Skip to content

roadmap.md

Latest commit

 

History

History
107 lines (77 loc) · 5.87 KB

roadmap.md

File metadata and controls

107 lines (77 loc) · 5.87 KB

路线图

English version

公开下一步要做什么，欢迎拍砖、欢迎认领。日期都是目标不是承诺。

版本概览

版本 主题 状态
v0.1 推荐器 MVP 已发布
v0.2 统一 Artifact + Web 面板 已发布
v0.3 跨 agent + MCP 网关完善 进行中
v0.4+ 联邦化、市场、A/B、学习信号 探索中

已发布

v0.1 —— 推荐器 MVP

把核心 skill 推荐链路跑通。

  • FastAPI 服务端 + 健康检查 API
  • sqlite-vss 向量检索
  • all-MiniLM-L6-v2 embedder
  • 两阶段推荐器（向量召回 → Ollama / Haiku / 无 reranker）
  • 去重 + 信誉打分
  • GitHub 入库 + 多 skill 仓库拆分
  • Claude Code 插件 + UserPromptSubmit hook
  • 本地兜底（服务端挂了用 SQLite 缓存继续工作）
  • 远程 finder 框架（默认关）+ 人工审批
  • Docker 镜像 + multi-arch release

v0.2 —— 统一 Artifact + Web 面板

从「skill 路由器」升级为「skill / MCP / plugin 一站式管理」。

  • 统一 Artifact 数据模型 —— 一张 Skill 表通过 artifact_type 字段同时承载三类，向上提供 /v1/artifacts 统一 API；老 /v1/skills 保留兼容
  • MCP / Plugin 入库器 —— 自动检测 mcp.json / .claude-plugin/plugin.json / package.json MCP 痕迹，一个仓库可同时产出多种 artifact
  • 扁平多标签系统 —— 20 个预置 tag（browser-automation / reverse-engineering / ui / testing / security ...）+ 任意自定义；source=manual|auto 区分来源
  • 小模型自动打标 —— 复用 Qwen2.5-1.5B reranker，串行批处理 + 进度条 + ETA
  • Web 管理面板（9 条路由） —— dashboard / artifacts / tags / ingest / autotag / playground / discovery / settings，企业级密度，后端不可达时 fallback 到 demo 数据
  • MCP 运行时网关 MVP —— aiforge-mcp 进程对外是单个 MCP，对内连 N 个下游，按 <name>__<tool> 命名空间路由，stdio transport
  • 插件命令扩展 —— /aiforge:list / install / uninstall / tag / autotag

进行中

v0.3 —— 跨 agent + MCP 网关完善

这个里程碑解决两件事：让 MCP 网关从 MVP 进入生产可用，让 AIForge 跨出 Claude Code。

  • MCP 网关热更新 —— 不重启进程也能换 active 集；目前需要重启 aiforge-mcp，长期不可接受
  • HTTP / SSE 下游 transport —— 当前只支持 stdio 下游；越来越多的 MCP 走 HTTP/SSE（云端 MCP），必须支持
  • 动态 active 集合 —— 根据每轮推荐结果自动调整 active 集合，而不只是预先配置的 tag 列表。让网关真正做到「按需暴露」
  • 跨 agent 适配 —— Codex —— Codex CLI 的 prompt hook 接入
  • 跨 agent 适配 —— Cursor —— 通过 Continue 扩展或 native skill API
  • 跨 agent 适配 —— Gemini CLI —— 等 Google 上游 hook 协议稳定
  • Web 面板 i18n —— English 优先；框架已就位，主要工作是翻译
  • 推荐质量在线评估 —— 在生产流量上 sample 一小撮，用更大模型打分，长期监控质量漂移
  • 每条 artifact 的 secret store —— MCP env 里的 secret 单独加密；当前是明文 JSON，敏感场景不可接受
  • 迁移到官方 MCP Python SDK —— v0.2 的网关是手搓 JSON-RPC；SDK 1.x API 稳定后切回去
  • Prometheus /metrics —— 推荐延迟、命中率、缓存命中、网关 active 集大小
  • alembic 自动迁移 —— 升级零手工

v0.4 及之后（更具探索性）

  • 联邦注册中心 —— 让多个 AIForge 实例互相发现 artifact；适合「公司全局 + 团队私域」两级结构
  • 公共 AIForge.dev 目录（可选 opt-in 提交） —— 让 artifact 作者主动把自己的仓库登记进公共索引；纯 opt-in，AIForge 实例可选择是否拉取
  • Web 面板里的 Skill 市场 UI —— 在 /discovery 旁边加一个浏览公共目录的页面，所见即可入
  • 推荐 A/B 框架 —— 同一 prompt 流量按比例分给不同 reranker prompt / 模型，看哪个排得更准
  • 学习信号 —— 用户接受 / 拒绝 / 忽略某次注入，反向影响下次排序
  • 链式推荐 —— 不只是返回一组 artifact，而是返回有序的使用顺序

不会做的

  • 托管 SaaS —— AIForge 是开源 self-host。我们不打算运营 hosted 服务（你愿意自己运营，我们不拦）
  • agent 编排 —— 我们只回答「这次该用哪几个 artifact」，不回答「按什么顺序跑」。后者用 LangGraph / Autogen
  • 自训 embedder / reranker —— 用现成开源模型；效果不够好就换更好的开源模型，不自己训
  • 中心化 MCP 发现服务 —— 我们不打算成为新的 MCP「应用商店」；公共目录如果做，也是 opt-in、去中心化的

设计原则（决定我们做什么 / 不做什么）

  1. 小核心，大生态 —— AIForge 自己只做注册、推荐、路由；artifact 由生态提供
  2. 零中心化依赖 —— 自托管是一等公民；公共服务（如未来的 AIForge.dev）永远 opt-in
  3. 本地优先 —— 默认 Ollama 本地 reranker、SQLite 本地存储；不强制任何云服务
  4. 人在回路 —— 自动化（打标、发现、推荐）始终可被人覆盖
  5. 数据归你 —— 没有匿名遥测，没有「云同步」；你的 SQLite 是事实唯一源

怎么影响路线图

  • 给 GitHub issue 点 thumbs-up —— 我们按反应数排
  • 写一个真实场景的 case study issue —— 这是优先级提升最快的路径
  • 直接发 PR 实现一个 v0.3 item —— 我们会拥抱
  • 在 Discussions 里发起 RFC，讨论 v0.4 的方向