题才升级给用户

**Agent 自主协作**:
- Agent 不只是被动接任务,可以主动发起协作
- 赵云发现数据问题 → 直接在共享空间标记 → 张飞看到后调整工作
- 不需要通过中央调度器传递信息

**和 v1.0 的区别**:
- v1.0: Agent 之间通过 Sanguo Mail 异步通信
- v2.0: Agent 通过共享空间实时感知 + 必要时直接对话

### Phase 4: 主动汇报(AI 推送)

**谁参与**: 庞统 → 用户
**AI 的角色**: 汇报者
**核心技术**: 自然语言生成 + 主动推送

**关键设计点**:
- AI 主动推送进度和结果,不需要用户查 Dashboard
- 汇报内容是自然语言,不是结构化数据的展示
- 用户可以追问细节、要求调整、推翻结论
- 关键决策点(花钱、发交易、删数据)AI 主动请求确认

### 4.2 编排层的范式转变

**v1.0**: 确定性引擎(状态机 + 固定流转)
```
for node in sorted_nodes:
    execute(node)
    if failed: retry or wait
```

**v2.0**: AI 驱动的指挥循环(感知 → 推理 → 行动)
```
while 任务未完成:
    全局状态 = 感知所有Agent和共享空间()
    下一步 = 庞统(全局状态) → "该做什么,谁来做"
    执行(下一步)
    观察结果 → 更新共享空间
    如果需要人的决策 → 暂停并汇报
```

这不意味着完全砍掉确定性引擎。底层执行仍然需要状态追踪、超时保护、故障恢复。但在执行层之上,有一个 AI 指挥层做动态决策。

### 4.3 界面的范式转变

**v1.0**: 12 个固定 Tab 的 Dashboard 是主入口
**v2.0**: Agent 对话 + Dashboard 双入口

| 界面 | v1.0 | v2.0 |
|------|------|------|
| 主入口 | Dashboard (8082端口) | Agent 对话 + Dashboard 双入口 |
| 监控 | Dashboard 内的多个 Tab | Dashboard AI Native 监控(AI Briefing + 智能摘要) |
| 操作 | 点按钮 | 对话中说"暂停""换人""调整方向" + Dashboard 操作 |
| 信息获取 | 人去查 | AI 主动推 + Dashboard 实时展示 |
| 干预 | Dashboard 上的操作按钮 | 对话或 Dashboard 均可 |

Dashboard 不降级为可选监控工具,而是进化为 AI Native 的可视化入口,与 Agent 对话互为补充。Dashboard 如何做到 AI Native 是独立课题。

---

## 5. 核心能力清单

### 5.1 能力 vs 现状

| # | 能力 | 说明 | v1.0 现状 | v2.0 目标 |
|---|------|------|----------|----------|
| C1 | **需求探索对话** | 苏格拉底式提问,帮用户梳理需求 | ✅ 有 Skill | 核心入口,深度融合 |
| C2 | **动态规划** | AI 规划 + 挑战,计划可演进 | ⚠️ plan.json 一次性 | 活的执行方案,全程可调 |
| C3 | **持续指挥** | 庞统全程在线,实时观察调整 | ❌ 交完 plan 退场 | 指挥官模式,关键节点介入 |
| C4 | **共享意识** | Agent 通过 Daemon API 查询共享状态 | ❌ Sanguo Mail 异步 | Daemon HTTP API + SQLite |
| C5 | **自主协作** | Agent 通过共享空间感知并协调 | ❌ 全靠中央调度 | 中央调度为主,v2.1+ 目标 peer-to-peer |
| C6 | **质量门禁** | 独立挑战者评审产出 | ✅ 有基础实现 | 保留,指挥官动态决定深度 |
| C7 | **主动汇报** | AI 推送进度和结果 | ❌ 人查 Dashboard | AI 主动推送自然语言摘要 |
| C8 | **经验沉淀** | 每次执行自动提炼经验 | ❌ 无 | 自动沉淀到知识库,下次复用 |
| C9 | **安全护栏** | 危险操作拦截、审批 | ✅ 有基础 | AI 自主判断 + 红线拦截 |
| C10 | **工具链集成** | lint/test/build 自动触发 | ❌ 未实现 | 按需调用,结果驱动流转 |

### 5.2 能力依赖关系

```
C1 需求探索
  │
  ▼
C2 动态规划 ─────────────────┐
  │                          │
  ▼                          ▼
C3 持续指挥 ←→ C4 共享意识 ←→ C5 自主协作
  │              │
  │              ▼
  │          C8 经验沉淀
  │
  ├──→ C6 质量门禁
  ├──→ C7 主动汇报
  ├──→ C9 安全护栏
  └──→ C10 工具链集成
```

核心环是 C3 + C4 + C5(持续指挥 + 共享意识 + 自主协作)。这是 AI native 和传统系统的根本区别。

---

## 6. 技术方向

### 6.1 编排层:全新实现

**v2.0 是全新代码、全新仓库、全新部署，与 v1.0 完全隔离。**

- v1.0 继续运行，v2.0 独立开发
- 保留的只有设计思想（状态机守卫、幻觉门控等经验教训），不保留代码
- v2.0 的编排引擎是全新设计的 Daemon（FastAPI + SQLite + 事件循环）

底层:轻量确定性引擎（状态机、超时保护、故障恢复）
上层:AI 指挥层（庞统在每个关键决策点介入）

关键决策点:
- 规划完成后（验证计划合理性）
- 每个节点完成后（评估全局,决定下一步）
- 异常发生时（诊断原因,决定应对策略）
- 任务完成时（汇总结果,生成汇报）

### 6.2 通信层:中央调度 + 共享状态

**v2.0 采用中央调度模式（Daemon 是唯一中枢）。**

- **Daemon API**:所有 Agent 通过 HTTP API 查询共享状态、回报结果
- **`openclaw agent` CLI**:Daemon 通过 CLI 调度 Agent
- **邮件保留**:Sanguo Mail 作为 fallback（v2.0 不直接依赖，但保留兼容性）
- **v2.1+ 目标**:Agent 主动感知 + peer-to-peer 协作（当前不做）

### 6.3 入口层:双入口——对话 + Dashboard

**v2.0 有两个入口：Agent 对话和 Dashboard。**

**Agent 对话入口**（OpenClaw session）：
- 主力入口，大部分交互通过自然语言完成
- 需求探索、任务下达、进度查询、方向调整
- 适合日常操作和移动端场景

**Dashboard 入口**（Web 前端）：
- 可视化监控面板，展示全局状态和任务详情
- 适合全局观察、批量查看、调试排查
- Dashboard 如何做到 AI Native 是独立课题（如 AI Briefing、智能摘要、上下文感知布局）

两个入口共享同一套黑板数据，操作一致。

### 6.4 经验层:从无到有

每次任务完成后,AI 自动提炼:
- 任务模式(什么类型的需求走了什么路径)
- 时间模型(每个 Agent 处理什么类型任务需要多久)
- 常见陷阱(什么情况下容易出错)
- 最优实践(什么做法效果最好)

沉淀到知识库,下次类似任务自动复用。

---

## 7. 开发策略

> **核心原则：不分阶段，不妥协，直奔 AI Native。**
>
> 每个部分设计到清楚为止，不强求按固定阶段交付。
> 不做"先做个简单版再迭代"——简单版往往变成永久版。
> 宁可某个部分多花时间想清楚，也不急着上线一个妥协方案。

### 设计推进方式

按课题（Topic）逐个推进，每个课题包含：调研→设计→评审→定稿。

课题之间允许并行推进，不强制串行。每个课题设计清楚就定稿，不等其他课题。

**已完成课题**：课题1（三层执行模型）、课题2（事件驱动+Inbox）、课题3（挑战/评审体系）、课题4（拆解+上下文）、课题6（经验沉淀）、课题7+9（交互+Dashboard）、课题10（上下文管理）。

**待推进课题**：见各课题方案文档。

### 开发启动条件

所有核心课题设计完成后启动开发。开发顺序由设计依赖关系决定，不由阶段划分决定。

---

## 8. 调研发现与待回答问题

以下问题基于 2026-05-13 调研（知识库 14 个项目 + 业界 5 个方向），部分已有答案。

### 8.1 编排智能化 — 已有部分答案

**业界共识**: “可预测骨架 + LLM 动态填充”，不纯 DAG 也不纯 ReAct。

- LangGraph：图定义结构，条件边动态路由
- OpenAI Agent SDK：Handoff 显式转交 + 对话历史传递
- Google ADK：层级树 + LLM 做委派决策
- open-multi-agent：Goal-first，Coordinator 动态分解为 DAG
- Ouroboros：后台意识循环（比"持续指挥官"更激进——不是任务来了才调度，而是一直在思考）

**待深入**: 确定性保障机制（防死循环/乱调度）的具体实现方式

### 8.2 共享意识 — 已有部分答案

**通信模式递进**（按 AI native 程度）:
1. 点对点异步消息（Sanguo Mail）——最基础
2. 共享工作区 + 结构化产出（Claude Code）——简单有效
3. 对话历史传递（OpenAI Handoff）——"surprisingly effective"
4. Blackboard 广播（学术前沿：LbMAS/bMAS）——最强但最复杂
5. Canonical IR 中间表示（Opal-Bridge）——N 个 Agent 只需 2N 个 adapter

**冲突解决**（wiki 已蒸馏）: 写冲突用锁、逻辑冲突用仲裁、资源冲突用队列
**并行安全**: Network-AI 的 propose→validate→commit 原子写入

**待深入**: 信息过载的具体解决方案（分层黑板 + LLM 控制单元路由）

### 8.3 Agent 自主协作 — 已有框架

**4 种编排模式**（wiki 已蒸馏）: 线性/并行/主从/网状，有明确选择指南
**Agent 自主协作参考**: Ouroboros 的后台意识、wanman 的 Steer/FollowUp 优先级
**多模型交叉验证**: Ouroboros 用 o3/Gemini/Claude 评审自己的变更

**待深入**: peer-to-peer 协作中“两个 Agent 同时改同一文件”的防竞态方案

### 8.4 经验沉淀 — 已有成熟框架

**Memory → Skills → Rules 三层压缩**（Experience Compression Spectrum）
**闭环学习**: DISCOVER → DISTILL → APPLY → IMPROVE（wiki 知识管理体系）
**五层蒸馏**: 表达DNA → 心智模型 → 决策启发式 → 反模式 → 诚实边界（nuwa-skill）
**五路径增长**: 调研驱动 / 问题驱动 / 外部注入 / 反向触发 / 交叉碰撞
**反向触发特别重要**: Agent 发现好实践时主动建议"可以改善我们的 X"——AI native 的经验沉淀

**待深入**: 经验自动从执行 trace 中提取的具体方法、过时经验处理

### 8.5 人的介入方式 — 已有成熟做法

**分阶段介入**: 设计时深度 → 执行时旁观 → 完成时审查
**权限光谱**: Claude Code 7 种权限模式（全自动到每步审批）
**安全机制**: Scope Reduction Detection（防偷懒）、Change Capsule（变更审查）、Steer 优先级（紧急中断）

**待深入**: “AI 主动求助”的触发条件设计、人介入后无缝交还控制权

### 8.6 端到端参考 — 部分覆盖

**最接近全链路的**: get-shit-done（idea→research→requirements→roadmap→discuss→plan→execute→verify→ship）
**最大规模多 Agent**: Hermes v0.13 Kanban（运维保障好但编排传统）
**最激进 AI native**: Ouroboros（自修改 + 后台意识 + 宪法驱动）
**跨 Agent 互操作**: Opal-Bridge（Canonical IR + Moments + Fidelity 三档）

**待深入**: 从“需求探索”到“交付验收”全链路 AI native 的完整系统尚未出现

---

## 9. 与现有系统的关系

| 系统 | v1.0 关系 | v2.0 关系 |
|------|----------|----------|
| **OpenClaw** | 底层基础设施 | **主入口**(对话通过 session)+ 基础设施 |
| **Sanguo Mail** | Agent 间异步通信 | 降级为 fallback,主通信走共享空间 |
| **Mozi** | 经验来源 | 不变,经验教训是输入 |
| **moziplus Dashboard** | 主入口 | AI Native 可视化入口(与 Agent 对话双入口) |
| **知识库** | 存基础数据 | 经验沉淀的核心载体 |

---

## 10. 风险

| 风险 | 说明 | 缓解思路 |
|------|------|---------|
| AI 指挥不稳定 | AI 调度可能做出错误决策 | 底层确定性引擎兜底 + 人可随时介入 |
| 共享空间信息过载 | Agent 写入太多信息 | 结构化 + 摘要 + 按需读取 |

## 10.1 安全红线（C9 详细定义）

以下操作必须 AI 拦截并拉人确认，不允许自主执行：

| 红线 | 说明 | 拦截方式 |
|------|------|----------|
| 实盘交易 | 任何涉及真实资金的操作 | 强制人工确认 |
| 数据删除 | 删除历史数据、回测结果 | 强制人工确认 |
| 系统配置变更 | 修改 daemon/API/Agent 配置 | 强制人工确认 |
| 大额 token 消耗 | 单步 > 100K token | 自动暂停 + 通知 |
| Agent 不受控行为 | Agent 执行超出步骤范围 | 自动终止 + 升级 |
| 连续失败 | 同一任务连续 3 个步骤失败 | 暂停 + 人工介入 |

## 10.2 v2.0 范围声明

**v2.0 实现范围**：
- ✅ 四相循环（需求探索→动态规划→自主执行→主动汇报）
- ✅ 中央调度模式（Daemon 是唯一中枢）
- ✅ 配置化零硬编码
- ✅ 质量门控 + 异常处理 + 经验沉淀
- ✅ 人工介入（steer/takeover/intervene）

**v2.1+ 后续版本**：
- 🔜 Agent 主动感知（不依赖庞统调度）
- 🔜 peer-to-peer 协作
- 🔜 工具链自动集成（lint/test/build）
- 🔜 Fidelity 信息路由（按角色分级）
- 🔜 Boids 协作规则注入
- 🔜 Dashboard 监控面板

## 10.3 多任务并发

用户可能同时发起多个任务。v2.0 处理方式：
- Agent 是有界资源（每个 Agent 同时只执行一个步骤）
- Daemon 维护 Agent 可用性表，调度时检查
- 任务间资源冲突时按优先级排队（critical > standard > exploratory）
- 每个任务独立 artifacts 目录，无文件冲突

## 10.4 任务失败恢复

Phase 3 执行中途失败的处理策略：
- **单步失败**：重试（max_retries=3），换 Agent，或升级
- **计划失败**：AI 判断是否需要 replan，或从中断点继续
- **用户改主意**：steer/replan 重新规划，不从头开始
- **不可恢复**：标记 failed，保留所有产出物和执行历史，支持用户事后分析

---

## 附录: v1.0 → v2.0 变化摘要

| 维度 | v1.0 | v2.0 |
|------|------|------|
| 核心假设 | 用户知道自己要什么 | 用户只有模糊方向,AI 帮他梳理 |
| 编排方式 | 确定性状态机 + 固定 DAG | AI 指挥循环 + 活计划 |
| Agent 通信 | Sanguo Mail 异步邮件 | Daemon HTTP API + openclaw agent CLI |
| 主入口 | Web Dashboard | 自然语言对话 |
| 人的参与 | 全程驾驶 | 提方向 → 关键决策 → 验收 |
| 前端定位 | 操作面板 | Agent 对话 + Dashboard 双入口，Dashboard AI Native 化 |
| 经验沉淀 | 无 | 每次执行自动提炼 |
| AI 的位置 | 只在执行节点 | 参与每一层决策 |