博客

项目: geekan/MetaGPT — 57.4k Stars

定位: 多智能体协作框架，模拟软件公司 SOP（标准操作流程）

核心理念: Code = SOP(Team) — 将 SOP 物化并应用于 LLM 组成的团队

源码版本: main 分支 (2025)

1. 设计哲学：SOP 驱动的多智能体

MetaGPT 的核心设计哲学是将软件公司的标准操作流程（SOP）形式化，让 LLM 角色像真实团队一样协作。一行需求输入，产出用户故事、竞品分析、需求文档、数据结构、API 设计等完整软件交付物。

# team.py - Team 类的核心定位
class Team(BaseModel):
    """
    Team: Possesses one or more roles (agents), SOP (Standard Operating Procedures),
    and a env for instant messaging, dedicated to env any multi-agent activity,
    such as collaboratively writing executable code.
    """
    env: Optional[Environment] = None
    investment: float = Field(default=10.0)
    idea: str = Field(default="")
    use_mgx: bool = Field(default=True)

团队拥有环境（Environment）、投资预算（investment）、以及可选的 MGX 增强模式。这体现了”软件公司”隐喻——有预算约束、有组织架构、有协作环境。

2. 角色系统（Role）：智能体的核心抽象

Role 是 MetaGPT 最核心的抽象，每个角色拥有独立的身份（profile）、目标（goal）、约束（constraints）、动作列表（actions）、记忆系统（memory）和运行时上下文（RoleContext）。

（更多…）

为什么专业程序的设置都放在单独的文件里？今天你做出第一个”改配置不改代码”的程序

一、一个改到崩溃的真实场景

先讲一个你大概率亲历过的惨案。

假设你（或者AI）写了一个”每日打卡提醒程序”，里面写着提醒时间是早上8点。用了一周，你想改成7点半——于是你打开代码，找到那行提醒时间 = "08:00"，改成"07:30"，保存，重新运行。

又过了两周，你想改提醒语；再过一周，你想把打卡记录存到另一个文件夹……每次改动都得：打开代码 → 全文搜索找到那行 → 改 → 提心吊胆别改错别的地方 → 保存重跑。

（更多…）

n8n 是一个 Fair-code 工作流自动化平台，原生支持 AI Agent 能力。通过可视化画布结合自定义代码，连接 1500+ 集成，支持自托管或云端部署。本文从源码层面深入分析其架构设计。

1. 版本化节点系统（VersionedNodeType）

n8n 采用版本化节点架构，所有节点（包括 AI Agent）都通过 VersionedNodeType 基类管理多版本。这种设计允许节点在不破坏现有工作流的情况下持续演进。

源码位置: packages/@n8n/nodes-langchain/nodes/agents/Agent/Agent.node.ts

export class Agent extends VersionedNodeType {
    constructor() {
        const baseDescription: INodeTypeBaseDescription = {
            displayName: 'AI Agent',
            name: 'agent',
            icon: 'node:ai-agent',
            iconColor: 'black',
            group: ['transform'],
            description: 'Generates an action plan and executes it. Can use external tools.',
            codex: {
                alias: ['LangChain', 'Chat', 'Conversational', 'Plan and Execute', 'ReAct', 'Tools'],
                categories: ['AI'],
                subcategories: {
                    AI: ['Agents', 'Root Nodes'],
                },
            },
            defaultVersion: 3.1,
        };

        const nodeVersions: IVersionedNodeType['nodeVersions'] = {
            1: new AgentV1(baseDescription),
            1.1: new AgentV1(baseDescription),
            // ... 1.2-1.9 均为 AgentV1
            2: new AgentV2(baseDescription),
            2.1: new AgentV2(baseDescription),
            // ... 2.2-2.3 均为 AgentV2
            3: new AgentV3(baseDescription),
            3.1: new AgentV3(baseDescription),
        };
        super(nodeVersions, baseDescription);
    }
}

架构洞察: 版本映射表将语义版本号映射到具体实现类。V1 系列（1.0-1.9）共享同一实现，V2 和 V3 各有独立实现。defaultVersion: 3.1 表示新建工作流默认使用最新版本。这种设计使得旧工作流可以继续运行，同时新功能只在新版本中提供。

（更多…）

配置文件、网站接口、AI的回复，满世界都是JSON——今天你把它彻底看懂

一、你早就在见它了，只是不知道它叫JSON

先讲一个你肯定遇到过的场景。

你跟AI说：”帮我把这周的菜谱整理一下。”AI回复了一段话，里面是一份结构清晰的清单。你又说：”把这个存到文件里吧。”AI给你存好了。第二天你想让另一个程序读这份菜谱——比如做个采购清单工具——问题来了：

两个程序之间，怎么交接这份数据？

（更多…）

项目: mastra-ai/mastra

语言: TypeScript

许可证: Apache 2.0 + Mastra Enterprise License (ee/ 目录)

定位: 现代 TypeScript AI 应用和 Agent 框架，从原型到生产的一站式解决方案

来源: Y Combinator W25 批次项目

Mastra 是一个面向 TypeScript 生态的 AI Agent 框架，提供 Agent、Workflow、Tool、Memory、MCP Server 等完整能力。其架构以 @mastra/core 为核心，围绕 Agent-Tool-Workflow 三角关系构建，支持 40+ 模型提供商，提供 Human-in-the-loop、RAG、评估和可观测性等生产级特性。

1. Agent 核心架构

Mastra 的 Agent 是框架的中枢，继承自 MastraBase，整合了 LLM 调用、工具执行、记忆管理、信号系统和可观测性。

// packages/core/src/agent/agent.ts
export type MastraLLM = MastraLLMV1 | MastraLLMVNext;

// Agent 配置接口核心字段
export interface AgentConfig {
  id: string;
  name: string;
  instructions: DynamicArgument;  // 支持静态字符串或动态函数
  model: DynamicArgument;
  tools?: DynamicArgument;
  workflows?: DynamicArgument<Record>;
  memory?: AgentMemoryOption;
  voice?: MastraVoice;
  scorers?: DynamicArgument;
  processors?: {
    input?: InputProcessorOrWorkflow[];
    output?: OutputProcessorOrWorkflow[];
    error?: ErrorProcessorOrWorkflow[];
  };
}

Agent 支持两种 LLM 后端：MastraLLMV1（传统 AI SDK v2）和 MastraLLMVNext（AI SDK v5 循环模式），通过统一接口对外暴露 generate() 和 stream() 方法。Agent 内部维护一个 MessageList 管理对话历史，支持 Observational Memory（观察性记忆）让 Agent 行为连贯。

（更多…）

平均值、最大值、分布规律——几百行数据，三秒钟说出它的故事

一、数据搬进来了，然后呢？

上一篇我们干了件大事：把CSV读进了程序，还能把结果写回去。恭喜，你已经是个合格的”数据搬运工”了。

但搬运工之后呢？想象这个场景：

你按上一篇的办法，把三个月的银行账单.csv读进了程序，屏幕上哗啦啦滚过几百行。然后——就没有然后了。你盯着几百行滚动的记录，脑子里还是一团浆糊：

（更多…）

工资条、账单、通讯录、成绩表——程序世界和Excel世界的第一次握手

一、你的数据，大多锁在表格里

先想想你电脑里有多少表格文件：

• 银行卡导出的账单（.csv 或 .xlsx）
• 公司发的工资条
• 通讯录导出的联系人列表
• 上课时的成绩表、考勤表
• 网店后台导出的订单明细

这些数据有个共同的尴尬：Excel能看，但没法”自动化”。想算点东西要手动拉公式，想整理几百行要拖到手酸，想每周重复做一遍——每周都得重来一次。

从今天起不一样了。我们开始爬阶段3的第一个台阶：文件和数据处理。第一站就是CSV——因为它是表格数据里最简单、最通用、最好上手的格式。

（更多…）

学习25分钟、休息5分钟——把第二十一篇的倒计时升级成完整的工作法工具

一、为什么你学不进去，可能不是意志力的问题

你有没有过这种经历：坐下来学习，刚看了两页书，手机亮了；回完消息想继续，脑子里开始想晚饭吃什么；等回过神，半小时没了，书还在第2页。

结论通常是”我意志力太差”。但有个意大利人不同意。

1980年代，Francesco Cirillo发明了一种方法：不要求你学一整天，只要求你专注25分钟。25分钟后休息5分钟，算一个”番茄”。攒够4个番茄，来一次长休息。

（更多…）

项目: stanfordnlp/dspy | Stars: 37.6k | 许可: MIT

定位: “Programming — not prompting — Foundation Models”

全称: Declarative Self-improving Python

DSPy 是 Stanford NLP 团队开发的声明式语言模型编程框架，核心理念是用组合式 Python 代码替代脆弱的 prompt 工程，通过编译器自动优化 LM 的 prompt 和权重。本文从 10 个维度深入分析其架构设计。

1. 核心哲学：从 Prompt 到 Program 的范式转换

DSPy 的根本创新在于将 LM 调用从”手写 prompt 字符串”提升为”声明式 Python 程序”。用户定义输入/输出签名（Signature），编写组合逻辑（Module），框架自动处理 prompt 构造和优化。

README 中明确阐述：

（更多…）

项目: microsoft/semantic-kernel

Stars: 28.5K+ | License: MIT | 语言: Python / .NET / Java

定位: 企业级 AI Agent SDK，模型无关，支持构建、编排和部署 AI Agent 及多 Agent 系统

一、整体架构概览

Semantic Kernel（SK）是微软推出的模型无关 SDK，其核心设计理念是将 LLM 能力与传统代码通过统一的 Kernel（内核） 模式整合。架构分为四层：

┌─────────────────────────────────────────────┐
│            Agent Layer (Agent 抽象)           │
│  ChatCompletionAgent / AzureAIAgent / ...    │
├─────────────────────────────────────────────┤
│          Kernel Layer (核心调度)              │
│  Plugins → Functions → Filters → Services    │
├─────────────────────────────────────────────┤
│        Connector Layer (AI 服务连接器)        │
│  OpenAI / Azure / HuggingFace / ...          │
├─────────────────────────────────────────────┤
│        Content Layer (内容模型)               │
│  ChatMessage / Streaming / FunctionCall       │
└─────────────────────────────────────────────┘

SK 现已演化为 Microsoft Agent Framework (MAF)，作为其企业级后继者，但 SK 本身仍是 MAF 的核心引擎。

二、十个维度深度分析

1. Kernel 核心 —— 组合式设计

Kernel 是整个框架的中枢调度器，通过多重继承组合了四个扩展能力：

（更多…）