Files

T

Blizzard ce70388e52 docs: DEPTH_ROADMAP T2.2 三路做实(中文全文/图谱修活),质量评测待补

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

2026-06-30 10:00:59 +08:00

7.1 KiB

Raw Blame History

sundynix-agentix · 深度路线图

目标：在现有广度下做深度 —— 不加新功能面，把已有的盘活、做实、能交付。用法：完成一项勾一项 [ ]→[x]，子项同理。每完成一个 Tier 回顾一次。图例：[ ] 未做 · [x] 完成 · [~] 进行中 · 🔴 高杠杆 · ⏸ 暂缓

诊断：深度不足分四类（别混排）

A 建了没激活/没校准：评测裁判恒给 ~1.00 → 纠偏闭环空转；多智能体后端通了但 Studio 画不出。
B 重复/欠债的税：两套编排引擎（graph.go + compose）；前端测试薄（自评 🔴）。
C AI 核心还浅：单模型无 fallback；RAG 三路部分降级/桩、无检索质量度量；无 prompt 版本管理/输出缓存。
D 生产硬化 🔴：审计日志 / NATS 集群 / DB HA / K8s / TLS —— 是"部署深度"非"产品深度"，无真实流量前暂缓。

🥇 Tier 0 — 激活已有投入（小改动，最高回报）

[x] T0.1 🔴 校准评测裁判 — 让恒温器真触发 ✅

现状：LLM judge 恒给 0.94/1.00，从不判 poor，低分自动纠偏闭环几乎从没启动。

eval.go judge 改对抗性/rubric 打分（默认怀疑、先挑毛病再打分、给死评分基准、用满 1–5）
grounded judge 同样收紧（忠实度按编造数递减，一处编造≤2；未支持说法进 Flags）
根因更深的数学修复：归一 score/5(下限 0.2) → (v-1)/4(1→0)，否则 0.4*rule 底使 poor 永不可达
校准测试：normJudge 区间 + 「流畅但跑题(judge=1)可达 poor」+ 好坏区分度
复核阈值（poor<0.5 / warn<0.75）与新分布匹配
验收 ✅ live(deepseek)：跑题→0.40 poor→触发纠偏(0.40→0.55)；截断→0.55 warn；好答案→1.00 ok。校准前这三个全是 1.00→ok，恒温器从没触发。

[x] T0.2 多智能体进 Studio（多智能体 v2）✅

现状：coordinator 后端已通（见 MULTI_AGENT.md），但画布拖不出。

nodeCatalog 加 coordinator 节点（「多智能体协调」，indigo）+ 新 agentList 字段类型 + Specialist 接口
Inspector AgentListField：可增删的专家卡片（名/用途/系统提示词/工具逗号分隔）
dsl 校验：agentList 需 ≥1 个有名字的专家 + 名字不重复
运行轨迹「工具调用」面板纳入专家派发（kind=agent）→ 改名「工具/专家」，专家项 indigo 标识
后端验证：UI 同款 DSL 结构提交可跑（agents 数组经 exportDsl 透传 → parseSpecialists）
验收 ✅：Studio 左栏出现「多智能体协调」节点，检查器配专家卡片，导出 DSL 对齐后端；轨迹/工具面板能看到专家派发。（真机由用户在 wails 窗口确认）

🥈 Tier 1 — 收口 / 去税

[x] T1.1 退役 graph.go — 消灭双引擎 ✅

现状：compose 已默认，HITL/多智能体只在 compose 上；graph.go 是逃生舱。

compose soak（默认跑数天，HITL/多智能体/评测全在其上真实运行）
删 runGraph（自研拓扑解释器）+ composeEnabled/EINO_COMPOSE 开关 + runConversation 死代码
compose 编译失败兜底改单轮对话（不再回退 graph.go）；清掉仅 runGraph 用的 import(otel)
保留 board/各节点执行器/工具函数（compose 各 lambda 复用）；8 处测试 runGraph→runComposeGraph，等价测试转为 compose 正确性测试，runConversation 测试转为「无 ChatModel 降级 runAgent」
验收 ✅：单引擎，go test ./... 全绿 + vet 干净；冒烟简单 agent/分支图跑通；HITL/多智能体/branch/map 全在 compose 上。

[ ] T1.2 前端深度补齐

评测质量面板（运行页展示 overall/质量/忠实/纠偏/flags，驱动 T0.1 的可见性）
HITL 边角（长等待后 token 重连、拒绝分支体验）
补前端测试（自评 🔴 缺失）：关键流程（run/审批/多智能体）的组件/逻辑测试
验收：后端已有能力在 UI 都可见可操作；前端测试覆盖核心流程。

🥉 Tier 2 — 把 AI 核心做深（差异化卖点）

[x] T2.1 模型路由 + Fallback ✅

现状：单模型，一家 provider 抖动全平台挂（自评 ⚠️缺失）。

多 provider 配置：复用 admin 已有 models 表 —— 注册多个 chat 模型即自动成主备（active=主，其它=按序备用），无需新 admin UI；ModelConfig 加 Fallbacks 骑主配置下发（不改 bus 签名）
主调用失败/超时自动切备：failoverModel（model.ToolCallingChatModel）按序切，compose/ReAct/Chat 全路径透明；调用方取消不切；备用 api_key 一并解密
按任务类型/成本选模（可选，v1 跳过）；熔断器联动（failover 在 model 层、熔断在编排层，互补未整合）
验收 ✅ live：active=死 ollama 主 + deepseek 备 → 任务连主拒连→自动切 deepseek→4s 完成。
v1 局限：Stream 仅建流同步报错时切（已回流 token 的中途失败不切）。

[~] T2.2 RAG 深度（三路做实✅；离线质量评测待补）

实测纠正：RAG 三路(向量/全文/图谱)+RRF+rerank 早已实现，之前"降级/桩"全是基建没起的假象。基建拉起后发现真问题：对中文只有向量路在干活（hybrid: 向量=1 全文=0 图谱=0）。

修全文路：Bleve 默认分词器不切中文 → text 字段改 cjk 分词器（bigram），kb/doc 用 keyword
修图谱路：$q CONTAINS a.name 漏后缀错配（查"星云一号"漏实体"星云一号卫星"）→ 加查询字符 n-gram(2..8) 双向子串匹配
live 验证：同查询 向量=1 全文=0 图谱=0 → 向量=1 全文=1 图谱=9，三路全活；中文混合 1/3→3/3
检索质量度量（离线评测集 recall@k/MRR + 混合 vs 单路对比）—— 待补，量化"混合比单路好多少"
验收：三路都真出结果✅；可度量待补。

[~] T2.3 Prompt 版本管理 + 输出缓存（缓存半做）

模型输出缓存：cachingModel（llm/cache.go）包在 failover 外层，缓存 Generate（非流式），键=模型+工具+消息哈希，默认 TTL 60s（env 可调/关）。单测全过。 ⚠️ 诚实：本平台以流式创作为主、Generate 输入每次变，真实命中率天然偏低（主要吃短窗内逐字相同的重试/双发）；机制对、零风险，但非大成本杠杆。更大的省钱项（语义缓存/确定性工具结果缓存）是后续。
prompt 版本化（可回溯/对比/灰度）—— 未做，是 T2.3 的另一半，独立较大块。
验收：缓存 ✅ 单测；prompt 版本切换待做。

🗄️ Tier 3 — 生产硬化 ⏸（等有真实流量再上）

审计日志（敏感操作留痕）
NATS 集群（3 节点 + JetStream Raft）+ DB HA
K8s 部署 + 多副本
网络安全（TLS / CORS 严格化）
备份 / DR 演练

进度回顾

Tier	完成 / 总
T0 激活	2 / 2 ✅
T1 收口	1 / 2
T2 深化	1 / 3
T3 硬化 ⏸	0 / 5

推进顺序：T0.1 → T0.2 → T1.1 → T1.2 → T2.* → （T3 按需）。

7.1 KiB Raw Blame History Unescape Escape