记忆系统与多智能体编排深度分析

• SQLite 主存储：MemoryStorage 负责结构化数据持久化
• SearchBackend 索引：FTS5Backend（全文搜索）或向量后端
• 降级机制：当向量后端不可用时，自动回退到 FTS5

class UnifiedStore:
    def __init__(self, db_path, search_backend=None, ...):
        self.db = MemoryStorage(db_path)      # SQLite
        self.search = create_search_backend(backend_type, ...)

1.3.2 RetrievalEngine — 多路召回引擎

retrieval.py 实现了复杂的检索策略：

召回通道：

1. 语义搜索 — 基于向量或 FTS5
2. 情节搜索 — 实体/工具名关联
3. 时间搜索 — 最近 N 天
4. 附件搜索 — 文件/媒体关联

W_RELEVANCE = 0.40    # 相关性
W_RECENCY = 0.20      # 时效性
W_IMPORTANCE = 0.20   # 重要性
W_ACCESS = 0.20        # 访问频率

LLM 关键词拆解：使用 QUERY_DECOMPOSE_PROMPT 将自然语言查询转换为搜索关键词。

1.3.3 MemoryExtractor — AI 提取器

extractor.py 负责从对话中提取值得记忆的信息。其核心判断逻辑（第 35-60 行）：

问自己"这条信息在一个月后的新对话中还有用吗？"

• ✅ 记录：用户身份、性格偏好、行为规则、技术环境、可复用经验
• ❌ 不记录：具体任务请求、临时指令

1.4 记忆注入策略

manager.py 实现了三层注入：

┌─────────────────────────────────────────┐
│           Scratchpad (工作记忆)          │
│    跨 session 的工作草稿，实时更新        │
├─────────────────────────────────────────┤
│          Core Memory (核心记忆)          │
│    身份、性格、长期偏好，MEMORY.md       │
├─────────────────────────────────────────┤
│       Dynamic Memories (动态记忆)        │
│    检索召回的事实、偏好、经验             │
└─────────────────────────────────────────┘

1.5 记忆系统亮点与改进建议

二、多智能体编排 (Multi-Agent Orchestration) 架构分析

2.1 设计目标

OpenAkita 的多智能体系统旨在实现：

• 专业化分工：不同 Agent 擅长不同领域
• 并行协作：一个请求触发多个 Agent 同时工作
• 故障转移：某个 Agent 失败时自动切换
• 状态可视化：实时追踪子 Agent 状态

2.2 核心组件

┌─────────────────────────────────────────────────────────────────┐
│                   AgentOrchestrator (编排器)                     │
├─────────────────────────────────────────────────────────────────┤
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────────────────┐ │
│  │ AgentMailbox│  │ AgentHealth│  │  AgentInstancePool     │ │
│  │  (消息队列) │  │  (健康度)   │  │  (实例管理+空闲回收)   │ │
│  └─────────────┘  └─────────────┘  └─────────────────────────┘ │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────────────────┐ │
│  │DelegationLog│  │ Fallback    │  │  ProfileStore          │ │
│  │  (委托日志) │  │  (故障转移)  │  │  (AgentProfile 存储)  │ │
│  └─────────────┘  └─────────────┘  └─────────────────────────┘ │
└─────────────────────────────────────────────────────────────────┘

2.2.1 AgentOrchestrator — 中央编排器

orchestrator.py 是整个多智能体系统的核心：

核心职责：

1. 消息路由：根据 session 的 agentprofileid 分发到对应 Agent
2. 委托管理：支持 Agent 之间的任务委托（有深度限制 MAX_DELEGATION_DEPTH = 5）
3. 超时处理：空闲超时 1200s、硬性超时可配置
4. 健康度追踪：记录每个 Agent 的请求数、成功率、平均延迟

@dataclass
class DelegationRequest:
    from_agent: str      # 委托方
    to_agent: str        # 被委托方
    message: str        # 任务描述
    session_key: str     # 会话标识
    depth: int = 0       # 委托深度

2.2.2 AgentMailbox — 异步消息队列

每个 Agent 拥有独立的异步消息队列 (asyncio.Queue)：

class AgentMailbox:
    async def send(self, message: dict) -> None:
        await self._queue.put(message)
    
    async def receive(self, timeout: float = 300.0) -> dict | None:
        # 超时返回 None，支持优雅降级

这种设计支持多 Agent 并行工作，互不阻塞。

2.2.3 AgentFactory — Agent 实例工厂

factory.py 根据 AgentProfile 创建差异化实例：

核心功能：

1. 技能过滤：根据 profile 配置筛选可用技能
2. 提示词注入：添加自定义提示词
3. 名称/图标设置：差异化展示

class SkillsMode(str, Enum):
    INCLUSIVE = "inclusive"   # 仅含列表中的技能
    EXCLUSIVE = "exclusive"  # 排除列表中的技能  
    ALL = "all"              # 全部技能

基础系统技能（第 23-27 行）：无论哪种模式，都必须保留的核心技能：

• 规划：create-plan, update-plan-step, get-plan-status
• 技能发现：get-skill-info, list-skills
• 文件系统：run-shell, read-file, write-file
• 记忆：search-memory, add-memory

2.2.4 AgentProfile — Agent 蓝图

profile.py 定义了 Agent 的配置模板：

@dataclass
class AgentProfile:
    id: str
    name: str
    skills: list[str]           # 技能列表
    skills_mode: SkillsMode    # 技能模式
    custom_prompt: str         # 自定义提示词
    fallback_profile_id: str   # 故障转移目标
    icon: str                  # 显示图标
    color: str                 # 主题色

系统预置 Agent：

• default — 默认助手
• tech_expert — 技术专家
• boyfriend / girlfriend — 情感陪伴
• jarvis / butler — 管家式服务
• business / family — 商务/家庭场景

2.3 委托协作流程

用户: "创建一个竞品分析报告"
        │
        ▼
┌──────────────────────────────┐
│  AgentOrchestrator            │
│  解析任务，识别需要:           │
│  - 搜索 Agent                 │
│  - 写作 Agent                 │
│  - 验证 Agent                 │
└──────────────────────────────┘
        │
        ├───────────────────┬───────────────────┐
        ▼                   ▼                   ▼
   ┌─────────┐         ┌─────────┐         ┌─────────┐
   │Search   │         │Writing  │         │Verify   │
   │Agent    │────────▶│Agent    │────────▶│Agent    │
   │(并行)   │         │         │         │         │
   └─────────┘         └─────────┘         └─────────┘
        │                   │                   │
        └───────────────────┴───────────────────┘
                          │
                          ▼
                   ┌─────────────┐
                   │ 返回报告给用户 │
                   └─────────────┘

2.4 健康度与故障处理

AgentHealth 指标（第 52-63 行）：

@dataclass
class AgentHealth:
    total_requests: int      # 总请求数
    successful: int         # 成功数
    failed: int             # 失败数
    avg_latency_ms: float   # 平均延迟
    
    @property
    def success_rate(self) -> float:
        return self.successful / max(self.total_requests, 1)

故障转移：当某个 Agent 连续失败时，自动切换到 fallback_profile_id 指定的备用 Agent。

2.5 多智能体系统亮点与改进建议

三、两个系统的协同

记忆系统与多智能体编排并非独立运作，而是紧密协作：

3.1 Agent 使用记忆

# 每个 Agent 都可以访问记忆系统
- search-memory: 检索相关记忆
- add-memory: 添加新记忆

3.2 Agent 私有记忆

通过 MemoryScope.AGENT 实现 Agent 私有记忆：

• 不同的 Agent 可以有不同的"人格"
• 共享全局记忆 (GLOBAL) 实现跨 Agent 协作

3.3 任务记忆传递

当 Agent 之间进行委托时：

• 任务上下文通过 DelegationRequest 传递
• 记忆检索可以包含委托链上下文

四、总结

OpenAkita 的记忆系统和多智能体编排都体现了工程化的成熟度：

1. 记忆系统：v2 架构清晰，多路召回策略合理，AI 提取逻辑务实
2. 多智能体编排：轻量级 asyncio 设计，支持并行协作和故障转移