全新认知蓝图驱动的代理运行时框架发布，赋能记忆与工具验证

背景概述

随着大模型在推理、代码、数据分析等场景的广泛落地，单轮对话已难以满足多步骤任务的需求。MarkTechPost 团队基于 Auton 思想，推出了 认知蓝图（Cognitive Blueprint）驱动的运行时框架，实现了从任务分解到工具调用、结果校验的完整闭环。

核心组件

• Blueprint Identity：定义代理的名称、版本、描述及作者信息，便于多蓝图之间的可移植性。
• Goals & Constraints：明确任务目标与约束，例如禁止捏造数据、必须进行结果验证等。
• Planning Strategy：支持 sequential、hierarchical、reactive 三种规划方式，配合 max_steps 与 max_retries 控制执行深度。
• Memory Management：提供 short_term、episodic、persistent 三种记忆类型，并在历史对话超出 summarize_after 后自动压缩摘要，降低算力消耗。
• Tool Registry：统一注册外部工具（calculator、unit_converter、date_calculator、statistics_engine 等），每个工具携带参数说明与返回格式，运行时可动态查询。
• Validation Layer：依据蓝图中 min_response_length、forbidden_phrases 与 require_reasoning 进行答案质量检查，确保输出具备可解释性。

运行流程

1. 任务输入 → 记忆管理器返回包含系统提示、历史摘要的消息列表。
2. 规划阶段：LLM 根据蓝图生成结构化的 JSON 计划，每一步包括描述、所需工具、参数及推理理由。
3. 执行阶段：遍历计划，若指定工具则调用 ToolRegistry，否则让 LLM 直接完成推理；每一步结果实时记录并反馈给后续步骤。
4. 合成阶段：将所有步骤结果拼接，使用 LLM 生成最终答案。
5. 验证阶段：依据蓝图规则检测答案长度、禁用词以及推理痕迹，若未通过则触发重试机制。

示例：在 ResearchBot 蓝图下，用户提问「每步 20 cm 高度需要多少步？」系统会先规划计算步数、再调用 calculator 完成数值运算，最后通过验证确保答案包含完整的计算过程。

案例展示

• ResearchBot：侧重数学推理与外部搜索，内置 calculator、unit_converter、search_wikipedia_stub 三个工具。
• DataAnalystBot：专注统计分析，配备 statistics_engine 与 list_sorter，并限制仅处理数值数据。

两者共享同一套运行时，只通过更换蓝图 YAML 即可实现行为差异，展示了框架的高度可组合性。

影响与展望

该框架的开源发布为学术研究与企业落地提供了统一的基座：

• 降低门槛：开发者无需从零搭建工具注册、记忆压缩等基础设施，直接聚焦业务逻辑。
• 提升安全性：内置验证层可在生成答案前捕获潜在错误或不当表述，符合企业对 AI 可控性的基本要求。
• 促进生态：框架采用 Pydantic 与 Enum 严格定义数据结构，易于社区贡献新工具或蓝图模板。

未来计划加入 可视化调度面板、多模态工具（如图像分析）以及 自适应规划策略，进一步推动 agentic AI 向通用智能迈进。

获取方式

项目已在 GitHub 公开，完整代码、示例蓝图以及使用文档均可免费获取。欢迎社区提交 PR，共同完善 Agentic AI 的基石设施。