Skip to content

kernel.md

Latest commit

 

History

History
80 lines (60 loc) · 4.02 KB

kernel.md

File metadata and controls

80 lines (60 loc) · 4.02 KB
Raw

AgentGo Kernel

理念与边界

AgentGo 是一个 message-native 的 Agent Loop 内核。应用持有 AgentMessage，消息只在模型调用边界 投影为 Message；Loop、ContextManager、Event 与持久化都围绕应用消息工作。内核保持克制，不内建 代码评审、资料检索等业务流程，也不替应用决定什么信息重要、什么工具调用有效。

一个 Agent Loop 的效果主要由三类可演进要素共同决定：

  1. Prompt / Context：初始信息、运行中累积的信息及其组织、压缩和复用方式；
  2. Tool surface：工具集合、名称、描述、参数 schema 与返回协议；
  3. Execution mechanism：终止、重试、compaction、steering、follow-up、预算等运行策略。

AgentGo 原生支持轨迹驱动的 Loop 优化：Event stream 记录实际执行事实，Evaluator 在内核之外解释 轨迹，再把结论反馈给 Prompt、Tool surface 或 Execution mechanism。内核负责让事实稳定、可关联， 不负责给出具体优化答案。

ContextItem 与 ContextDemand

ContextItem 描述模型调用前的实际 Context 中存在哪些可识别信息；ContextDemand 描述轨迹暴露了 对哪些信息的需求。两者共享 ContextKey：

ContextKey(kind, identity)
    ├─ ContextItem(representation, reason, ref)
    └─ ContextDemand(signal)
  • kind、identity、representation、reason、signal 都是应用定义的开放标签；
  • AgentGo 不比较 representation 的高低，也不解释 signal 的业务含义；
  • 一个 AgentMessage 可以通过 ContextItemProvider 暴露零到多个 Item；
  • 显式需求可以通过 ContextDemandProvider 暴露，从原始模型或工具事件推导需求则由 Evaluator 完成；
  • Context 中存在但没有后续 Demand 的 Item 不能在单条轨迹中直接判为浪费，因为它可能已经避免了一次 工具调用；这类收益需要通过固定语料或 A/B 对照判断。

在每次模型调用前，Loop 对 ContextManager 最终投影出的 AgentMessage 收集 Item，并发出 context_projected 事件。因此轨迹记录的是模型实际看到的 Context 表示，而不是压缩前的原始输入。

轨迹反馈流程

AgentMessage / Tool / Mechanism policy
                │
                ▼
        Agent Loop execution
                │
                ▼
Event trajectory：model / tool / context / compaction / completion
                │
                ▼
Evaluator：ContextItem × ContextDemand + 其它轨迹算子
                │
                ▼
改进 Prompt、Tool surface 或 Execution mechanism
                │
                └──────── 下一批轨迹验证 ────────┘

例如，应用可以把文件的完整源码、outline 和路径引用表达为同一个 ContextKey 的不同 representation，再从读取、搜索或结论引用中推导 ContextDemand。Evaluator 能据此发现某类信息是否 经常在运行中被重新获取，并反向调整 Initial Context；AgentGo 只提供统一身份、投影事件和完整工具轨迹。

关键设计

轨迹是事实，不是结论

Event 只记录发生了什么：投影了哪些 Context Item、调用了什么工具、是否压缩、为何结束。诸如“重复 读取”“缺少上下文”“工具 schema 不清晰”属于 Evaluator 的判断，不能固化进 Loop。

领域语义留在应用层

AgentGo 可以逐步增加支持轨迹分析的稳定事件和协议，但不吸收应用的 Demand 提取器、评分阈值或 优化策略。不同应用可以共享同一套 Context 协议，同时对相同轨迹作出不同解释。

优化必须可验证

单条轨迹适合发现需求信号和执行异常；Prompt token、工具轮次、完成率与结果质量的整体变化，需要在 固定数据集或可比较流量上验证。轨迹驱动不是“看到一次调用就预加载所有内容”，而是让每次策略调整 都有可追溯的证据与后续验证。