|
|
@@ -1,623 +0,0 @@
|
|
|
-# Reson Agent
|
|
|
-
|
|
|
-可扩展的 Agent 框架。支持多步工具调用、计划管理、子 Agent 协作、回溯重跑和上下文压缩。
|
|
|
-
|
|
|
-## Quick Start
|
|
|
-
|
|
|
-```bash
|
|
|
-pip install -r requirements.txt
|
|
|
-
|
|
|
-# 配置 LLM API Key
|
|
|
-cp .env.example .env # 编辑填入 API Key
|
|
|
-```
|
|
|
-
|
|
|
-### 最小示例
|
|
|
-
|
|
|
-```python
|
|
|
-import asyncio
|
|
|
-from agent import AgentRunner, RunConfig
|
|
|
-from agent.trace import FileSystemTraceStore
|
|
|
-from agent.llm import create_openrouter_llm_call
|
|
|
-
|
|
|
-runner = AgentRunner(
|
|
|
- trace_store=FileSystemTraceStore(base_path=".trace"),
|
|
|
- llm_call=create_openrouter_llm_call(model="anthropic/claude-sonnet-4.5"),
|
|
|
-)
|
|
|
-
|
|
|
-async def main():
|
|
|
- async for item in runner.run(
|
|
|
- messages=[{"role": "user", "content": "列出当前目录的文件"}],
|
|
|
- config=RunConfig(model="anthropic/claude-sonnet-4.5"),
|
|
|
- ):
|
|
|
- print(item)
|
|
|
-
|
|
|
-asyncio.run(main())
|
|
|
-```
|
|
|
-
|
|
|
-## 自定义工具
|
|
|
-
|
|
|
-用 `@tool` 装饰器注册。`RunConfig(tools=None)`（默认）时所有已注册工具自动对 LLM 可用，无需额外配置。
|
|
|
-
|
|
|
-```python
|
|
|
-from agent import tool, ToolResult
|
|
|
-
|
|
|
-@tool(description="查询产品库存")
|
|
|
-async def check_inventory(product_id: str, warehouse: str = "default") -> ToolResult:
|
|
|
- """查询指定仓库的产品库存
|
|
|
-
|
|
|
- Args:
|
|
|
- product_id: 产品唯一标识符
|
|
|
- warehouse: 仓库编码，默认为主仓库
|
|
|
- """
|
|
|
- stock = await query_db(product_id, warehouse)
|
|
|
- return ToolResult(output=f"库存: {stock}")
|
|
|
-
|
|
|
-# 确保此模块在 runner.run() 之前被 import
|
|
|
-```
|
|
|
-
|
|
|
-**注意**: `@tool` 通过副作用注册到全局 registry，必须确保定义工具的模块在调用 `runner.run()` 前被 import。
|
|
|
-
|
|
|
-### 参数 Schema 生成
|
|
|
-
|
|
|
-框架从函数签名和 docstring 自动生成 OpenAI Tool Schema，无需手写 JSON：
|
|
|
-
|
|
|
-- **参数类型**：从类型注解推断（`str`/`int`/`float`/`bool`/`list`/`dict`，支持 `Optional`、`Literal`、`List[T]`）
|
|
|
-- **参数描述**：从 Google 风格 docstring 的 `Args:` 段提取
|
|
|
-- **必填/可选**：有默认值的参数为可选，否则为必填
|
|
|
-- **工具描述**：优先使用 `@tool(description=...)` 参数，其次取 docstring 首行
|
|
|
-- `uid` 和 `context` 参数由框架自动注入，不会出现在 Schema 中
|
|
|
-
|
|
|
-上面的 `check_inventory` 会生成：
|
|
|
-
|
|
|
-```json
|
|
|
-{
|
|
|
- "type": "function",
|
|
|
- "function": {
|
|
|
- "name": "check_inventory",
|
|
|
- "description": "查询产品库存",
|
|
|
- "parameters": {
|
|
|
- "type": "object",
|
|
|
- "properties": {
|
|
|
- "product_id": { "type": "string", "description": "产品唯一标识符" },
|
|
|
- "warehouse": {
|
|
|
- "type": "string",
|
|
|
- "description": "仓库编码，默认为主仓库",
|
|
|
- "default": "default"
|
|
|
- }
|
|
|
- },
|
|
|
- "required": ["product_id"]
|
|
|
- }
|
|
|
- }
|
|
|
-}
|
|
|
-```
|
|
|
-
|
|
|
-### 限制工具范围
|
|
|
-
|
|
|
-```python
|
|
|
-# 按分组选择（推荐）——只启用核心 + 内容搜索工具
|
|
|
-config = RunConfig(tool_groups=["core", "content"])
|
|
|
-
|
|
|
-# 精确指定（优先于 tool_groups）——只用这几个工具
|
|
|
-config = RunConfig(tools=["read_file", "bash_command", "check_inventory"])
|
|
|
-```
|
|
|
-
|
|
|
-分组在 `@tool(groups=[...])` 装饰器中声明，详见[附录：工具分组](#附录工具分组)。
|
|
|
-
|
|
|
-## 自定义 Skills
|
|
|
-
|
|
|
-Skills 是 Markdown 文件，提供领域知识，注入到 system prompt。
|
|
|
-
|
|
|
-```
|
|
|
-my_project/
|
|
|
-└── skills/
|
|
|
- └── my_domain.md
|
|
|
-```
|
|
|
-
|
|
|
-```markdown
|
|
|
----
|
|
|
-name: my-domain-skill
|
|
|
-description: 领域专属知识
|
|
|
----
|
|
|
-
|
|
|
-## Guidelines
|
|
|
-
|
|
|
-- 规则 1
|
|
|
-- 规则 2
|
|
|
-```
|
|
|
-
|
|
|
-```python
|
|
|
-runner = AgentRunner(
|
|
|
- llm_call=...,
|
|
|
- trace_store=...,
|
|
|
- skills_dir="./skills", # 指向你的 skills 目录
|
|
|
-)
|
|
|
-```
|
|
|
-
|
|
|
-内置 skills（`agent/skill/skills/`）始终自动加载，`skills_dir` 的内容额外追加。
|
|
|
-
|
|
|
-## 知识管理系统（Knowledge Management）
|
|
|
-
|
|
|
-知识管理系统通过**提取、存储、注入**三个环节，让 Agent 积累和复用结构化知识。
|
|
|
-
|
|
|
-### 核心流程
|
|
|
-
|
|
|
-**1. 提取（Extract）**
|
|
|
-
|
|
|
-- **触发时机**：
|
|
|
- - 压缩时提取：消息量超阈值触发压缩时，在 Level 1 过滤前用完整 history 反思
|
|
|
- - 完成时提取：Agent 运行完成后（不代表任务完成，可能中途退出等待人工评估）
|
|
|
-- **提取方式**：调用 LLM 对执行过程进行反思，提取可复用的知识
|
|
|
-- **自定义 Prompt**：可通过配置自定义反思 prompt，空则使用默认（见 `agent/core/prompts/knowledge.py`）
|
|
|
-
|
|
|
-**2. 存储（Store）**
|
|
|
-
|
|
|
-- **存储位置**：KnowHub 服务（默认 `http://localhost:8765`）
|
|
|
-- **知识结构**：
|
|
|
- - `title`: 知识标题
|
|
|
- - `content`: 知识内容
|
|
|
- - `type`: 知识类型（strategy/tool/pattern/pitfall 等）
|
|
|
- - `tags`: 标签（键值对，用于分类和检索）
|
|
|
- - `scopes`: 作用域（如 `org:cybertogether`）
|
|
|
- - `owner`: 所有者（默认从 git config user.email 获取）
|
|
|
- - `resource_ids`: 关联资源 ID 列表（代码片段、凭证、cookies 等）
|
|
|
-- **资源管理**：
|
|
|
- - 知识可关联多个资源（通过 `resource_ids` 字段）
|
|
|
- - 资源包含 `body`（公开内容）和 `secure_body`（加密内容）
|
|
|
- - 支持代码片段、API 凭证、cookies 等多种资源类型
|
|
|
-
|
|
|
-**3. 注入（Inject）**
|
|
|
-
|
|
|
-- **触发时机**：Agent 切换当前工作的 Goal 时自动触发
|
|
|
-- **检索策略**：基于 Goal 描述和上下文，从知识库检索相关知识
|
|
|
-- **注入方式**：将检索到的知识注入到 Agent 的上下文中
|
|
|
-
|
|
|
-### 配置
|
|
|
-
|
|
|
-知识管理配置通过 `RunConfig.knowledge` 传递：
|
|
|
-
|
|
|
-```python
|
|
|
-from agent.core.runner import KnowledgeConfig, RunConfig
|
|
|
-
|
|
|
-run_config = RunConfig(
|
|
|
- model="claude-sonnet-4.5",
|
|
|
- temperature=0.3,
|
|
|
- max_iterations=1000,
|
|
|
-
|
|
|
- knowledge=KnowledgeConfig(
|
|
|
- # 压缩时提取（消息量超阈值触发压缩时，用完整 history 反思）
|
|
|
- enable_extraction=True,
|
|
|
- reflect_prompt="", # 空则使用默认，见 agent/core/prompts/knowledge.py:REFLECT_PROMPT
|
|
|
-
|
|
|
- # agent运行完成后提取
|
|
|
- enable_completion_extraction=True,
|
|
|
- completion_reflect_prompt="", # 空则使用默认
|
|
|
-
|
|
|
- # 知识注入（agent切换当前工作的goal时，自动注入相关知识）
|
|
|
- enable_injection=True,
|
|
|
-
|
|
|
- # 默认字段（保存/搜索时自动注入）
|
|
|
- owner="", # 空则从 git config user.email 获取（隐藏参数，LLM 不可见）
|
|
|
- default_tags={"project": "my_project"}, # 与 LLM 传递的 tags 合并
|
|
|
- default_scopes=["org:cybertogether"], # 与 LLM 传递的 scopes 合并
|
|
|
- default_search_types=["strategy", "tool"],
|
|
|
- default_search_owner="" # 空则不过滤
|
|
|
- )
|
|
|
-)
|
|
|
-```
|
|
|
-
|
|
|
-**参数注入规则**（通过框架 `inject_params` 机制实现，详见 `agent/docs/tools.md`）：
|
|
|
-
|
|
|
-- `owner`：隐藏参数，LLM 不可见，框架自动注入（`mode: default`）
|
|
|
-- `tags`：LLM 可追加新 key，框架默认 key 不可被覆盖（`mode: merge`）
|
|
|
-- `scopes`：LLM 可追加，与框架默认值合并去重（`mode: merge`）
|
|
|
-
|
|
|
-### 知识工具
|
|
|
-
|
|
|
-框架提供以下内置工具用于知识管理：
|
|
|
-
|
|
|
-- `knowledge_save`: 保存知识到知识库
|
|
|
-- `knowledge_search`: 搜索知识库
|
|
|
-- `knowledge_get`: 获取指定知识详情
|
|
|
-- `resource_save`: 保存资源（代码、凭证等）
|
|
|
-- `resource_get`: 获取资源内容
|
|
|
-
|
|
|
-这些工具会自动注入配置的默认字段（owner, tags, scopes 等）。
|
|
|
-
|
|
|
-## AgentRunner 参数
|
|
|
-
|
|
|
-```python
|
|
|
-AgentRunner(
|
|
|
- llm_call, # 必需：LLM 调用函数
|
|
|
- trace_store=None, # Trace 持久化（推荐 FileSystemTraceStore）
|
|
|
- tool_registry=None, # 工具注册表（默认：全局 registry）
|
|
|
- skills_dir=None, # 自定义 skills 目录
|
|
|
- utility_llm_call=None, # 轻量 LLM（生成任务标题等）
|
|
|
- debug=False, # 调试模式
|
|
|
-)
|
|
|
-```
|
|
|
-
|
|
|
-## RunConfig 参数
|
|
|
-
|
|
|
-```python
|
|
|
-RunConfig(
|
|
|
- model="gpt-4o", # 模型标识
|
|
|
- temperature=0.3,
|
|
|
- max_iterations=200, # Agent loop 最大轮数
|
|
|
- tools=None, # 精确指定工具列表（优先于 tool_groups）
|
|
|
- tool_groups=None, # 工具分组白名单（None=全部），见附录
|
|
|
- system_prompt=None, # None=从 skills 自动构建
|
|
|
- agent_type="default", # 预设类型：default / explore / analyst
|
|
|
- trace_id=None, # 续跑/回溯时传入已有 trace ID
|
|
|
- after_sequence=None, # 从哪条消息后续跑（message sequence）
|
|
|
- goal_compression="on_overflow", # Goal 压缩模式：none / on_complete / on_overflow
|
|
|
- knowledge=KnowledgeConfig(), # 知识管理配置
|
|
|
-)
|
|
|
-```
|
|
|
-
|
|
|
-## LLM Providers
|
|
|
-
|
|
|
-框架内置两个 provider：
|
|
|
-
|
|
|
-```python
|
|
|
-from agent.llm import create_openrouter_llm_call, create_gemini_llm_call
|
|
|
-
|
|
|
-# OpenRouter（支持多种模型）
|
|
|
-llm = create_openrouter_llm_call(model="anthropic/claude-sonnet-4.5")
|
|
|
-
|
|
|
-# Google Gemini
|
|
|
-llm = create_gemini_llm_call(model="gemini-2.5-flash")
|
|
|
-````
|
|
|
-
|
|
|
-自定义 provider 只需实现签名：
|
|
|
-
|
|
|
-```python
|
|
|
-async def my_llm_call(messages, model, tools, temperature, **kwargs) -> dict:
|
|
|
- # 调用你的 LLM
|
|
|
- return {
|
|
|
- "content": "...",
|
|
|
- "tool_calls": [...] or None,
|
|
|
- "prompt_tokens": 100,
|
|
|
- "completion_tokens": 50,
|
|
|
- "cost": 0.001,
|
|
|
- "finish_reason": "stop",
|
|
|
- }
|
|
|
-```
|
|
|
-
|
|
|
-## API Server
|
|
|
-
|
|
|
-```bash
|
|
|
-python api_server.py
|
|
|
-```
|
|
|
-
|
|
|
-| 方法 | 路径 | 说明 |
|
|
|
-| ---- | --------------------------- | ----------- |
|
|
|
-| GET | `/api/traces` | 列出 Traces |
|
|
|
-| GET | `/api/traces/{id}` | Trace 详情 |
|
|
|
-| GET | `/api/traces/{id}/messages` | 消息列表 |
|
|
|
-| POST | `/api/traces` | 新建并执行 |
|
|
|
-| POST | `/api/traces/{id}/run` | 续跑/回溯 |
|
|
|
-| POST | `/api/traces/{id}/stop` | 停止 |
|
|
|
-| WS | `/api/traces/{id}/watch` | 实时事件 |
|
|
|
-
|
|
|
-需在 `api_server.py` 中配置 Runner 才能启用 POST 端点。
|
|
|
-
|
|
|
-## 项目结构
|
|
|
-
|
|
|
-```
|
|
|
-agent/
|
|
|
-├── core/ # AgentRunner + 预设
|
|
|
-├── tools/ # 工具系统（registry + 内置工具）
|
|
|
-├── trace/ # 执行追踪 + 计划（GoalTree）+ API
|
|
|
-├── skill/ # Skills（技能系统）
|
|
|
-└── llm/ # LLM Provider 适配
|
|
|
-```
|
|
|
-
|
|
|
-详细架构文档：[docs/README.md](./docs/README.md)
|
|
|
-
|
|
|
-## Agent 预设（Presets）
|
|
|
-
|
|
|
-预设定义不同类型 Agent 的配置模板（工具权限、system prompt、skills 等）。
|
|
|
-
|
|
|
-**项目级预设**：在项目目录创建 `presets.json`，支持从 `.prompt` 文件加载自定义 system prompt：
|
|
|
-
|
|
|
-```json
|
|
|
-{
|
|
|
- "tool_research": {
|
|
|
- "system_prompt_file": "tool_research.prompt",
|
|
|
- "max_iterations": 50,
|
|
|
- "skills": ["planning", "research", "browser"],
|
|
|
- "description": "工具调研 Agent"
|
|
|
- }
|
|
|
-}
|
|
|
-```
|
|
|
-
|
|
|
-**加载预设**：
|
|
|
-```python
|
|
|
-from agent.core.presets import load_presets_from_json
|
|
|
-
|
|
|
-load_presets_from_json("path/to/presets.json")
|
|
|
-```
|
|
|
-
|
|
|
-**使用预设**：LLM 调用 `agent` 工具时指定 `agent_type`：
|
|
|
-```python
|
|
|
-agent(task="调研视频生成工具", agent_type="tool_research")
|
|
|
-```
|
|
|
-
|
|
|
-详见 `examples/production/` 示例和 `agent/docs/architecture.md`。
|
|
|
-
|
|
|
-## 交互式 CLI（Interactive CLI）
|
|
|
-
|
|
|
-框架提供交互式控制器，支持实时监控、手动干预和经验总结。
|
|
|
-
|
|
|
-### 使用方式
|
|
|
-
|
|
|
-```python
|
|
|
-from agent.cli import InteractiveController
|
|
|
-
|
|
|
-# 创建交互控制器
|
|
|
-interactive = InteractiveController(
|
|
|
- runner=runner,
|
|
|
- store=store,
|
|
|
- enable_stdin_check=True # 启用标准输入检查
|
|
|
-)
|
|
|
-
|
|
|
-# 在执行循环中检查用户输入
|
|
|
-async for item in runner.run(messages=messages, config=config):
|
|
|
- cmd = interactive.check_stdin()
|
|
|
- if cmd == 'pause':
|
|
|
- await runner.stop(trace_id)
|
|
|
- menu_result = await interactive.show_menu(trace_id, current_sequence)
|
|
|
- # 处理菜单结果...
|
|
|
- elif cmd == 'quit':
|
|
|
- await runner.stop(trace_id)
|
|
|
- break
|
|
|
-```
|
|
|
-
|
|
|
-### 交互控制
|
|
|
-
|
|
|
-在执行过程中，可以通过命令行实时控制：
|
|
|
-
|
|
|
-| 按键 | 动作 | 说明 |
|
|
|
-| ------------- | ------------ | --------------------------------- |
|
|
|
-| `p` / `pause` | **暂停执行** | 立即挂起 Agent 循环，进入交互菜单 |
|
|
|
-| `q` / `quit` | **停止执行** | 安全停止并保存当前的执行状态 |
|
|
|
-
|
|
|
-### 交互菜单功能
|
|
|
-
|
|
|
-进入暂停模式后，系统提供以下操作：
|
|
|
-
|
|
|
-1. **插入干预消息**：直接向 Agent 下达新指令
|
|
|
-2. **触发经验总结 (Reflect)**：强制 Agent 对当前过程进行反思
|
|
|
-3. **查看 GoalTree**：可视化当前任务的拆解结构和完成进度
|
|
|
-4. **上下文压缩 (Compact)**：手动精简对话历史
|
|
|
-
|
|
|
-### 项目配置示例
|
|
|
-
|
|
|
-完整的项目配置示例见 `examples/research/config.py`：
|
|
|
-
|
|
|
-```python
|
|
|
-from agent.core.runner import KnowledgeConfig, RunConfig
|
|
|
-from agent.utils import setup_logging
|
|
|
-
|
|
|
-# Agent 运行配置
|
|
|
-RUN_CONFIG = RunConfig(
|
|
|
- model="claude-sonnet-4.5",
|
|
|
- temperature=0.3,
|
|
|
- max_iterations=1000,
|
|
|
- name="Research Agent",
|
|
|
-
|
|
|
- knowledge=KnowledgeConfig(
|
|
|
- enable_extraction=True,
|
|
|
- enable_completion_extraction=True,
|
|
|
- enable_injection=True,
|
|
|
- owner="", # 空则从 git config 获取
|
|
|
- default_tags={"project": "research"},
|
|
|
- default_scopes=["org:cybertogether"],
|
|
|
- default_search_types=["strategy", "tool"],
|
|
|
- )
|
|
|
-)
|
|
|
-
|
|
|
-# 基础设施配置
|
|
|
-SKILLS_DIR = "./skills"
|
|
|
-TRACE_STORE_PATH = ".trace"
|
|
|
-DEBUG = True
|
|
|
-LOG_LEVEL = "INFO"
|
|
|
-LOG_FILE = None # 可设置为文件路径
|
|
|
-
|
|
|
-# 在 run.py 中使用
|
|
|
-setup_logging(level=LOG_LEVEL, file=LOG_FILE)
|
|
|
-
|
|
|
-runner = AgentRunner(
|
|
|
- trace_store=FileSystemTraceStore(base_path=TRACE_STORE_PATH),
|
|
|
- llm_call=create_openrouter_llm_call(model=f"anthropic/{RUN_CONFIG.model}"),
|
|
|
- skills_dir=SKILLS_DIR,
|
|
|
- debug=DEBUG
|
|
|
-)
|
|
|
-
|
|
|
-async for item in runner.run(messages=messages, config=RUN_CONFIG):
|
|
|
- # 处理执行结果
|
|
|
- pass
|
|
|
-```
|
|
|
-
|
|
|
-**配置说明**：
|
|
|
-
|
|
|
-- 直接使用框架的 `RunConfig` 和 `KnowledgeConfig`，不需要自定义配置类
|
|
|
-- 基础设施配置（skills_dir, trace_store_path 等）用简单变量定义
|
|
|
-- 使用 `agent.utils.setup_logging()` 配置日志
|
|
|
-
|
|
|
-## 任务可视化与调试
|
|
|
-
|
|
|
-框架在运行期间会生成唯一的 `trace_id`。
|
|
|
-
|
|
|
-- **本地日志**：所有的执行细节、工具调用和 Goal 状态均持久化在 `.trace/` 目录下。
|
|
|
-- **Web 可视化**：
|
|
|
-
|
|
|
-1. 启动服务器：`python api_server.py`
|
|
|
-2. 启动前端:
|
|
|
-
|
|
|
-```
|
|
|
- cd frontend/react-template
|
|
|
- yarn
|
|
|
- yarn dev
|
|
|
-```
|
|
|
-
|
|
|
-3. 访问控制台：`http://localhost:3000`
|
|
|
-4. 在前端界面中切换任务，即直观追踪 Agent 的思考链路。
|
|
|
-5. 因为该可视化读取的是根目录下的.trace文件，建议运行项目时，可以在根目录下用命令行运行`python examples/[project_name]/run.py`，使运行得到的trace存放在根目录
|
|
|
-
|
|
|
-### 提示：目前前端可视化只供观看本地运行过的trace结果，新任务运行等功能正在开发中，运行可在命令行中执行
|
|
|
-
|
|
|
-### 绿色节点为整体的goal(目标)，蓝色节点为子goal(目标)，灰色节点为基础信息节点。点击蓝色边/绿色边会折叠节点，点击节点会在右侧显示详情。
|
|
|
-
|
|
|
----
|
|
|
-
|
|
|
-## 示例项目结构
|
|
|
-
|
|
|
-可以参考其他文件夹中的结构：
|
|
|
-
|
|
|
-```text
|
|
|
-examples/[your_example]/
|
|
|
-├── input/ # (可选)输入数据
|
|
|
-├── output_1/ # (可选)输出目录
|
|
|
-├── skills/ # (可选)领域专属 Skill (.md)
|
|
|
-├── tool/ # (可选)自定义工具
|
|
|
-├── presets.json # (可选)预定义的子 Agent 配置
|
|
|
-├── config.py # (推荐)项目配置
|
|
|
-├── [task].prompt # (必须)任务 System Prompt 和 User Prompt
|
|
|
-└── run.py # (必须)交互式运行入口
|
|
|
-```
|
|
|
-
|
|
|
----
|
|
|
-
|
|
|
-## 环境兼容性
|
|
|
-
|
|
|
-针对 Clash Verge / TUN 模式等网络环境，本项目已内置代理自动避让逻辑：
|
|
|
-
|
|
|
-- **代理优化**：通过 `no_proxy` 配置防止 `httpx` 错误引导流量。
|
|
|
-- **Browser 模式**：支持 `cloud` (远程) 和 `local` (本地) 模式切换。
|
|
|
-
|
|
|
-## 运行结果存储
|
|
|
-
|
|
|
-运行过程中，会自动存储以下内容：
|
|
|
-
|
|
|
-- **运行轨迹**：根目录下 `.trace/` 文件夹下的实际运行路径结果
|
|
|
-- **知识库**：KnowHub 服务中保存的知识条目（通过 API 访问）
|
|
|
-
|
|
|
----
|
|
|
-
|
|
|
-## 附录：工具分组
|
|
|
-
|
|
|
-通过 `RunConfig(tool_groups=[...])` 控制 Agent 可用的工具范围。每个工具在 `@tool(groups=[...])` 中声明分组。
|
|
|
-
|
|
|
-### core — 基础能力
|
|
|
-
|
|
|
-| 工具 | 说明 |
|
|
|
-|------|------|
|
|
|
-| `read_file` | 读取单个文件（文本/图片/PDF） |
|
|
|
-| `read_images` | 批量读图 + 网格拼图 |
|
|
|
-| `edit_file` | 编辑文件 |
|
|
|
-| `write_file` | 写入文件 |
|
|
|
-| `glob_files` | 文件模式匹配 |
|
|
|
-| `grep_content` | 内容搜索（正则） |
|
|
|
-| `bash_command` | 执行 shell 命令 |
|
|
|
-| `skill` | 调用 skill |
|
|
|
-| `list_skills` | 列出可用 skill |
|
|
|
-| `agent` | 创建子 Agent |
|
|
|
-| `evaluate` | 评估执行结果 |
|
|
|
-| `goal` | 目标/计划管理 |
|
|
|
-| `get_current_context` | 获取当前执行上下文 |
|
|
|
-
|
|
|
-### browser — 浏览器自动化
|
|
|
-
|
|
|
-| 工具 | 说明 |
|
|
|
-|------|------|
|
|
|
-| `browser_navigate` | 导航到 URL |
|
|
|
-| `browser_search` | 搜索引擎搜索 |
|
|
|
-| `browser_back` | 返回上一页 |
|
|
|
-| `browser_interact` | 元素交互（click/type/send_keys/upload/dropdown） |
|
|
|
-| `browser_scroll` | 滚动页面 |
|
|
|
-| `browser_screenshot` | 截图（可带元素编号标注） |
|
|
|
-| `browser_elements` | 获取可交互元素列表 |
|
|
|
-| `browser_read` | 读取页面内容（html/find/long） |
|
|
|
-| `browser_extract` | LLM 驱动的结构化数据提取 |
|
|
|
-| `browser_tabs` | 标签页管理（switch/close） |
|
|
|
-| `browser_cookies` | Cookie/登录态（load/export/ensure_login） |
|
|
|
-| `browser_wait` | 等待（定时/等用户操作） |
|
|
|
-| `browser_js` | 执行 JavaScript |
|
|
|
-| `browser_download` | 下载文件 |
|
|
|
-
|
|
|
-### content — 内容搜索
|
|
|
-
|
|
|
-| 工具 | 说明 |
|
|
|
-|------|------|
|
|
|
-| `content_platforms` | 列出/查询平台及参数（支持模糊匹配） |
|
|
|
-| `content_search` | 跨 11 平台搜索（小红书/B站/知乎/GitHub/YouTube/X 等） |
|
|
|
-| `content_detail` | 查看内容详情（从搜索缓存按索引取） |
|
|
|
-| `content_suggest` | 搜索关键词补全建议 |
|
|
|
-| `extract_video_clip` | YouTube 视频片段截取 |
|
|
|
-| `import_content` | 批量导入文章到 CMS |
|
|
|
-
|
|
|
-### knowledge — 知识管理
|
|
|
-
|
|
|
-| 工具 | 说明 |
|
|
|
-|------|------|
|
|
|
-| `ask_knowledge` | 向知识库查询（通过 Librarian Agent） |
|
|
|
-| `upload_knowledge` | 上传调研结果到知识库 |
|
|
|
-
|
|
|
-### toolhub — 远程工具库
|
|
|
-
|
|
|
-| 工具 | 说明 |
|
|
|
-|------|------|
|
|
|
-| `toolhub_health` | 检查远程工具库状态 |
|
|
|
-| `toolhub_search` | 搜索远程 AI 工具 |
|
|
|
-| `toolhub_call` | 调用远程工具（图片参数支持本地路径） |
|
|
|
-
|
|
|
-### feishu — 飞书
|
|
|
-
|
|
|
-| 工具 | 说明 |
|
|
|
-|------|------|
|
|
|
-| `feishu_get_contact_list` | 获取联系人列表 |
|
|
|
-| `feishu_send_message_to_contact` | 给联系人发消息 |
|
|
|
-| `feishu_get_contact_replies` | 获取联系人回复 |
|
|
|
-| `feishu_get_chat_history` | 获取聊天历史 |
|
|
|
-
|
|
|
-### im — IM 通信
|
|
|
-
|
|
|
-| 工具 | 说明 |
|
|
|
-|------|------|
|
|
|
-| `im_setup` | 初始化 IM 连接 |
|
|
|
-| `im_send_message` | 发送消息 |
|
|
|
-| `im_receive_messages` | 接收消息 |
|
|
|
-| `im_check_notification` | 检查通知 |
|
|
|
-| `im_get_contacts` | 获取联系人 |
|
|
|
-| `im_get_chat_history` | 获取聊天历史 |
|
|
|
-| `im_open_window` | 打开 IM 窗口 |
|
|
|
-| `im_close_window` | 关闭 IM 窗口 |
|
|
|
-
|
|
|
-### resource — 资源查询
|
|
|
-
|
|
|
-| 工具 | 说明 |
|
|
|
-|------|------|
|
|
|
-| `resource_list_tools` | 列出资源工具 |
|
|
|
-| `resource_get_tool` | 获取工具详情 |
|
|
|
-
|
|
|
-### knowledge_internal — 知识库内部操作
|
|
|
-
|
|
|
-> 仅供 Librarian Agent 内部使用，普通 Agent 不可见。通过 `tools=[...]` 精确指定访问。
|
|
|
-
|
|
|
-| 工具 | 说明 |
|
|
|
-|------|------|
|
|
|
-| `knowledge_search` | 知识检索（语义 + 精排） |
|
|
|
-| `knowledge_save` | 保存知识条目 |
|
|
|
-| `knowledge_list` | 列出知识 |
|
|
|
-| `knowledge_update` | 更新知识反馈 |
|
|
|
-| `knowledge_batch_update` | 批量更新反馈 |
|
|
|
-| `knowledge_slim` | 知识瘦身 |
|
|
|
-| `resource_save` | 保存资源 |
|
|
|
-| `resource_get` | 获取资源 |
|
|
|
-| `tool_search` | 搜索工具记录 |
|
|
|
-| `tool_list` | 列出工具记录 |
|
|
|
-| `capability_search` | 搜索能力记录 |
|
|
|
-| `capability_list` | 列出能力记录 |
|
|
|
-| `requirement_search` | 搜索需求记录 |
|
|
|
-| `requirement_list` | 列出需求记录 |
|
Talegorithm