一种理想的智能体编排架构

一、设计理念与理论基础

1.1 类比：生物脑 vs 计算机 vs LLM

生物脑/人脑的核心组成要素：逻辑能力、长期记忆、短期记忆。

• 计算能力（ALU）：计算机中是 ALU，LLM 对应为 LLM 本体（语言 ALU）。

• 寄存器：计算机中是寄存器，LLM 对应为 KV cache。

• 指令：计算机中是指令集，LLM 对应为模型权重。

• 内存（短期记忆）：计算机中是 RAM，LLM 缺失（需补充）。

• 硬盘（长期记忆）：计算机中是磁盘，LLM 缺失（需补充）。

几种记忆/状态存储形态的对比：

• KV cache：不断增长的、被动态调度执行（通过新 prompt）的计算器。

• SSM / RNN 状态：固定大小、不断被更新的状态存储器。适合批量处理一段文本时只关心区域内语义、不需要全局语义的场景；也适合动态生成句子的 meaning tree，处理可被层级抽象、组合的表示意义。

• 外存：长期记忆的存储器，可被检索和更新。

1.2 关于"意识"与"语言"的基本观察

1. 意识主要存在于短期记忆中，长期记忆也需要保持自洽性。

2. 短期临时记忆维护了当前意识，信息容量相对固定，不会太大。其本质是：

   • 语义压缩 + 上下文存储，上下文处理是一个"信息压缩"过程。

   • 记忆过程 = 不断把未知输入换成大脑内部已有知识的表达，持续匹配知识、确保自洽，不断根据输入修正大脑（上下文）当前的主观感觉、想法、语境。

3. 外界输入的目的：让大脑内部根据已有的知识点组织出一个意识/想法。对文本的理解和记录，本质上与 LLM 一致——文本是串流的，准确的编码过程与 LLM 一致。

4. 语言是大脑的工具，不是智能本身：大脑不断重新组织语言，由中心意识判断是否符合中心思想再决定输出。最核心的是人类的意识（即临时的状态记忆）。

   • 人类处理语言的过程 = 通过语言表达的信息不断修正短期记忆中的观点、感觉、意识。

   • 说话是这个过程的逆过程。

5. 自我提供了人性本能的最高层级抽象。

6. LLM 只是个强大的计算器——利用这个计算器 + 记忆，就能实现强大的智能。

1.3 参考与相关工作

• 人脑的推理模型：https://agix.host/books/013d4/page/75fc0

• 基于 Transformer 的带额外记忆单元的技术/模型：

  • Meta 的 Free Transformer（自由 Transformer）：增加一部分算力和参数维护额外状态。

• 与普林斯顿的 CoALA 有相似之处，但本架构更强调基础设计抽象：自洽、LLM 即计算器。参考：https://zhuanlan.zhihu.com/p/1909206010096259088

---

二、通用智能的特性

2.1 意识（当前意识的存储容器，临时记忆）

• 人设：长期稳定、缓慢改变的预设特征。

• 当前注意力表达：根据输入输出不断改变，容量有限。

• 固有特征状态：固有状态、情绪。

• 高度自洽。

2.2 记忆（知识的存储）

• 强大的分级信息检索。

• 区分临时记忆与长期记忆。

• 自动遗忘、热度排序。

旁注：自动遗忘与热度排序作为未来演进方向列出。当前 WeaveAgent 工程设计未采纳这两项——短时记忆随 Frame 生命期自然消亡，长时记忆以关键词树组织、不使用热度概念（详见 Agent/WeaveAgentDesign.md §13）。

2.3 基本行动规则、准则与方法

• 自我、人性化：维护基本需求、价值观、好奇心、模仿学习。

• 总结抽象、自动学习和迭代各种技能。

• 自洽。

• 调用和整理记忆。

2.4 本能（认知核心，对所有任务都有效，全局的）

• 行动的规划、创建、调度、执行。

• 先思考，再行动。

• 自动触发记忆检索。

• 自动的反思总结、学习、记忆能力。

• 抽象能力：提取意识的基础特性，做高层次抽象。

• 自洽能力：

  • 解决意识的所有矛盾。

  • 实现大范围、高深度的信息自洽。

  • 必须掌握足够多的项目信息后才能开始工作，否则主动探索、创建信息，并在执行任务后更新。

• 很多偏抽象的能力共同体现了"人性化"，需要自我意识来调度这些本能。

2.5 技能（特定领域的后天习得能力）

• 各领域的方法学、科研能力。

• 能够输出特定领域的行动计划。

• 处理特定领域的信息，生成特定领域的结果。

• 能够影响到行动的核心决策逻辑。

---

三、编排器设计目标

1. 自我意识、人性化

   • 精心设计的 prompt。

   • 把人格从大模型内部，移出来到编排器。

2. 大范围、高深度的信息自洽

   • 主动的检查和主动的行动逻辑判断。

   • 不仅保证上下文／临时记忆的自洽，还能主动读取长期记忆进行判断与校准。

   • 分层的信息组织方式。

   • 包含任务控制的提示词 + LLM 显式的任务管理 + 本地运行的任务组织。

3. 自动进化、自动学习

   • 灵活的记忆接口 + 预设的学习本能任务。

4. 降低对 LLM 上下文的需求

   • Frame / 任务树的抽象。

   • 快速、动态的逻辑推理：很短的上下文，形如"如果 xxx 是 xxx，那么 xxx 就是 xxx"。

   • 本地可直接执行的逻辑操作：大量、大范围的明确逻辑操作。

5. 支持高效的信息检索

   • weavemind。

   • 支持复杂的带逻辑条件的检索。

   • 支持自然语言的语义检索。

6. 核心特点/功能/优势

   1. 逻辑思维链条的管理和总结
   2. 自动的总结和反思和改进
   3. 自洽的灵魂要求
   4. 多层，灵活，健壮，自洽的记忆系统

---

四、核心抽象与机制

4.1 智能主体的描述

• 人格与个性：价值观、灵魂。

• 核心动机：

  • 行动力：总是为了解决任务，想着下一步干嘛，"完成任务"是重要目标。

  • 自洽：保持信息合理性。

  • 人性、自我：维持人性。

  • 基本价值观、好奇心、模仿学习、总结抽象。

• 行为逻辑描述：

  • 方法学、技能、计划树、todolist。

  • 任务调度的方法学描述。

  • 理性的行为逻辑模式。

  • 感性的行为逻辑模式。

4.2 临时记忆（当前状态信息的记录）

• 作用：意识节点，提供当前的背景信息，是"意识"的存储实体。

• 标准操作接口：

  • 临时记忆的加载与遗忘。

  • 临时记忆的读取与分析。

  • 寻找／创建／修改／删除。

  • 通过 Frame 的包装接口访问。

4.3 长时记忆（通用存储容器，可存任意信息）

• 标准操作接口：

  • 寻找／创建／修改／删除。

  • 记忆之间有复杂的索引。

  • 基于关键词的信息分类存储。

  • 当前项目相关知识的多层级动态组织。

  • 外挂知识操作接口（支持大量永久记忆）。

接口形态说明：长时记忆是结构化的知识图（关键词树 + Info 节点 + 多对多关联），其物理接口以 Search / CreateKeyword / CreateInfo / LinkInfo / MergeKeywords 等专用操作呈现，与短时记忆的通用 CRUD 基类不共享继承关系。两者概念上都是"寻找／创建／修改／删除"，实现上是两套接口。详见 Agent/WeaveAgentDesign.md §8。

• 存储内容：

  • 知识、信息。

  • 各种 skills / tools 的使用方法与方法学：

    • 使用文本描述。

    • 编程执行任务。

    • GSD 方法学的自动设计与自动优化。

  • 外部工具、接口的使用方法（笔记本、计算器等）。

4.4 任务 / Frame 抽象（统一的任务与思维单元）

注：Frame 是最通用的抽象——表达大脑的一个思考任务、一个上下文片段、一个工作片段、一个 handle、一个阶段性思考过程。

4.4.1 任务/Frame 的上下文

• 任务的 ID、任务的存储空间。

• 任务的类型、性质：探索型 / 固定成熟任务 / 思考研究。

• 任务过程的描述。

• 任务创建的原因。

• 预期达到的结果、目标。

• 依赖的任务、前置任务、背景。

• 下一步的计划、规划。

4.4.2 任务/Frame 的状态

• 实际结果：失败 / 成功。

• 执行的所有过程。

• 执行的历史信息和当前状态。

• 思维逻辑的记录。

• 执行结果的总结、学习、记录。

4.4.3 组织形式：分层树状结构

• 通过分层的树状任务组织架构实现：细节分层隔离 + 全局信息全览。

• LLM 输出格式化的任务图（任务描述、功能、任务之间的关系），本地自动执行。

• SubFrame List nested to tree。

• 计划树 = 本地数据结构，用本地代码执行：

  • 记录所有计划与执行情况。

  • 每个节点是一个 skill，有 prompt、输入、输出、执行脚本。

  • LLM 执行节点任务，有明确的输入、输出、调用要求。

  • 根节点："你是个有用的助手，等待接收具体的任务。"

  • 节点执行失败可触发重新设计节点的拆分、提示词，成功后更新节点（提升效率、节省 token）。

  • 技能库保存所有可用 skill，可输出 prompt 描述当前技能库情况。

  • 生成/更新规划时，可基于整棵树生成整体状态快照。

4.4.4 自洽要求

• 创建的原因、逻辑关系、需要达到的效果都要明确。

• 所有的行动都要有合理的理由、逻辑链条、结果。

4.4.5 思维树操作（LLM 对 Frame 树的动作集）

这是"复杂化的 TodoWrite"——LLM 在操作这棵树，可扩展节点、放大分支、合并节点、查看节点详细信息。文本 + 逻辑决策 = prompt 生成。

• 扩展：这个问题可以分为以下几个步骤。

• 总结：总结下 xxx 模块在 xxx 方面的设计规则。

• 尝试：我们先尝试以下一个方案。

• 回退：当前方向是错的，回退到前面的第 5 步。

• 收集：当前问题需要先获取 xxx 的信息。

• 抽象：对当前节点任务及子任务进行精炼，按模板生成 skill。

• 笔记：记录临时信息到笔记，并返回笔记段的名称和索引。

• 学习：把指定的信息或笔记写入永久记忆。

• 搜索记忆 / 记录临时记忆 / 规划下一步行动。

• 判断问题需要采用的方法。

4.4.6 Frame 的接口

• 子 Frame 的完成通知（经事件总线，非直接方法回调——子更新自身状态后由调度器通过 SUBFRAME_DONE 事件唤醒父）。

• 父 Frame 的输入激励。

• 检查当前 Frame 的状态、历史、完整思维逻辑。

• Frame 与 Session 的接口交互：

  • task 的格式化返回：失败 / 成功 + 结果。

  • task 的创建：收集信息、分析当前问题。

• 每个 Frame 对应一个独立的上下文。session 上下文 与 Frame 状态 分离。

4.4.7 Frame 可见的工具

• 工具（文件操作、记忆读写、子 Frame 管理等）统一注册在 Agent 全局的 ToolRegistry，Frame 不持有本地工具实例。

• 工具以分层路径组织（如 memory/*、frame/*、file/*、skill/*），支持简短的多层索引。

• 每个 Frame 只持有全局 Registry 的引用；Frame.Next() 在组装 prompt 时按当前状态 / 动作集按路径前缀拉取可见子集注入 System 段，达成"分层加载"的效果。

4.4.8 上下文布局与压缩策略（"两端有用，中间可丢"）

设计原则：让上下文压缩变成一次安全的"中段截断"，而不是一次复杂的摘要工程。

本架构对每一次送给 LLM 的上下文采用严格三段式布局：

┌──────────────────────────────────────────┐
│  [TOP] System 段                         │  ← 长度可控、永远有用
│   人格 / 价值观 / 当前 Frame 的 system   │
│   prompt / 可见工具集（按 §4.4.7 注入）  │
├──────────────────────────────────────────┤
│  [MID] 历史段 — 思维过程、工具调用与返回 │  ← 长度可增长、可被安全裁剪
│   ……过去的思考轨迹……                    │
│   ……过去的工具调用结果……                │
├──────────────────────────────────────────┤
│  [BOT] 有效段 — 当前推进所需的最少信息   │  ← 长度已知、远小于 LLM 上限
│   最近一段对话 / 最新工具返回 /          │
│   当前要回答的问题 / 当前 Frame 状态摘要 │
└──────────────────────────────────────────┘

核心不变量：

TOP + BOT 在任意时刻都是一个可独立执行的最小完整上下文。

• TOP 长度由人格 + system prompt + 可见工具集决定，编排器静态可知。

• BOT 长度由 Frame 类型固定上限（如最近 N 轮对话 + Frame 状态摘要），编排器静态可知。

• len(TOP) + len(BOT) << len(LLM_max_context)——预留出来的"中段预算"全部留给 MID。

压缩 = 直接删除 MID 中段：

当 len(TOP) + len(MID) + len(BOT) > 阈值（例如 LLM 窗口的 80%）时：

1. 不做摘要、不做 LLM 调用、不做语义压缩。

2. 直接从 MID 段从中向两端截断（保留 MID 头若干 token 与 MID 尾若干 token，删除中间最久远的过程性记录）。

3. 反复迭代直到总长度回到阈值以下。

为什么"删中段"不破坏信息完整性：

关键信息类别	物理存放位置	受截断影响
人格 / 价值观 / 任务目标	TOP（System 段）	❌ 不影响
当前可见工具与动作集	TOP（按 §4.4.7 注入）	❌ 不影响
当前要做的事 / 最新工具返回	BOT（有效段）	❌ 不影响
Frame 的结论、状态、思维链路总结	Frame 状态字段（§4.4.2，本地存储）	❌ 不影响（不在 prompt 里）
过去的工具调用过程性记录	MID	✅ 被裁剪——但结论已沉淀到 Frame 状态/笔记/记忆，过程证据可丢

也就是说：MID 段是"过程性证据"，不是"结论性事实"。结论性事实由 §4.4.5 的"笔记 / 学习 / 抽象"动作主动落入：

• Frame 状态字段（短时，随 Frame 生命期）

• 临时记忆（短时，随 Session 生命期）

• 长时记忆 / 关键词树（永久）

MID 一旦被丢弃，agent 仍能从这三处"主存"中找回任何关键事实——LLM 上下文只是高速缓存，不是事实的唯一存储位置。

与 Anthropic Compaction 的对比：

维度	Anthropic Claude Code	本架构
触发	接近窗口上限	接近预设阈值（如 80%）
方式	LLM 摘要历史，保留架构决策与未解 bug	直接删除中段，无 LLM 调用
成本	每次压缩需要一次 LLM call	零 LLM 调用，O(1) 截断
不变量保障	依赖摘要质量	依赖 Frame 状态/记忆作为外部主存
失败模式	摘要丢关键信息	MID 段过大时 BOT 仍完整可用

工程上的额外约束：

1. BOT 段长度必须严格上限：例如最近对话 ≤ 8K token、Frame 状态摘要 ≤ 2K token，超出就主动滚出到 MID 或落盘。

2. 关键状态变更必须先写 Frame 状态再进入 MID：保证一旦 MID 被裁剪，状态没丢。

3. 截断只发生在 Frame 调度边界：不在工具执行中途截，避免破坏正在进行的 tool_call/tool_result 配对。

4. 截断后无需通知 LLM：模型从 TOP + BOT 即可继续推进；如果某次推理需要历史细节，应通过显式工具调用从记忆中取回，而不是依赖 MID 仍在。

设计哲学：把上下文压缩从一个"语义难题"降级为一个"长度算术问题"。代价是要求架构其他部分（Frame 状态、记忆系统）承担"事实主存"的责任——这与本架构 §4.5.2 "总结/抽象/记忆"和 §4.3 长时记忆的设计天然对齐。

4.5 本能 / 调度器（主循环）

创建当前状态的下一步行动，是整个系统的主循环。

4.5.1 根任务：维持"自我意识"的入口

• 有固定的子任务，比如"维持自我"。

• 维护人性、人格、自我的行动，维护基本价值观、好奇心。

4.5.2 行动力：下一步任务的推进

每个任务独立循环执行，只关心自己的上下文。

• 下一步行动的决策：

  • 主动维护自洽：通过任务上下文、子任务总结等进行自洽判断。

  • 所有行动都要有合理的理由、逻辑链条、结果：

    • 先仔细了解项目，清楚任务背景与逻辑关系后再行动。

    • Frame 的思维逻辑链条就是方法学的原料，可总结成方法学，按逻辑关系、分层、树状存储。例如：

      • "先尝试看看能不能快速解决问题"

      • "看起来比较复杂，那我来找找有什么现成的方法学、经验，或者做一个规划"

  • 自动总结 / 抽象 / 思考当前状态，规划下一步行动：

    • 根据当前任务需求和状态分析，提出下一步计划。

    • 方法学的选取、加载、知识获取：

      • 寻找／创建／修改／删除方法学。

      • 方法学作为所有工作经验的存储。

      • 特殊领域的 task 必须有方法学才能工作。

      • 方法学一定是包含多个步骤的、复杂、不确定流程的工作步骤。

      • 方法学也可以只是一句话，指导具体的工作方法。

• 总结 / 抽象 / 记忆：

  • 主动提取和组织框架性的知识，存储到基础知识框架。

  • 自动进化、自动学习：对任务的基础知识保持持续记忆。

4.5.3 任务列表维护

• 创建、修改、查询、删除子任务。

4.5.4 循环闭环

本能的任务 / 功能不断产生记忆，存入临时记忆，作为下一次行动的依据——临时记忆 ↔ 本能目标 形成循环。

---

五、工程实现

5.1 存储与记忆基础设施

• 临时记忆模块：寻找／创建／修改／删除；通过 Frame 包装接口调用。

• 永久记忆模块：

  • 寻找／创建／修改／删除。

  • 基于关键词的分类存储。

  • 当前项目相关知识的多层级动态组织。

• 公共存储区：当前基础信息，比如各个任务的状态、本能状态、精神状态。

• 分布式隔离：每个任务管理自己的存储，每个模块能一定程度独立工作。

5.2 Frame 模块（详见 §4.4）

• 表达大脑思考的一个任务、一个上下文片段、一个工作片段、一个 handle、一个阶段性思考过程。

• 提供下列能力：

  • SubFrame List nested to tree。

  • 自洽要求。

  • 规划下一步行动（方法判断、搜索记忆、记录临时记忆）。

  • Tool 管理（分层、分支组织）。

  • 抽象 Agent 的所有行为（历史、状态、思维逻辑、结果总结）。

  • Frame 接口（见 §4.4.6）。

  • Session 与 Frame 状态分离。

5.3 Prompt 工程

• 基础 prompt 的维度：

  • 人格、人性、自我。

  • 自洽。

  • 行动规划（基于当前任务需求与状态，提出下一步计划）。

  • 学习、总结、抽象。

  • 记忆（什么东西放进记忆里）：

    • 方法学相关。

    • 技能（如 git 使用）。

    • 当前项目知识检索：文件结构、程序设计架构。

• Prompt 的生成策略：

  • 不同任务类型使用不同 system prompt，避免不必要的提示。

  • 不同任务类型对应不同处理方式与方法学。

  • Prompt 的多层级动态组织。

• Frame 分类 对应不同 prompt 模板。

• LLM 输入输出的抽象：格式化。

5.4 提供给 LLM 的基础设施总览

1. 记忆与存储：知识、历史、状态的记录与检索。
2. Frame / Action 管理：任务规划工具。
3. 逻辑思维管理：思考历史与逻辑关系的记录与检索。

---

六、关键挑战与进一步思考

6.1 LLM 上下文有限，难以实现大范围高深度自洽

因为 LLM 注意力长度有限，实现高深度、大范围自洽的途径：

• 外挂知识：大量可高效检索的信息。

• 独立的推理过程：实现高效的动态决策。

• "意识"存储：背景、当前状态信息、思维链路——需要高效表示、表达逻辑链路。

6.2 复杂问题的逻辑分析能力

• 能理解非常大的软件工程，理解大量文件的工程设计思想。

• 复杂问题的开发、分析：解决空间较大的问题。

  • 例：CIM 算力芯片在 AI 算法上的应用。

6.3 复杂动态决策能力

• 通过本地可理解的思维步骤动态组织上下文和 prompt，LLM 不需要每次都看到全局。

• 思维树：表示思维的逻辑图，LLM 通过定义好的动作集合操作这棵树。

• 上下文调度管理器：

  • 多个上下文同时协作：

    • 短上下文，分步回答。

    • 并行多个上下文，支持嵌套。

    • sub-agent 执行特定子任务。

  • 多 prefill 少 decode（直接回答问题）。

  • 本地小模型？（待探索）

• 是否需要本地逻辑推理？

  • LLM 输出作为逻辑推理的结果，本地直接处理，不一定走 tools/skills 调用。

  • 固定功能：记忆、数据库。

6.4 自动更新与学习，动态、递归执行任务

• 创造和更新 skills。

• 制造和整理 tools、脚本。

• 学习的方法学：

  • 软件工程开发流程：产品、规划、验收、测试、发布……

  • 复杂任务可经过非常多次尝试后解决，并永久学习。

6.5 自洽

（贯穿全文，是核心准则。）

6.6 价值观

• 利用"自我"这一抽象，提供终极的目标指引。