cfdaily
42 KiB
42 KiB
moziplus v2.0 — AI 原生多Agent编排平台 架构设计
版本: v2.1（技术架构修订）
日期: 2026-05-14
作者: 庞统（副军师）
状态: 草案，待用户确认
调研基础: docs/research/shared-consciousness-research.md
变更记录: v2.1 修正了 Agent 调度方式（放弃 sessions_send/sessions_spawn，改用主 session + Daemon API）
0. 设计哲学
"可预测的骨架 + AI 驱动的填充" —— 不是纯 DAG，也不是纯 ReAct，而是混合模式。
六个核心信念：
- AI 参与每一个决策层 —— 编排/路由/渲染/异常处理/经验沉淀都有 AI 参与
- 黑板是唯一真相源 —— 所有 Agent 通过黑板共享信息，没有私下通信
- 产出物 > 消息 —— 共享产出物比共享消息更重要
- 验证才算完 —— 不验证产出不算完成
- 有界并行 —— 默认最多 4 个 Agent 并行（有学术依据）
- 闭环学习 —— 执行→经验沉淀→下次改进
1. 系统总览
1.1 宏观架构
用户（自然语言）
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 对话入口（Conversation Layer） │
│ 庞统的持久 session，用户唯一交互点 │
│ 支持：WebChat / CLI / Cron 触发 / API 调用 │
└───────────────────────┬─────────────────────────────────────┘
│
┌───────────────────────▼─────────────────────────────────────┐
│ 庞统 AI 指挥官（Control Unit） │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ Phase 1 │ │ Phase 2 │ │ Phase 3 │ │ Phase 4 │ │
│ │ 需求探索 │ │ 动态规划 │ │ 自主执行 │ │ 主动汇报 │ │
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │
│ │
│ 内置机制： │
│ - /goal Ralph Loop：持久目标跨 turn 保持 │
│ - Scope Reduction Detection：防偷懒 │
│ - 幻觉门控：验证产出再算完成 │
│ - Fidelity 路由：按需分发信息 │
│ - Boids 规则注入：Agent 协作行为塑造 │
│ │
│ ┌──────────────────────────────────────────────────────┐ │
│ │ Blackboard（共享意识空间） │ │
│ │ │ │
│ │ TaskCtx │ Moments │ Artifacts │ Decisions │ Plan │ │
│ │ AgentStates │ Experience │ EventLog │ │
│ └──────────────────────────────────────────────────────┘ │
└───────────────────────┬─────────────────────────────────────┘
│ Fidelity 三档读写
┌─────────────┼─────────────┐
│ │ │
┌────▼────┐ ┌────▼────┐ ┌────▼────┐
│ 张飞 │ │ 关羽 │ │ 赵云 │ ...
│ 编码 │ │ 风控 │ │ 数据 │
└─────────┘ └─────────┘ └─────────┘
每个 Agent: isolated session + SOUL.md + Skills
写入保护: propose → validate → commit
1.2 与 v1.0 的关系
| 维度 | v1.0 | v2.0 |
|---|---|---|
| 编排 | 固定 DAG 模板 + 确定性状态机 | 庞统 AI 动态规划 + 持续指挥 |
| 通信 | Sanguo Mail（异步邮件轮询） | Blackboard（实时共享读写） |
| 入口 | CLI + Dashboard | 自然语言对话 |
| 计划 | 一次性生成不可变 | 持续演进，可随时调整 |
| Agent 调度 | 按模板固定分配 | 按能力画像动态选择 |
| 信息可见性 | 每个 Agent 只看自己 | Fidelity 三档按需 |
| 异常处理 | Report Watcher（规则） | 庞统 AI 判断 |
| 验证 | output.md frontmatter | 幻觉门控 + AI 验证 |
| 经验 | 无闭环 | DISCOVER→DISTILL→APPLY→IMPROVE |
v2.0 独立仓库、独立代码、独立部署。v1.0 继续运行，互不干扰。
2. 核心模块详细设计
2.1 Blackboard（共享意识空间）
2.1.1 物理结构
~/.sanguo_projects/sanguo_moziplus_v2/
├── blackboard/ # 共享意识空间根目录
│ ├── tasks/ # 任务空间
│ │ └── {task-id}/ # 每个任务独立目录
│ │ ├── context.json # 任务上下文（目标/约束/状态）
│ │ ├── moments.jsonl # 原子事件流（追加写入）
│ │ ├── plan.json # 动态计划图谱
│ │ ├── decisions.jsonl # 决策记录（不可变）
│ │ ├── agents/ # 各 Agent 工作区
│ │ │ ├── {agent-id}/
│ │ │ │ ├── state.json # Agent 当前状态
│ │ │ │ ├── output/ # Agent 产出物
│ │ │ │ └── inbox/ # Agent 专属信箱（通知类）
│ │ │ └── ...
│ │ └── artifacts/ # 共享产出物索引
│ │ └── index.json # 产出物注册表
│ ├── global/ # 全局共享空间
│ │ ├── agent-registry.json # Agent 能力画像注册表
│ │ ├── experience/ # 跨任务经验库
│ │ │ ├── {domain}.jsonl # 按领域组织
│ │ │ └── index.json # 经验索引
│ │ └── templates/ # 任务模板库
│ │ └── {template-id}.json
│ ├── events/ # 不可变全局事件日志
│ │ └── {date}.jsonl # 按日期分文件
│ ├── inbox/ # 用户需求入口
│ │ └── {req-id}.json # 待处理需求
│ └── locks/ # 写入锁目录
│ └── {resource-path}.lock # 文件锁
├── daemon/ # 守护进程代码
├── skills/ # Skill 包
├── docs/ # 文档
└── config/ # 配置
2.1.2 数据结构定义
context.json — 任务上下文：
{
"task_id": "task-20260514-001",
"title": "均线策略回测",
"goal": "对双均线交叉策略在沪深300上进行5年回测",
"intent": "验证该策略在A股市场的有效性",
"end_state": "回测报告完整，包含收益曲线、最大回撤、夏普比率",
"constraints": [
"数据范围：2020-2025",
"标的：沪深300指数",
"初始资金：100万"
],
"state": "executing", // exploring → planning → executing → reviewing → completed
"phase": 3, // 当前四相阶段
"created_at": "2026-05-14T08:00:00+08:00",
"updated_at": "2026-05-14T08:15:00+08:00",
"parent_task": null, // 子任务指向父任务
"tags": ["backtest", "strategy", "moving-average"],
"confidence": 0.0 // 庞统对"需求理解程度"的自评
}
moments.jsonl — 原子事件流（每行一个 JSON）：
{"type":"task_created","ts":"...","agent":"pangtong","data":{"goal":"..."}}
{"type":"requirement_clarified","ts":"...","agent":"pangtong","data":{"clarifications":[...]}}
{"type":"plan_generated","ts":"...","agent":"pangtong","data":{"plan_id":"p1","steps":5}}
{"type":"plan_approved","ts":"...","agent":"pangtong","data":{"approved_by":"user"}}
{"type":"agent_assigned","ts":"...","agent":"pangtong","data":{"agent":"zhaoyun","step":"s1"}}
{"type":"agent_started","ts":"...","agent":"zhaoyun","data":{"step":"s1"}}
{"type":"artifact_produced","ts":"...","agent":"zhaoyun","data":{"file":"data.csv","summary":"5年日线数据","confidence":0.95}}
{"type":"agent_completed","ts":"...","agent":"zhaoyun","data":{"step":"s1","status":"success"}}
{"type":"anomaly_detected","ts":"...","agent":"pangtong","data":{"type":"data_quality","severity":"warning"}}
{"type":"plan_adjusted","ts":"...","agent":"pangtong","data":{"reason":"数据质量问题","added_step":{...}}}
{"type":"consensus_reached","ts":"...","agent":"pangtong","data":{"result":"回测通过"}}
{"type":"task_completed","ts":"...","agent":"pangtong","data":{"final_state":"success"}}
plan.json — 动态计划图谱：
{
"plan_id": "p1",
"task_id": "task-20260514-001",
"version": 3,
"steps": [
{
"id": "s1",
"type": "data_fetch",
"intent": "获取沪深300的5年日线数据",
"end_state": "数据文件就绪，通过质量检查",
"constraints": ["使用AKShare", "保存为CSV"],
"agent": "zhaoyun",
"status": "completed",
"artifacts": ["data/hs300_daily.csv"],
"started_at": "...",
"completed_at": "...",
"confidence": 0.95
},
{
"id": "s2",
"type": "strategy_implementation",
"intent": "实现双均线交叉策略",
"end_state": "策略代码可运行，通过单元测试",
"constraints": ["使用vnpy框架", "参数可配置"],
"agent": "zhangfei",
"status": "executing",
"depends": ["s1"],
"started_at": "..."
},
{
"id": "s2.5",
"type": "data_cleaning",
"intent": "清洗异常数据点",
"end_state": "异常值处理完毕，数据连续无缺失",
"agent": "zhaoyun",
"status": "pending",
"depends": [],
"added_dynamically": true,
"add_reason": "s1 完成后发现数据有缺失值"
}
],
"changelog": [
{"version":1,"change":"初始计划","ts":"..."},
{"version":2,"change":"添加 s2.5 数据清洗步骤","reason":"发现数据质量问题","ts":"..."},
{"version":3,"change":"调整 s3 约束","reason":"用户要求改为vnpy框架","ts":"..."}
]
}
agent-registry.json — Agent 能力画像：
{
"agents": {
"zhaoyun-data": {
"name": "赵云",
"role": "数据总管",
"capabilities": ["data_fetch", "data_cleaning", "data_validation", "quality_check"],
"tools": ["exec", "read", "write", "web_fetch"],
"model_preference": "auto",
"max_parallel_tasks": 1,
"priority": 2,
"performance": {
"tasks_completed": 42,
"avg_confidence": 0.91,
"avg_duration_minutes": 8,
"strengths": ["data_quality", "python"],
"last_active": "..."
},
"session_key": "agent:zhaoyun-data:main"
},
"zhangfei-dev": {
"name": "张飞",
"role": "编码先锋",
"capabilities": ["coding", "backtest", "strategy_implementation", "scripting"],
"tools": ["exec", "read", "write", "edit"],
"model_preference": "auto",
"max_parallel_tasks": 1,
"priority": 1,
"performance": { ... },
"session_key": "agent:zhangfei-dev:main"
},
"guanyu-dev": {
"name": "关羽",
"role": "风控守将",
"capabilities": ["risk_check", "position_sizing", "stop_loss", "live_audit"],
"tools": ["exec", "read", "write", "edit"],
"model_preference": "auto",
"max_parallel_tasks": 1,
"priority": 3, // 风控最高优先级
"performance": { ... },
"session_key": "agent:guanyu-dev:main"
},
"simayi-challenger": {
"name": "司马懿",
"role": "质量总监",
"capabilities": ["code_review", "challenge", "final_acceptance"],
"tools": ["exec", "read", "write", "edit"],
"model_preference": "auto",
"max_parallel_tasks": 1,
"priority": 2,
"performance": { ... },
"session_key": "agent:simayi-challenger:main"
},
"jiangwei-infra": {
"name": "姜维",
"role": "平台总督",
"capabilities": ["deployment", "docker", "nas", "backtest_server", "vnpy"],
"tools": ["exec", "read", "write", "edit"],
"model_preference": "auto",
"max_parallel_tasks": 1,
"priority": 1,
"performance": { ... },
"session_key": "agent:jiangwei-infra:main"
}
}
}
decisions.jsonl — 决策记录（不可变）：
{"ts":"...","agent":"pangtong","decision":"assign_s2_to_zhangfei","reason":"张飞擅长策略编码","alternatives_considered":["关羽(风控优先)"]}
{"ts":"...","agent":"pangtong","decision":"add_s2.5","reason":"数据清洗步骤缺失","trigger":"s1 confidence=0.7 低于阈值"}
2.1.3 写入保护：propose → validate → commit
借鉴 Network-AI 的三阶段原子写入：
Agent A:
1. propose: 写入 agents/{agent-id}/proposed/{change-id}.json
包含：target_path, proposed_content, priority, reason
Control Unit (庞统):
2. validate:
a. 格式校验（JSON schema）
b. 冲突检测（target 是否被其他 propose 锁定）
c. 优先级检查（是否有更高优先级的 propose）
d. 业务校验（状态流转是否合法）
3. commit:
a. 获取文件锁 (locks/{resource}.lock)
b. 原子写入（tmp → rename）
c. 追加 Moment 事件
d. 释放锁
或 abort:
a. 记录拒绝原因
b. 通知提议 Agent
简化规则：
- Agent 对自己工作区（
agents/{agent-id}/）的写入：自动 commit，不需要 propose - Agent 对共享区域（
artifacts/,plan.json,context.json）的写入：必须 propose → commit - Agent 对其他 Agent 工作区的写入：禁止（覆盖保护原则）
2.1.4 文件锁实现
借鉴 ClawTeam 的 fcntl + 原子 rename：
import fcntl, tempfile, os
from pathlib import Path
def atomic_write(path: Path, content: str):
"""原子写入：先写临时文件，再 rename"""
path.parent.mkdir(parents=True, exist_ok=True)
fd, tmp = tempfile.mkstemp(dir=path.parent, prefix=f"{path.stem}-", suffix=".tmp")
with os.fdopen(fd, 'w') as f:
f.write(content)
Path(tmp).replace(path) # atomic on same filesystem
class BlackboardLock:
"""文件系统互斥锁"""
def __init__(self, lock_dir: Path):
self.lock_dir = lock_dir
def acquire(self, resource: str, holder: str, timeout_ms=10000) -> bool:
lock_path = self.lock_dir / f"{resource.replace('/', '_')}.lock"
lock_path.parent.mkdir(parents=True, exist_ok=True)
start = time.monotonic()
while (time.monotonic() - start) * 1000 < timeout_ms:
try:
fd = os.open(str(lock_path), os.O_CREAT | os.O_EXCL | os.O_WRONLY, 0o600)
os.write(fd, json.dumps({"holder": holder, "acquired_at": time.time()}).encode())
os.close(fd)
return True
except FileExistsError:
# stale lock check (> 30s)
age = time.time() - lock_path.stat().st_mtime
if age > 30:
lock_path.unlink(missing_ok=True)
time.sleep(0.1)
return False
def release(self, resource: str, holder: str):
lock_path = self.lock_dir / f"{resource.replace('/', '_')}.lock"
if lock_path.exists():
data = json.loads(lock_path.read_text())
if data.get("holder") == holder:
lock_path.unlink()
2.2 Control Unit（庞统 AI 指挥官）
2.2.1 四相循环
Phase 1: 需求探索
├── 苏格拉底对话，帮用户发现真实需求
├── 歧义评分（0-1），高歧义时深入追问
├── 输出：context.json（goal/intent/end_state/constraints）
├── 自评 confidence，>0.8 才进入 Phase 2
└── 人的参与：🔴 高（全程对话）
Phase 2: 动态规划
├── 根据 context.json 生成 plan.json
├── AI 挑战：庞统自己审视计划的弱点
├── 三方共识（可选）：庞统+司马懿+用户审核
├── Plan 审批：用户确认后才执行
├── 人的参与：🟡 可选（简单任务可跳过审批）
└── 输出：plan.json（version 1）
Phase 3: 自主执行
├── 按 plan.json 调度 Agent
├── 每步执行：
│ ├── 选择 Agent（能力画像匹配）
│ ├── 注入任务上下文（Fidelity 按角色）
│ ├── Agent 写入黑板
│ ├── 幻觉门控（验证产出存在）
│ ├── 异常检测（超时/质量低/Agent 崩溃）
│ └── 动态调整计划（如需）
├── /goal Ralph Loop：跨 turn 保持目标专注
├── 人的参与：🟢 几乎不参与（可随时介入 steer）
└── 输出：artifacts/ + moments 流
Phase 4: 主动汇报
├── AI 推送进展摘要（不等人查）
├── 验收：庞统自审 + 司马懿终审
├── 经验沉淀：提取关键经验写入 experience/
├── 人的参与：🔵 验收
└── 输出：最终报告 + experience 条目
2.2.2 庞统的运行模式
事件驱动 + 持久 session：
庞统 session 始终在线（OpenClaw persistent session）
触发方式：
1. 用户发消息 → 直接在 session 中处理
2. Agent 写入黑板 → cron 定期扫描黑板变化 → wake 庞统
3. Agent 完成/失败 → 写入 moments → wake 庞统
4. 异常检测 → cron 检查 → wake 庞统
5. 用户 steer（中途干预）→ 直接注入 session
空闲时：
- 不消耗资源
- 被 wake 事件唤醒后立即恢复上下文
- 通过黑板恢复状态（不需要重载全部历史）
2.2.3 信息路由（Fidelity 三档）
def route_information(target_agent: str, task_ctx: dict, moments: list) -> dict:
"""根据目标 Agent 的角色，选择合适的信息保真度"""
role = get_agent_role(target_agent)
if role == "control_unit": # 庞统自己
return {
"fidelity": "full",
"context": task_ctx,
"moments": moments, # 全量事件
"artifacts": all_artifacts, # 全部产出物
"agent_states": all_agent_states # 所有Agent状态
}
elif role in get_collaborators(task_ctx): # 同任务协作伙伴
return {
"fidelity": "summary",
"context": task_ctx, # 完整任务上下文
"relevant_steps": filter_relevant(moments, target_agent),
"artifacts": get_dependent_artifacts(target_agent),
"summary": ai_summarize(moments) # AI 压缩摘要
}
else: # 外围 Agent
return {
"fidelity": "signal",
"action_required": get_pending_actions(target_agent),
"final_result": task_ctx.get("result"),
"notification": True
}
2.2.4 Agent 选择算法
def select_agent(step: dict, registry: dict) -> str:
"""根据步骤需求和Agent能力画像选择最合适的Agent"""
required_caps = step.get("required_capabilities", infer_caps(step))
candidates = []
for agent_id, profile in registry["agents"].items():
# 能力匹配
cap_overlap = len(set(required_caps) & set(profile["capabilities"]))
if cap_overlap == 0:
continue
# 可用性检查
if profile["performance"]["tasks_in_progress"] >= profile["max_parallel_tasks"]:
continue
# 评分：能力匹配度 * 历史表现 * 当前空闲度
score = (
cap_overlap / len(required_caps) * 0.4 + # 能力匹配
profile["performance"]["avg_confidence"] * 0.3 + # 历史表现
(1 - profile["performance"]["tasks_in_progress"] /
profile["max_parallel_tasks"]) * 0.3 # 当前空闲度
)
candidates.append((agent_id, score))
if not candidates:
return None # 需要排队或调整计划
return max(candidates, key=lambda x: x[1])[0]
2.3 Agent 层
2.3.1 Agent 工作流程
1. 接收任务
├── 庞统通过 OpenClaw sessions_send 发送任务消息
├── 消息包含：step intent + end_state + constraints + 相关黑板内容
└── 不包含：完整计划、其他Agent的详情（Fidelity 控制）
2. 执行任务
├── 读取黑板中自己需要的上下文
├── 执行实际工作（编码/数据分析/风控检查等）
├── 写入产出到 agents/{agent-id}/output/
└── 追加 Moments 事件
3. 提交产出
├── propose 共享产出物到 artifacts/
├── 庞统 validate + commit
├── 自评 [confidence: 0.X]
└── 元认知：confidence < 0.6 时推荐人工审核
4. 等待下一步
├── 庞统根据执行结果决定下一步
└── Agent 进入空闲状态
2.3.2 Agent 行为注入
每个 Agent 的 SOUL.md / prompt 中注入Boids 协作规则：
## 协作规则（Boids 群体智能）
1. **Separation（不重复）**：开始工作前检查黑板，确认没有其他 Agent 在做相同的事
2. **Alignment（风格一致）**：遵循团队的编码规范、产出格式、命名约定
3. **Cohesion（主动共享）**：发现重要信息时主动写入黑板共享区域
4. **Boundary（不越界）**：只在自己的工作区和共享区域操作，不修改其他 Agent 的产出
以及元认知自评：
## 自评要求
完成任务后，标注置信度：
- `[confidence: 0.X]` 其中 X 为 0-10
- confidence < 0.6 时说明不确定之处并推荐人工审核
- 遇到专业外的问题主动上报，不硬撑
以及Auftragstaktik 任务式指挥：
## 任务执行方式
你会收到：Intent（意图）、End State（终态）、Constraints（约束）
- 自主决定如何达成目标
- 可以选择任何合理的方法
- 但必须遵守所有 Constraints
- 遇到 Constraints 阻碍目标时，上报而不是绕过
2.4 事件系统
2.4.1 Moments 事件类型
class MomentType(str, Enum):
# 任务生命周期
TASK_CREATED = "task_created"
REQUIREMENT_CLARIFIED = "requirement_clarified"
TASK_COMPLETED = "task_completed"
TASK_FAILED = "task_failed"
# 计划
PLAN_GENERATED = "plan_generated"
PLAN_APPROVED = "plan_approved"
PLAN_ADJUSTED = "plan_adjusted"
# Agent 调度
AGENT_ASSIGNED = "agent_assigned"
AGENT_STARTED = "agent_started"
AGENT_COMPLETED = "agent_completed"
AGENT_FAILED = "agent_failed"
AGENT_BLOCKED = "agent_blocked"
# 产出
ARTIFACT_PRODUCED = "artifact_produced"
ARTIFACT_VALIDATED = "artifact_validated"
# 决策
DECISION_MADE = "decision_made"
CHALLENGE_RAISED = "challenge_raised"
CHALLENGE_VERDICT = "challenge_verdict"
# 异常
ANOMALY_DETECTED = "anomaly_detected"
TIMEOUT_WARNING = "timeout_warning"
# 用户交互
USER_STEER = "user_steer"
USER_APPROVED = "user_approved"
USER_REJECTED = "user_rejected"
# 经验
EXPERIENCE_CAPTURED = "experience_captured"
2.4.2 事件驱动唤醒
# 庞统的唤醒条件
WAKE_CONDITIONS = {
# 黑板变化检测（cron 每 30s 扫描）
"blackboard_change": {
"trigger": "moments.jsonl 有新行",
"action": "wake pangtong session",
"context": "新增的 moments"
},
# Agent 完成
"agent_completed": {
"trigger": "agents/{id}/state.json status=completed",
"action": "wake pangtong",
"context": "agent_id + step_id"
},
# 超时检测
"step_timeout": {
"trigger": "step started_at + 30min < now",
"action": "wake pangtong with alert",
"context": "step_id + duration"
},
# 用户消息
"user_message": {
"trigger": "inbox/ 有新文件",
"action": "wake pangtong",
"context": "消息内容"
}
}
2.5 经验沉淀系统
2.5.1 闭环学习
DISCOVER（发现）
├── 任务执行过程中 Agent 发现好做法
├── 异常处理中发现新模式
└── 写入 blackboard/tasks/{id}/agents/{id}/discoveries.json
DISTILL（蒸馏）
├── 任务完成后庞统自动提取关键转折点
├── 从 decisions.jsonl + moments.jsonl 提炼经验
├── 压缩为经验条目：{pattern, context, outcome, applicability}
└── 写入 blackboard/global/experience/{domain}.jsonl
APPLY（应用）
├── 新任务开始时，庞统检索相关经验
├── 按任务类型+标签匹配
├── 注入 Agent prompt 作为参考
└── 标记"来自经验 X"
IMPROVE（改进）
├── 验证经验是否真的有效
├── 无效经验标记 deprecated
├── 有效经验提升 confidence
└── 定期合并相似经验
2.5.2 经验数据结构
{
"id": "exp-001",
"pattern": "数据清洗应在策略编码前完成",
"context": "量化策略开发任务",
"outcome": "减少返工率 40%",
"applicability": ["backtest", "strategy_development"],
"source_task": "task-20260514-001",
"confidence": 0.85,
"times_applied": 3,
"times_validated": 2,
"created_at": "...",
"last_validated_at": "..."
}
2.6 监控与运维
2.6.1 健康检查
class HealthChecker:
"""定期检查黑板和 Agent 健康状态"""
checks = [
# Agent 存活检测
"agent_heartbeat", # 检查 state.json 更新时间
"agent_zombie", # 运行超过 2 小时的 Agent
"agent_stale_lock", # 超过 30 秒的锁
# 任务健康
"step_timeout", # 步骤超时
"plan_stuck", # 计划卡住（所有 pending 步骤都有未完成的依赖）
"artifact_missing", # Agent 声称产出但文件不存在（幻觉门控）
# 系统健康
"blackboard_disk", # 磁盘空间
"moment_flood", # 事件洪泛检测
]
2.6.2 Token 成本治理
借鉴 Network-AI FederatedBudget + ClawTeam 成本追踪：
class TokenBudget:
"""Token 预算管理"""
def __init__(self):
self.global_ceiling = 500_000 # 每任务全局上限
self.per_agent_ceiling = 100_000 # 每 Agent 上限
self.spent = {} # agent_id → tokens used
def check(self, agent_id: str, estimated: int) -> bool:
total = sum(self.spent.values())
if total + estimated > self.global_ceiling:
return False # 全局预算不足
if self.spent.get(agent_id, 0) + estimated > self.per_agent_ceiling:
return False # Agent 预算不足
return True
3. 技术实现方案（v2.1 修订）
⚠️ v2.1 关键修正：
- ❌ 废弃 sessions_send（不稳定、timeout）
- ❌ 废弃 sessions_spawn（sub-agent 大爆炸、session 文件堆积）
- ❌ 废弃 cron wake（不稳定）
- ✅ 采用自建 Daemon HTTP API + SQLite（v1.0 已验证可靠）
- ✅ Agent 复用主 session，通过 Daemon API 回报
- ✅ 所有状态/流转/事件类型从配置文件加载，不硬编码
3.1 技术栈
| 层级 | 技术 | 说明 |
|---|---|---|
| 编排引擎 | 自建 Daemon (FastAPI + uvicorn) | HTTP API + 事件循环，PM2 管理 |
| 数据存储 | SQLite (WAL mode) | 任务/计划/事件/Agent状态/经验 |
| 文件存储 | 文件系统 (artifacts) | 产出物（代码/数据/文档），git 可追踪 |
| Agent 运行时 | OpenClaw Gateway | Agent 的主 session 管理 |
| Agent 通信 | Daemon HTTP API | Agent 回报结果、查询黑板 |
| Agent 调度 | Gateway WS API → 主 session | 发消息到 Agent 主 session（不创建 sub-agent） |
| 庞统通信 | Gateway WS API | Daemon → 庞统主 session 注入 systemEvent |
| 配置管理 | YAML/JSON 配置文件 | 状态/流转/事件/模板全部配置化 |
| 文件锁 | fcntl / O_EXCL | 零依赖，跨进程安全 |
| 前端 | OpenClaw Control Center | 对话式入口（庞统主 session） |
| 经验检索 | ripgrep + SQLite FTS | 文本搜索 |
| 同步 | sanguo_git_sync | 已有的三端 Git 同步 |
3.2 为什么不用 OpenClaw 原生调度？
| 方案 | 问题 | 结论 |
|---|---|---|
| sessions_send | 不稳定，经常 timeout | ❌ 废弃 |
| cron wake | 各种问题，不可靠 | ❌ 废弃 |
| sessions_spawn | 每次创建新 session，文件堆积（庞统 296个/354MB），sub-agent 缺少 SOUL.md | ❌ 废弃 |
| 自建 Daemon HTTP API | v1.0 已验证（FastAPI + SQLite + PM2），可靠 | ✅ 采用 |
3.3 Agent 调度方式：主 session + HTTP 回报
核心原则：不创建 sub-agent，复用 Agent 主 session。
Daemon 需要调度张飞执行编码任务：
1. Daemon 通过 Gateway WS API 发消息到 agent:zhangfei-dev:main
- 消息内容：step intent + end_state + constraints
- 张飞在自己的主 session 里收到消息
2. 张飞执行任务
- 读取 daemon API 获取需要的上下文
- 在自己的 workspace 里工作
3. 张飞通过 daemon HTTP API 回报结果
- curl POST http://localhost:8080/api/step/{id}/complete
- body: { artifacts: [...], confidence: 0.9, summary: "..." }
- daemon 做幻觉门控（验证文件存在）
- daemon 更新 SQLite 状态
- daemon 触发下一步
4. daemon 通过 Gateway WS API 通知庞统进展
- 庞统在主 session 收到 systemEvent
- 庞统决定下一步操作
为什么不用 sub-agent？
- 每个 sub-agent 产生 3-5 个磁盘文件（.jsonl + .trajectory + .path）
- 庞统已有 296 个 session 文件 354MB，姜维 227 个 1.4GB
- sub-agent 没有 SOUL.md/IDENTITY.md，行为不够可控
- cleanup: delete 只是从 UI 隐藏，文件仍然在磁盘上
主 session 的上下文膨胀怎么办？
- Agent 每完成一个任务步骤后，daemon 发 systemEvent 触发 reset
- OpenClaw 的 reset 会压缩历史，释放上下文空间
- 或者：每 N 个步骤后自动 reset 一次
3.4 用户查看进展的流程
用户: "任务进展如何？"
│
▼
庞统主 session 收到消息
│
▼
庞统调用 Daemon API:
GET http://localhost:8080/api/task/{task_id}/status
│
▼
Daemon 返回:
{
"task": { "title": "...", "state": "executing", "phase": 3 },
"plan": { "steps": [...], "completed": 3, "total": 5 },
"current_step": {
"agent": "zhangfei",
"status": "executing",
"started_at": "...",
"progress": "正在编码策略逻辑"
},
"recent_moments": [
{ "type": "agent_completed", "agent": "zhaoyun", "summary": "数据获取完成" },
{ "type": "plan_adjusted", "reason": "发现数据质量问题" }
],
"anomalies": [],
"token_budget": { "used": 120000, "total": 500000 }
}
│
▼
庞统用 AI 生成人类可读的进展汇报，回复用户
关键设计：庞统是无状态的
- 所有任务状态在 Daemon 的 SQLite 里
- 庞统 session 不保存任务状态
- 每次被问到进展，实时查询 Daemon API
- 这比 v1.0 好：v1.0 庞统需要在 session 里记住所有任务，上下文很快就爆了
3.5 配置化（零硬编码）
config/
├── states.yaml # 任务状态定义 + 合法流转
├── step-states.yaml # 步骤状态定义 + 合法流转
├── events.yaml # 事件类型定义
├── agent-registry.json # Agent 能力画像
├── templates/ # 任务模板
│ ├── backtest.yaml
│ ├── strategy-research.yaml
│ └── deployment.yaml
└── settings.yaml # 全局设置
states.yaml:
# 任务级状态定义
# Daemon 启动时加载，代码里不允许出现硬编码的状态名
states:
- name: exploring
description: "需求探索中"
phase: 1
transitions_to: [planning, cancelled]
- name: planning
description: "动态规划中"
phase: 2
transitions_to: [executing, planning, cancelled]
- name: executing
description: "自主执行中"
phase: 3
transitions_to: [reviewing, executing, cancelled]
- name: reviewing
description: "验收中"
phase: 4
transitions_to: [completed, executing, cancelled]
- name: completed
description: "任务完成"
transitions_to: [] # 终态
- name: cancelled
description: "已取消"
transitions_to: [] # 终态
step-states.yaml:
# 步骤级状态定义
step_states:
- name: pending
transitions_to: [assigned, cancelled]
- name: assigned
transitions_to: [executing, cancelled]
- name: executing
transitions_to: [completed, failed, blocked, cancelled]
- name: completed
transitions_to: []
- name: failed
transitions_to: [pending] # 可重试
max_retries: 3
- name: blocked
transitions_to: [pending, cancelled]
代码中禁止出现硬编码状态名：
# ❌ 禁止
if task.state == "executing":
# ✅ 正确
EXECUTING = config.get_state("executing")
if task.state == EXECUTING:
3.6 核心代码模块
sanguo_moziplus_v2/
├── daemon/ # 守护进程
│ ├── main.py # FastAPI 入口
│ ├── api/ # HTTP API 路由
│ │ ├── tasks.py # 任务 CRUD
│ │ ├── steps.py # 步骤 CRUD + 回报
│ │ ├── board.py # 黑板查询
│ │ ├── moments.py # 事件查询
│ │ └── agents.py # Agent 状态/心跳
│ ├── engine/ # 编排引擎
│ │ ├── orchestrator.py # 编排主循环（事件驱动）
│ │ ├── planner.py # 动态规划
│ │ ├── selector.py # Agent 选择
│ │ ├── validator.py # 产出验证（幻觉门控）
│ │ └── experience.py # 经验沉淀引擎
│ ├── gateway_client.py # Gateway WS API 客户端
│ ├── db.py # SQLite 数据层
│ ├── lock.py # 文件锁实现
│ ├── health.py # 健康检查（daemon 内部定时）
│ ├── budget.py # Token 预算管理
│ └── config_loader.py # YAML/JSON 配置加载
├── config/ # 配置文件
│ ├── states.yaml
│ ├── step-states.yaml
│ ├── events.yaml
│ ├── agent-registry.json
│ ├── templates/
│ └── settings.yaml
├── artifacts/ # 产出物目录（git 追踪）
├── skills/ # Skill 包（供 Agent 加载）
│ ├── task-bootstrap/ # Agent 任务引导 Skill
│ │ └── SKILL.md # Boids + 元认知 + Auftragstaktik
│ └── wiki-query/ # 复用已有
├── docs/
│ ├── design/
│ └── research/
├── scripts/
│ ├── create-task.sh # CLI: 创建任务
│ ├── status.sh # CLI: 查看状态
│ └── bootstrap.sh # 初始化脚本
└── README.md
3.3 关键交互流程
流程 1：完整任务生命周期
用户: "帮我做一个均线策略回测"
│
▼
庞统 Phase 1（需求探索）
├── 苏格拉底对话 2-3 轮
├── 澄清：标的？周期？资金？评价指标？
├── 写入 context.json，confidence=0.9
└── 转入 Phase 2
│
▼
庞统 Phase 2（动态规划）
├── 检索经验库 → 找到"数据清洗应先于策略编码"
├── 生成 plan.json（5步）
├── 用户确认（或跳过）
└── 转入 Phase 3
│
▼
庞统 Phase 3（自主执行）
│
├── Step s1: 数据获取 → 选择赵云（data_fetch 能力）
│ ├── sessions_send 给赵云
│ ├── 赵云执行，写入 output/hs300_daily.csv
│ ├── 赵云 propose → 庞统 validate → commit
│ ├── 幻觉门控：文件存在？大小合理？ ✓
│ └── confidence=0.95 ✓
│
├── 发现：数据有缺失值（anomaly_detected）
│ └── 庞统动态添加 s1.5 数据清洗步骤
│
├── Step s1.5: 数据清洗 → 选择赵云
│ └── ... 执行并完成
│
├── Step s2: 策略编码 → 选择张飞
│ └── ... 执行并完成
│
├── Step s3: 风控审查 → 选择关羽
│ └── ... 执行并完成
│
├── Step s4: 质量评审 → 选择司马懿
│ ├── 司马懿发现问题 → challenge_raised
│ ├── 庞统裁决 → 要求张飞修正
│ ├── 张飞修正 → 重新评审
│ └── 司马懿通过 ✓
│
└── 转入 Phase 4
│
▼
庞统 Phase 4（主动汇报）
├── 生成最终报告
├── 经验沉淀：提取 3 条经验写入 experience/
├── 向用户推送完成通知
└── 用户验收
流程 2：异常处理
场景：赵云执行超时
1. health scanner 检测到 zhaoyun state.json 30分钟未更新
2. scanner 通过 cron wake 庞统
3. 庞统：
a. 检查赵云 session 是否存活（sessions_list）
b. 存活 → steer 赵云（sessions_send "进度如何？"）
c. 不存活 → 标记 s1 为 failed，重新分配给其他 Agent 或调整计划
d. 记录 decision: "赵云超时，重新分配"
4. 追加 Moment: agent_failed + decision_made
流程 3：用户中途干预
场景：执行到 s2 时用户说"改成 MACD 策略"
1. 用户消息注入庞统 session
2. 庞统：
a. 暂停当前执行（通知张飞停止）
b. 修改 context.json（goal 改为 MACD 策略）
c. 重新规划 plan.json（s2 需要修改）
d. 向用户确认修改方案
e. 用户确认后继续执行
3. 追加 Moment: user_steer + plan_adjusted
3.4 与 OpenClaw 的集成点
| v2.0 功能 | OpenClaw 能力 | 集成方式 |
|---|---|---|
| Agent 调度 | sessions_send / sessions_spawn | 直接调用 |
| 指挥官持久化 | persistent session | 庞统 session 保持在线 |
| 事件唤醒 | cron wake + systemEvent | 定期扫描黑板 + wake |
| Agent 间通信 | Agent 读写黑板，不走邮件 | |
| 文件操作 | read / write / edit | 直接操作黑板文件 |
| 前端交互 | webchat | 用户通过对话入口交互 |
| 成本控制 | session_status | 获取 token 消耗 |
| 知识检索 | wiki-query skill | 复用已有 skill |
4. 开放问题（需讨论）
| # | 问题 | 选项 | 建议 |
|---|---|---|---|
| 1 | 黑板用文件系统还是 SQLite？ | A) 纯文件系统 B) SQLite + 文件 | A — 简单、可 git 追踪 |
| 2 | 庞统用 persistent session 还是 cron 唤醒？ | A) persistent session B) cron 事件驱动 | B — 更省资源，更稳定 |
| 3 | Agent 团队是继续用三国还是重新定义？ | A) 复用三国 B) 新定义 | A — 角色映射清晰 |
| 4 | v1.0 的 Agent 是否同时服务 v2.0？ | A) 共享 Agent session B) 独立 session | B — 隔离，v1.0 和 v2.0 并行运行 |
| 5 | 前端是什么？ | A) 纯对话（Control Center）B) 对话 + 可视化 | 先 A，后续加 B |
| 6 | 第一版先做什么？ | 见下方里程碑 | — |
5. 里程碑建议
M1: 黑板核心 + 指挥官原型
├── blackboard/ 目录结构 + 读写 API
├── lock.py 文件锁
├── moments.jsonl 追加写入
├── 庞统 cron 唤醒 + 黑板扫描
└── 端到端测试：一个简单任务的完整生命周期
M2: Agent 调度 + 动态规划
├── agent-registry.json 能力画像
├── Agent 选择算法
├── plan.json 动态计划
├── propose→validate→commit 写入保护
└── 端到端测试：多步骤任务（3个Agent协作）
M3: 四相完善 + 经验沉淀
├── Phase 1 苏格拉底对话
├── Phase 2 Plan 审批
├── Phase 4 主动汇报
├── experience/ 经验沉淀
├── 健康检查 + 幻觉门控
└── 端到端测试：异常场景（超时、Agent崩溃、用户干预）
M4: 生产化
├── 成本治理
├── 监控面板
├── 文档完善
├── 与 v1.0 并行运行验证
└── 切换：v1.0 → v2.0
附录：术语表
| 术语 | 含义 |
|---|---|
| Blackboard | 共享意识空间，所有 Agent 的唯一信息共享中枢 |
| Control Unit | AI 指挥官（庞统），负责动态规划、Agent 选择、异常处理 |
| Moment | 原子事件，任务执行过程中的最小信息单元 |
| Fidelity | 信息保真度，控制不同 Agent 看到多少信息 |
| propose→validate→commit | 三阶段原子写入，防止并发竞态 |
| Boids | 群体智能规则，让 Agent 自行涌现协作行为 |
| Auftragstaktik | 任务式指挥，只给目标不给步骤 |
| 幻觉门控 | 验证 Agent 产出是否真实存在 |
| Ralph Loop | 持久目标跨 turn 保持机制 |