Skip to content

About

自增长的通用 AI Agent 引擎 — 蓝图宏观规划 × 执行层工具调用 × 元认知双向仲裁;真实工具跑通任务、成功沉淀模板;白盒可编辑、决策可回看可介入。

Topics

Resources

Contributing

Stars

6 stars

Watchers

1 watching

Forks

Latest commit

 

History

1,207 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

DialogMesh

License: MIT Python Tests

自增长的认知运行时。 DialogMesh 是一个通用 LLM Agent 引擎——它不只是执行工作流,而是生长工作流:遇到新任务时引擎现场生成执行计划,用真实工具跑通,把成功的路径沉淀为可复用模板。用得越多,越会做事。

模型任意带——DeepSeek、OpenAI、Anthropic,或本地 Ollama,都通过内置 switch 网关接入。密钥在你手里,数据在你机器上。


它能帮你做什么

  • 写代码并运行 — "写一个 hello world 并运行" → Agent 自己写文件、执行、看结果、向你汇报(真实 function calling,不是纸面规划)
  • 查论文 / 查资料 — 内置 arxiv 检索、网页抓取、PDF 解析;统一召回把历史对话、知识库、语义关系混排
  • 控制终端与文件 — 运行 shell、Python、后台长任务会话、目录浏览、grep——全部过权限门(4 级风险分级,链式命令与越权写入被拦截)
  • 多步任务自己规划 — 给它一个目标("规划一个带 JWT 认证的服务"),它生成任务图,你确认后逐节点执行
  • 记住你的偏好 — 用户画像(OCEAN/MBTI/惯性)、行为链预测、对话树管理上下文,越聊越懂你
  • 每一步都白盒 — 图谱/上下文/画像可查看可编辑,编辑与决策全部留痕,可回看可回滚

一个例子,感受它的差异:让它 "5 分钟内做一个 Minecraft 风格小游戏"。普通 Agent 会手搓任务规划直到超时;DialogMesh 的元认知层监视到"这条路要超时",会主动裁决换方案(比如下载开源成品再改造),并把这次切换作为一条变更日志展示给你——你可以批准、否决或加约束,它不打断当前执行。


它是怎么工作的

告诉 DialogMesh 你想要什么,它会变成一张任务地图(DAG,类似 LangGraph / AWS Step Functions):

  1. 规划 — "查一下最近关于 X 的论文" → 编排器先查已沉淀的工作流,没有就让 LLM 现场生成(LLM 驱动的工作流生成)。
  2. 执行 — 依赖允许的步骤并行跑(同 Tick fan-out,Petri 网语义);工具执行前过权限校验,结果回灌对话。
  3. 确认 — 高风险步骤暂停等你批准(PlanGate);低/中风险异步记录为决策事件,之后可回看(GitHub 更新日志式),可 approve / reject。
  4. 学习 — 跑成功的生成式工作流蒸馏为模板;失败带归因(计划/约束/数据/工具),回流到对应层。
┌──────────────────────────────────────────────────────┐
│            编排层(任务地图,宏观无环)                 │
│   内置模板 · LLM 生成 · 元认知沉淀                    │
├───────────────┬────────────────┬─────────────────────┤
│  7 棵并行记忆树 │  工具执行      │  元认知(第二大脑)   │
│  (对话/行为/  │  调用前校验 +  │  微观偏差仲裁 →       │
│   画像/…)     │  ReAct 重试    │  宏观计划变更        │
│              │  沙箱/权限      │                     │
└───────────────┴────────────────┴─────────────────────┘

核心能力

能力 含义
工作流自增长 新任务 → LLM 生成计划 → 成功沉淀为模板。不靠人工枚举所有流程。
并行编排 同 Tick 步骤并发执行(fan-out/fan-in),跨 Tick 依赖强制——带护栏的 Petri 网。
白盒化设计 每个图节点、树块、关系都可查看、可编辑。编辑被记录并可重放——认知的 Git 式版本控制。
双向归因学习 工具失败带归因(计划/约束/数据/工具),回流到导致它的那一层。偏差是养分,不是错误。
元认知闭环 第二大脑:审计决策、把微观失败仲裁成宏观计划变更、必要时执行中途改计划。
审批门控 写入、发送、高风险步骤暂停等你确认——低风险异步日志,高风险 PlanGate。
模型无关网关 switch 网关:9+ 厂商、断路器、自适应并发、加权路由。带你的密钥来。
执行链路高可用 治理是元认知的子模块(不是基础设施):熔断/定向重试/幂等 + 异步诊断根因 + 主动体检 + 启动预热 + 请求级预算传播。
受控自修自迭代 元认知读自己的代码(系统自画像)、生成修复包过审批门、验证失败自动回滚;修复凝练为可逆推教训回写经验库(贝叶斯 prior 累积)。
会老化的记忆 事件永不丢弃——热(全量)/ 温(按重要性减枝)/ 冷(语义摘要,可逆推)。
统一召回 BGE 向量 + BM25 + 语法结构(SPO)投影 + HyDE 扩展 + 关联链融合(RRF),溯源置信度加权。
可测可验证 1900+ pytest 用例,模块域内全绿;前端 tsc 零错误。

元认知:思考的思考,也是自己的运维

大多数 Agent 的"反思"停留在任务层(让 LLM 重新想一遍)。DialogMesh 的元认知 把执行链路本身当成治理对象——像运维团队维护一个生产系统,但审批权内建:

  • 小环(秒级止血):ExecutionGovernor 按阶段/工具熔断(三态+半开恢复)、 错误定向重试(超时/空返回/连接/解析分策略)、幂等短路。链路不再是"各调用点 各自设超时、串行叠加到卡死"。
  • 大环(分钟级复盘):AsyncDiagnoser 把失败信号异步深挖——收集熔断状态、 LLM 调用观测、执行树证据 → LLM 根因分析 → 低风险建议自动应用,高风险留建议。
  • 主动体检(无触发也自检):ProactiveHealthProbe 定期用系统自画像 + 失败 统计巡检——没出事也防患于未然,薄弱点自动转交诊断。
  • 启动预热 + 请求级预算:懒路径(意图/话语/嵌入模型)启动期预热,重启后 首请求实测 43.9s → 1.8s;deadline 沿 classify→planning→执行→工具调用传播, run_dag 移出事件循环——慢上游不再让整个 API 卡死。
  • 受控自修自迭代:SelfIntrospection 让元认知读自己的代码(模块地图/测试 覆盖/变更历史/薄弱点);SelfRepair 生成修复包 → 过审批门 → git apply → 白名单验证 → 失败自动回滚;修复后凝练成"可逆推的设计教训"回写经验库 (语义检索复用,贝叶斯 prior 累积)——像 codex 开发自己,但每次改动都可审计。

设计判断:为什么"对内自修"优于"外部多 Agent 修"? 外部 bc 在自己约束 上下文里执行,缺被修对象 a 的设计约束作先验,只能不断试错;元认知持有 a 的 视角(AGENTS.md 铁律 + 追踪矩阵),修复才有逆推验证的锚点——这是贝叶斯共识 (后验喂回先验)能持续演进的根,也是我们暂不做多 Agent 协作的架构理由。


与主流 Agent 的对比

DialogMesh Claude Code / Cursor OpenClaw 普通 RAG + ReAct Agent
工作流生成 ✅ LLM 现场生成 + 成功沉淀 ❌ 固定步骤 🟡 模板为主 ❌ 固定
执行透明度 ✅ 每一步可查看/编辑/回滚 ❌ 黑盒 🟡 部分 ❌
元认知仲裁 + 自修 ✅ 微观失败 → 宏观换计划 + 治理链路 + 受控自修(审批门/回滚/经验回写) ❌ ❌ ❌
决策留痕 ✅ 变更日志 + 可介入 ❌ 🟡 会话记录 ❌
记忆分层 ✅ 热/温/冷 + 事件永不丢 🟡 上下文窗口 🟡 会话记忆 🟡 向量库
多步并行 ✅ 同 Tick 并行 + 依赖强制 🟡 🟡 ❌
多渠道/多媒体 🕓 未做(路线图) — ✅ 强项 —
生态成熟度 🕓 新项目 ✅ ✅ ✅

诚实声明:渠道接入(Telegram/Slack/Discord 等)、多媒体、Docker/SSH 终端后端是路线图项,尚未实现。


快速开始

git clone https://github.com/aptshark-g/DialogMesh.git
cd DialogMesh

# 一键检查 + 安装环境(Python 依赖较大, 首次约几分钟~十几分钟)
# 依赖清单见 docs/SETUP.md
python scripts/setup_env.py

# 启动(Windows)
start.bat

# 或手动:
python scripts/start_server.py

一键脚本会自动: 建 .venv 装 Python 依赖 → 前端 npm install + build → 补齐网关二进制(有 Go 时自动从 switch 源码构建)→ 复制 provider.yaml / .env 示例。记得在 gateway/provider.yaml 填入你的 API Key(支持 DeepSeek / OpenAI / Anthropic / Gemini / Kimi / Groq / OpenRouter / LM Studio / Ollama)。

也可先检查: python scripts/setup_env.py --check; 分段安装: --deps / --frontend / --gateway / --models。

改完 provider.yaml 或后端代码后需重启 start.bat 生效(网关每 5s 热加载配置)。


架构一览

用户输入 → [认知路由] → [意图] → [画像先验] → [编排 DAG]
                  │                              │
                  └── 任务图(并行步骤)←──────────┘

执行层:  StateMachine 逐节点执行(认知链 handler + 工具节点)
        LLM function calling(tool_loop)—— 编码/实现类请求自主调工具
监控层:  Hot 信号 → Warm 裁决(超时/失败率)→ Cold 复盘(每 5 轮)
留痕层:  决策事件流 → /v6/changelog(回看/介入) + /v6/execution(执行迹)

状态:编排 ✅ · 记忆树 ✅ · 元认知 ✅(治理/诊断/体检/自修)· 执行层 ✅ · 语义存储 ✅ · 白盒编辑 ✅ · 网关 ✅

详细架构(mermaid 三层图)见 docs/ARCHITECTURE_OVERVIEW.md 与 执行层架构定案。


设计哲学(为什么这么做)

DialogMesh 建立在一条认知流水线上:Event → Observation → Hypothesis → Knowledge → Skill。每个模块从自己的视角(一级视角)观察,在更细颗粒度上验证(二级视角:结构/语义/时序/反例)。

几条核心公理:

公理 含义
树是推理工作台 对话树首先是推理树——管理推导焦点,不是记住一切。遗忘用激活计数取代时间衰减。
信念是竞争出来的 决策不看单一 confidence,看 7 维信念(支持/冲突/稳定性/覆盖/新颖/熵)。
关系 > 提示词 上下文是编译出来的局部知识快照(子图),不是 prompt 里的一句话。
抽象质量 = 可逆推性 压缩产物必须能反演还原(coverage 60-80%)。摘要不丢细节,只换缩放级别。
记录永不可删 事件链、修改记录不因"干净"而清理。一致性是记录出来的,不是锁出来的。
偏差 = 养分 每个失败都带归因,归因回流对应层——系统在偏差中变强。
快反馈 + 准后补 + 不阻断 用户立即得到回答优先于单次答案精度(System 1/2 快慢分流)。

完整公约见 docs/only/wise/PARADIGM.md(A1-A25 公理 + P1-P28 原则)。


术语表(自创词 ↔ 主流类比)

我们叫它 主流对应
蓝图 (Blueprint) LLM 驱动的工作流编排——DAG + 同 Tick 并行(Petri 网语义),类 LangGraph / Step Functions
PCR 认知路由——System 1/2 快慢分流
关联链 (Association Chain) 语义关系发现与晋升——知识图谱构建 + 因果推断
对话树 (Discourse Tree) 会话状态追踪 + 主题聚焦——dialogue-state tracking
行为链 (Behavior Chain) 用户行为预测——预测建模 + DPO 偏好学习
工程链 (Engineering Chain) 代码/设计约束传导——规则/约束引擎
子图 (Subgraph) 上下文编译——为 LLM 检索局部知识(GraphRAG 式)
元认知 (Metacognition) 自我反思 / 第二大脑——元认知控制环 + 执行链路治理(熔断/诊断/体检)+ 受控自修自迭代
画像 (Profile) 用户画像——OCEAN/BFI 特质推断 + 惯性追踪
白盒化 内容可操作、行为必记录——查改增删是承诺不是功能
tool_loop LLM 自主工具调用循环——function calling / ReAct

文档导航

文档 内容
架构总览 三层认知运行时:编排 × 记忆 × 元认知
第一版功能核对 端到端自检清单(对标 OpenClaw/Hermes/OpenWorker)
执行层架构定案 蓝图宏观 × 执行微观 × 元认知监控
设计范式公约 A1-A25 公理 + P1-P28 原则 + 冲突裁决元规则
API 参考 130+ 端点
变更日志 版本演进

为会用而学习的 Agent 而生。

About

自增长的通用 AI Agent 引擎 — 蓝图宏观规划 × 执行层工具调用 × 元认知双向仲裁;真实工具跑通任务、成功沉淀模板;白盒可编辑、决策可回看可介入。

Topics

Resources

Contributing

Stars

6 stars

Watchers

1 watching

Forks

Releases

Packages

Contributors

Languages