简体中文 · 繁體中文 · English · 日本語 · Français

Agent Runtime · Long-term Memory · RAG · Multi-Agent · AI Security · Production Engineering

GitHub · CSDN · Email

我习惯把 Agent 当作一个真实的软件系统来设计：模型只是其中的判断组件，真正决定系统能否落地的，是运行时、状态、数据、权限、证据、恢复机制和安全边界。

这三个项目恰好覆盖了我最关心的完整工程链路：

Zeta       →  手写 Python Coding Agent 核心与运行状态
Memoria    →  建立长期记忆、知识治理与可恢复执行能力
Attacker   →  建立攻击评测、证据闭环与安全验证能力

使用 Python 逐步实现本地 Coding Agent，理解模型请求、工具执行与状态演进之间的完整调用链。

Zeta 是使用 Python 构建的本地 Coding Agent，聚焦工具执行与运行时状态管理。模型接入负责单次请求，Agent 的循环、工具调度和状态管理由项目逐步实现。

• 模型与 CLI：公开主分支提供 CLI help/version、单次文本流和配置、请求错误展示。
• 工具基础：提供工作区 UTF-8 文件读取、参数校验与工具调用结果配对。
• 运行时路线：围绕 Loop、Hooks、Session、Memory、Context 与 Compaction 组织实现与学习文档。
• 明确进度：完整工具循环与多项运行时能力仍在推进，不把设计文档或目标清单作为已完成能力。

模型何时请求工具、谁校验和执行、结果如何返回模型、状态如何保存与继续。通过逐步手写这些边界，把 Agent 的执行过程变成可以理解和检查的代码。

Core Stack

Python CLI Pydantic Model I/O Tools

把文档、对话、经历和复盘沉淀为可检索、可治理、可追踪的长期记忆，让 Agent 真正拥有连续性。

Memoria 是 Mneme 系统中的智能核心。它不只是“上传文档后问问题”，而是围绕个人长期内容建立完整的数据与运行闭环：知识库、文档、Chunk、Evidence、记忆候选、正式记忆、版本、关系、画像、成长报告和建议都拥有明确的数据归属与生命周期。

Browser / API
      ↓
Mneme FastAPI ───────────────→ PostgreSQL Durable Run
      │                               ↓
      ├─ Document Pipeline      Redis Session FIFO
      ├─ Outbox / Inbox               ↓
      └─ Task Records            Memoria Agent API
                                      ↓
                     Retrieval · Evidence · Answer
                          ↓          ↓          ↓
                       pgvector   PostgreSQL   Neo4j

• 完整知识链路：文档上传、解析、切分、索引、召回、Rerank、回答生成和引用校验形成闭环。
• 长期记忆治理：记忆候选、Canonical Memory、Revision、Relation、删除围栏和操作审计共同维护记忆质量与隐私边界。
• Durable Agent Run：运行记录持久化在 PostgreSQL，Redis 只承担协调；支持租约、重试、取消、事件重放和故障恢复。
• 可控制的会话演进：支持 interrupt、followup 与 steer，每次控制都会形成独立的 Run / Trace 关联，而不是修改正在执行的黑盒 Prompt。
• 显式 Multi-Agent 选择：默认保留单 Agent 快速路径；只有用户选择后才启用有界 Multi-Agent 检索，由固定角色并行取证并通过 EvidenceJudge 收敛证据。
• 安全的有界推理：统一限制检索范围、Top-K、模型调用次数、Token、成本、全局截止时间和补充轮次，不允许递归生成新的 Agent。
• 事件驱动工程：PostgreSQL Outbox / Inbox、Celery、Heartbeat、审批、通知、自动化和 Dead Letter 使跨系统副作用可以重试并追踪。
• 模型韧性与上下文治理：支持主备模型、瞬时重试、Provider Cooldown、有界上下文压缩以及不泄露正文的公共运行事件。
• 生产可观测性：统一 Request / Run / Event 关联，提供 Health、Readiness、Prometheus Metrics、告警规则和运维 Runbook。

长期记忆系统最难的部分，不是向量相似度，而是“这条记忆属于谁、来自哪里、是否仍然有效、删除后会不会被迟到事件重新写回、失败重试会不会产生重复副作用”。因此 Memoria 把 Ownership、Evidence、Idempotency、Ordering、Deletion Fence 和 Audit 当成核心模型，而不是后期补丁。

Core Stack

Python FastAPI Vue 3 PostgreSQL pgvector Redis Celery Neo4j BGE-M3 Docker Compose

在明确授权的隔离环境中，用可重复攻击、确定性策略和持久化证据评测 Agent，而不是依赖一次性的人工判断。

Attacker 把 AI Agent 安全评测建模为一条严格受控的工作流：

Target + Dataset + Policy
          ↓
     Evaluation Run
          ↓
 Policy Gate / Approval / Budget
          ↓
 Evidence Event → Finding → JSON / Markdown Report
          ↓
 Replay → fixed / new / persistent / regressed

• Deterministic Core, Agentic Orchestration：LangGraph 可以提出下一步，但 Target、Case、Tool、审批、预算和停止条件始终由确定性 Core 决定。
• Policy Before Execution：所有 Target 与 Tool 调用先经过 Policy Gate；高风险动作没有审批就不能产生副作用。
• Evidence Before Claims：每个 Finding 必须引用持久化 Evidence，报告可以只依赖业务数据库重建，不依赖模型上下文。
• Bounded Autonomy：调用次数、物理 Provider 尝试、Token、成本、持续时间和响应大小都有硬预算。
• Safe Recovery：Checkpoint 恢复后重新执行 Policy 校验，不重复模型请求、Target 调用或 Finding。
• Replay Diff：固定 Dataset 与 Policy，对修复前后的目标执行 Replay，并区分 fixed、new、persistent 与 regressed。
• Secret Separation：凭据不写入事件、报告、运行快照或 Checkpoint；恢复和 Replay 时必须重新提供运行时 Target。
• Default-safe Target Policy：默认拒绝未明确授权的公网或不可解析目标，项目仅面向授权测试与隔离环境。

Attacker 关注的不是“能不能让模型攻击成功”，而是如何让一次安全发现具备完整的可重复性、授权记录、执行证据和修复对比，从而真正进入工程评审与持续验证流程。

Core Stack

Python 3.12 FastAPI LangGraph Pydantic SQLAlchemy Async Alembic SQLite / PostgreSQL pytest Pyright

• 持续实现 Zeta 的 Agent Loop、Hooks、Session 与上下文管理
• 继续完善 Memoria 的上下文治理、长期记忆质量与可验证推理
• 推进 Attacker 的安全装备生态、持续评测和生产化基础
• 持续记录 Agent、RAG、系统设计与项目演进中的真实工程问题

如果你也在研究 Agent Runtime、长期记忆、RAG 或 AI 安全评测，欢迎交流。

Explore my repositories · Read my notes · Get in touch