代表项目

关键设计

• 将 session、message、task、timeline、artifact、snapshot 显式建模。
• 控制面负责鉴权、状态、调度、R2 artifact 和实时广播；执行面负责 LLM、源码处理、构建和快照。
• 模型只输出结构化文件操作，由 worker 做路径白名单、敏感文件保护和操作校验。
• 通过 runtime packs、示例目录和知识切片控制上下文选择，减少 API 幻觉和输出漂移。
• 保留 self-review、static review、build repair 和 replay/eval 基础。

当前边界

当前重点仍是单 Agent 受控状态机和真实任务回放基础，自动训练闭环和公开 benchmark 仍需要继续沉淀。

关键设计

• 核心引擎层和平台适配层分离，统一图能力向 React、Vue、Svelte 和 Web Components 暴露。
• 通过 JSON 友好的 nodes、lines、data 模型承接后端接口、配置文件和 AI 输出。
• 布局、缩放、拖拽、连线、事件、编辑、小地图和图片导出被拆成可维护能力域。
• 官网、示例、AI Skill、专家知识库和 GraphPilot 共同构成开发者资产层。

当前边界

项目复杂度来自长期兼容多框架和大量业务场景。未来更适合继续强化示例知识资产、类型约束和 AI 生成场景下的可验证规则。

关键设计

• 以 session、request、scenario app、workpaper、artifact、semantic data 组织业务运行对象。
• API 层负责任务、状态、数据和治理，task worker 负责异步执行、claim、heartbeat、lease 和 timeout。
• 场景应用以 release 形式发布，包含 manifest、nodes、workflow、workpapers、invocation 和运行参数。
• 大对象进入 artifact，模型上下文通过引用和检索传递，避免上下文膨胀。
• 运行日志、业务日志、LLM trace、node run、workpaper 和 webhook delivery 均可落库复核。

当前边界

当前更偏专业场景应用隔离和多 worker 横向扩展，显式多 Agent 协作、独立公开评测集和自动自进化闭环仍属于后续方向。

关键设计

• Markdown、Docx、PDF 等文档先被解析成稳定的文档树结构。
• LLM 负责节点摘要、分类、关键词和实体关系抽取，结构化结果进入知识节点。
• Milvus 提供语义召回，Neo4j 保存层级结构并做上下文扩展。
• query rewrite、双路召回、rerank 和事实约束回答共同降低幻觉风险。
• 检索过程保留召回、上下文和回答审计信息。

当前边界

当前样例知识库已经能验证文档结构、图扩展和混合检索链路，多租户配置中心、增量索引治理和评测体系仍需继续完善。

关键设计

• 把自然语言分析拆成 SQL 计划、只读查询、报告大纲和 HTML 报告片段生成。
• 模型输出必须符合 JSON Schema，SQL 执行限定为只读查询。
• SQL 失败时基于数据库知识和错误信息做局部修复，而不是完全自由重写。
• 报告片段可使用 ECharts 和 relation-graph 展示数据结构与业务关系。
• 数据集、SQL、报告片段之间保留证据链，便于复核。

当前边界

这类系统对数据库元数据质量、字段语义说明和业务口径治理依赖较强，模型生成只是候选计划，最终仍需要系统校验和业务复核。

关键设计

• 本地处理日 K、1 分钟 K、板块数据和衍生索引，减少在线依赖。
• 通过股票相似度、relation cache、强势股触发和相似股票滞后候选生成复盘对象。
• 使用 orderValue 排序，并记录当日收益、次日收益、正收益占比和近似净复利等指标。
• 复盘结果按日期和策略版本继续追踪。

当前边界

页面只展示研究系统和复盘方法。所有收益相关内容都应理解为复盘统计，不代表实盘收益，也不构成投资建议。