场景库

实现步骤

1. 1.安装 SWE-agent 并配置 GitHub Token
2. 2.设置触发规则（Label 为 "auto-fix" 的 Issues）
3. 3.Agent 分析 Issue 和相关代码

实现步骤

1. 1.安装并配置 Sentry MCP 和 K8s MCP
2. 2.设置监控阈值和触发条件
3. 3.Agent 接收告警后自动分析堆栈跟踪

实现步骤

1. 1.在 GitHub Actions 中配置 PR 触发工作流
2. 2.提取 PR 的 diff 内容，格式化为结构化格式
3. 3.用 Claude API 分析代码变更，检测安全/性能/规范问题

实现步骤

1. 1.建立五层记忆体系：创建Enterprise级CLAUDE.md写入安全合规策略，Project级文件控制在200-300行记录团队规范，Rules级按路径条件化加载细分规范，Local级存放个人备忘并加入.gitignore。
2. 2.配置上下文分诊机制：将候选信息分为P0-P3四个等级，仅将核心日志和历史工单句柄注入上下文，将Token消耗从18K压缩至2K，提升信噪比。
3. 3.实现结构化输入与Stop Hook门禁：避免模糊Prompt，提供具体函数和行号；配置Stop Hook自动运行lint和单元测试，测试未通过则阻断提交并让AI自愈。

实现步骤

1. 1.在Claude Code中使用/loop指令或ultracode触发词创建动态工作流，系统将自动生成JavaScript编排框架。
2. 2.定义任务目标并选择编排模式，如分类执行（Classify-and-act）或扇出综合（Fan-out-and-synthesize），Claude会现场生成子智能体协调方案。
3. 3.利用Automations或/loop设置定时调度（如每5分钟），让循环自动发现任务、分配工作并校验结果。

实现步骤

1. 1.部署文档解析平台（如RAGFlow DeepDoc或PaddleOCR-VL），对PDF、扫描件、图纸等文档进行版面分析、表格还原和结构提取。
2. 2.将解析后的结构化内容（Markdown/JSON）切片，构建向量索引（如Infinity）和全文索引（如Elasticsearch），并可选集成知识图谱。
3. 3.设计离线入库流程：文档解析→切片→向量化→索引构建；在线问答流程：query改写→混合检索→重排序→LLM生成。

实现步骤

1. 1.评估Agent对记忆的需求：确定是否需要长期上下文、偏好遵循和时效更新，选择RAG、知识图谱或Dreaming等架构。
2. 2.设计记忆存储方案：采用向量数据库（如Pinecone）或图数据库（如Neo4j）存储结构化与非结构化记忆。
3. 3.实现记忆写入机制：通过用户显式指令或后台自动提取（如Dreaming V0/V3）将对话历史转化为持久记忆。

实现步骤

1. 1.评估当前MAS工作流是否固定，若固定则使用MASPOB基于Bandit算法联合优化各Agent的Prompt，在50次评估内提升性能。
2. 2.若需去中心化协调，部署EoM框架，通过拍卖、交易和财富机制让Agent自动分工协作，无需中央控制器。
3. 3.对链式或图式MAS，采用StreamMA流式通信，上游每步推理立即转发下游，实现流水线并行，降低延迟并提升准确性。

实现步骤

1. 1.明确任务类型：区分终身演化（个人状态/任务状态动态变化）与智能体执行（基于真实观察与反馈生成记忆）两类场景。
2. 2.选择记忆架构：根据任务动态性和多模态需求，从长上下文模型、RAG+外部记忆系统、工具驱动记忆三种范式中选型。
3. 3.设计记忆生命周期：按写入、维护、检索、使用四阶段定义记忆管道，确保每阶段可观测、可诊断。

实现步骤

1. 1.使用本体建模工具（如Protégé）定义业务实体、关系和规则，构建领域本体。
2. 2.将本体集成到Agent框架中，作为行为约束和上下文检索的语义底座。
3. 3.在Agent执行前，从本体中抽取与任务相关的语义子图，动态注入推理上下文。

实现步骤

1. 1.确认任务是重复的、有自动校验手段、token预算充足、Agent能运行自己写的代码，且你愿意审查产出。
2. 2.先手动运行一次任务流程，确保稳定，再沉淀为Skill文件记录项目背景、规范和已知坑点。
3. 3.创建状态文件（如Markdown）记录任务进度、已完成项和待办事项，作为持久化记忆。

实现步骤

1. 1.定义智能体的Persona：设置身份简介、规则文件、记忆上下文和知识库，明确角色定位与知识边界。
2. 2.配置Workflow：通过触发器、会话计划和决策日志，将复杂任务分解为自动化步骤流程。
3. 3.集成Capability：添加斜杠命令、混合执行、嵌入向量和技能体系，构建功能工具箱。

实现步骤

1. 1.部署RAGFlow开源框架，配置DeepDoc模块用于文档解析。
2. 2.上传企业文档（PDF、Word等），利用OCR和布局识别提取结构化内容。
3. 3.将解析后的文本切片，调用Embedding模型生成向量，存入向量数据库Infinity。

实现步骤

1. 1.梳理Agent业务需求，明确需要长期记忆（持久化知识）还是短期记忆（会话上下文），以及记忆的粒度（如实体、关系、对话摘要）。
2. 2.调研主流记忆框架：Mem0（简洁易用）、Graphiti（图谱关联）、Hermes（高效）、OpenClaw（灵活），根据存储设计（向量、图、键值）和扩展性选型。
3. 3.使用n8n或LangGraph构建Agent记忆管理节点，将记忆存储与检索封装为可复用的组件，支持长期记忆的写入、更新和过期策略。

实现步骤

1. 1.在AI编程中，通过AST解析和代码切片控制输入上下文，约束模型输出，并建立人工Review与双模型交叉复核机制。
2. 2.针对老旧系统，先构建代码图谱，按分层分域切片，再逆向生成PRD、流程图和架构图，实现自动化重构。
3. 3.运维场景中，采用“规则先行、模型辅助”策略，先固化专家规则，再引入大模型辅助诊断，确保建议可验证、可回滚。

实现步骤

1. 1.分析当前Token消耗构成，区分用户输入、系统提示词、工具调用、上下文检索等各部分占比。
2. 2.优化上下文检索层，使用精细化索引（如Glean）替代通用MCP工具，减少冗余信息加载。
3. 3.实施多模型混合调度，将标准化任务分配给轻量化模型，仅核心差异化环节使用前沿大模型。

实现步骤

1. 1.设定明确的目标和评判标准，作为循环的反馈依据。
2. 2.搭建带反馈的运行环境，让 Fable 5 在循环中接收反馈并自主修正。
3. 3.使用独立评分子代理在隔离上下文窗口中完成打分核验，确保评判客观。

实现步骤

1. 1.根据业务负载选择记忆架构：对话问答选混合系统，事实时序推理选图谱，短时轻量对话选序列存储。
2. 2.在提取阶段保守留存完整上下文，将过滤与压缩后置到查询阶段，避免提前丢失关键细节。
3. 3.检索采用稠密+稀疏均衡的混合检索，搭配轻量级查询规划，不增加冗余反思步骤。

实现步骤

1. 1.搭建 ReAct 编排循环：实现思考-行动-观察的 while 循环，管理 LLM 调用、工具执行和结果反馈。
2. 2.注册工具并定义 schema：为每个工具提供名称、描述和参数类型，注入 LLM 上下文，并实现沙盒执行与结果格式化。
3. 3.实现分层记忆系统：短期记忆使用对话历史，长期记忆持久化到文件或数据库，并设置轻量级索引与按需拉取机制。

实现步骤

1. 1.明确记忆需求：确定是否需要跨会话持久化、冲突处理、自动遗忘等功能，以及期望的检索延迟和存储整洁度。
2. 2.对比框架设计：阅读Mem0、Supermemory、Letta官方文档，理解其核心机制——Mem0追加写入+检索消解冲突、Supermemory异步梦境整合、Letta自主记忆调度。
3. 3.选择并安装框架：根据项目场景选择一款（如Mem0适合低延迟写入），通过pip或npm安装对应SDK，并配置API密钥。

实现步骤

1. 1.理解 Agent Harness 本质：它是包裹 LLM 的完整基础设施，包括编排循环、工具、记忆、上下文管理、状态持久化、错误处理和安全护栏，而非简单的提示词包装。
2. 2.设计编排循环：实现思考-行动-观察（TAO/ReAct）循环，使用 while 循环管理轮次，将智能交给模型，Harness 仅负责轮次管理。
3. 3.定义工具层：以 schema 形式注册工具（名称、描述、参数类型），实现参数提取、沙盒执行、结果捕获和格式化，参考 Claude Code 的六类工具或 OpenAI 的函数工具。

实现步骤

1. 1.设计六层记忆服务体系：隐式提取→显式保存→截断保护→会话归档→快照缓存→记忆消毒，实现记忆动态生命周期管理。
2. 2.采用记忆工程与知识工程双轨架构，将上下文窗口视为工作内存（RAM），外部记忆系统视为持久化存储（磁盘），明确分层。
3. 3.使用VISION.md等锚定文件固定基础上下文，通过磁盘或Git持久化任务状态，避免每次会话从头开始。

实现步骤

1. 1.安装Mem0库并初始化Memory对象，使用add()方法传入对话消息和用户ID，自动提取事实并追加存储。
2. 2.调用search()方法进行混合检索（语义向量+BM25关键词+实体匹配），传入查询和过滤器，获取Top-K相关记忆。
3. 3.集成openJiuwen社区的AutoGenetic Memory，配置L0-L3分层记忆体系，将原始对话、摘要、结构化记忆和用户画像分层存储。

实现步骤

1. 1.用 Rule（规则约束）、Skill（流程约束）、Hook（技术约束）三层机制强制约束 Agent 行为，能用工具约束的就不靠 Prompt。
2. 2.实施认知隔离：强制启用独立 Subagent 进行代码评审，绕过模型自我维护已有代码的认知偏差。
3. 3.将复杂任务拆解为多个职责单一的 Agent 角色，采用串行接力（落盘通信）、阻塞确认（人工 gate）、独立 Subagent 三种协作链路。

实现步骤

1. 1.与Claude协作编写转换规则文档，明确语义映射和生命周期对照表。
2. 2.将代码库按模块拆分，利用Claude并行处理多个文件，每批分配64个AI智能体。
3. 3.实施双AI对抗式评审：一个智能体编写代码，另两个独立智能体专门挑错。

实现步骤

1. 1.设计一个自动化工作流，包含规划、执行、观察/测试、改进的闭环循环，让模型能在其中运行和迭代。
2. 2.使用文件系统作为持久化记忆，将实验日志、代码差异、错误追踪等产出物存储在文件中，避免超出上下文窗口。
3. 3.实现子智能体与后台任务机制，允许主智能体派生子智能体并行执行任务，并通过进程管理器监控和汇总结果。

实现步骤

1. 1.梳理企业核心业务指标（如营收、客户），统一口径并建立语义层，将业务含义显式映射到数据字段。
2. 2.部署统一元数据系统（如Apache Gravitino）作为控制平面，实现跨引擎、跨格式、跨云的元数据集中管理与发现。
3. 3.设计Agent访问数据的细粒度权限模型，区分读一行与全表扫描的敏感级别，基于意图而非角色授权。

实现步骤

1. 1.设计记忆架构：采用Memora解耦式设计，将每条记忆分为核心摘要（6-8词）、线索锚点（多组短标签）和原始内容，仅对摘要和锚点建立索引。
2. 2.集成记忆存储：使用ChromaDB等向量数据库存储记忆，并配置多存储后端支持（本地/远程），实现记忆去重、合并与自动更新。
3. 3.实现多策略检索：集成语义检索、LLM引导检索、混合检索（向量+BM25）和GRPO强化检索，根据场景选择或组合使用。

实现步骤

1. 1.从GitHub仓库（https://github.com/inclusionAI/SingGuard）下载SingGuard和SingGuard-NSFA源码及模型权重，选择适合业务规模的模型尺寸（0.8B/2B/4B/9B）。
2. 2.部署SingGuard作为内容安全网关，配置文本、图片、图文混合内容的违规检测规则，并设置风险等级阈值，拦截用户输入和模型输出中的违规内容。
3. 3.部署SingGuard-NSFA，选择审计模式或实时拦截模式：审计模式用于离线日志分析，实时拦截模式延迟约50ms，可集成到Agent执行链路中，在工具调用前进行风险判定。