mirror of
https://github.com/ThearchyHelios/AgentLab.git
synced 2026-11-17 13:11:58 +00:00
df935599f2
三件事,都是"这三个模块一条测试都没有"的后果。 **换 embedder 会让检索整体 500。** 库里是 512 维的本地向量、查询是 1536 维的 远端向量时,cosine 直接 `shapes (1536,) and (512,) not aligned`。from_blob 有 dim 参数,但 kb.py 和 memory/store.py 调用时都没传;而且存量向量属于哪个模型 代码里没有任何地方记着,所以也无从降级。 Chunk / MemoryItem 各加 embed_model + embed_dim(走现成的 _COLUMN_MIGRATIONS, 存量回填空值,正好表示"不知道是谁建的")。检索遇到对不上的向量整体退回纯 关键词并说破,不是把它们当 0 分静默沉底——那样用户看到的是结果莫名其妙变差, 而不是"这里有一批索引该重建了"。配套 kb.reindex + POST /api/kb/reindex。 长期记忆那份一起修了。判重那条更危险:维度碰巧相同但模型不同时 cosine 算出来 是随机数,会把不相关的旧记忆认成"重复",然后把新内容丢掉。 **默认 embedder 没有语义能力,而开关藏在一个环境变量里。** LocalEmbedder 是 特征哈希 + TF,和 BM25 吃同一批词;alpha 默认 0.5 等于给了它一半权重,同义 改写一条都召不回。开启真模型的唯一开关是 AGENTLAB_USE_OPENAI_EMBEDDINGS—— 没界面、没人会发现。改成设置项(照 COPILOT_SETTING_KEY 的路子),知识库页顶部 能选能看能重建。 配置失败必须响:第一版写成静默退回本地,但选了 OpenAI 却拿到哈希向量的人, 在搜不出同义表达时完全无从怀疑到这里。现在抛 EmbedderUnavailable,API 400 原样交回"检查 OPENAI_API_KEY 是否配了",且不会把配置改掉。 **检索结果不进工件库。** db_query、工具节点、agent 工具调用都落 put_json 快照, run_retrieve 什么都不落——于是结论只要来自知识库,"这个数是哪来的"就断在这儿, 而数字回指正是这个项目的签名能力。现在落 kind="retrieval_snapshot",并发一条 retrieve.end 带 artifact id。解码层补了正式映射(原来会掉进"未知事件"兜底, 画成一坨原始 JSON)。 新增 test_kb.py 11 条,补上这三个模块此前的零覆盖,包括 embeddings.py 里 注释记着、但一直没有测试守的那个归一化边界(单条候选被 min_score 误杀)。 端到端在真实服务上验过:撞上存量向量返回 200 + 降级说明(以前 500)、 重建后 stale 归零、配不起来的远端模型 400 且配置不变。
76 lines
2.3 KiB
Python
76 lines
2.3 KiB
Python
from __future__ import annotations
|
|
|
|
import time
|
|
import uuid
|
|
from enum import StrEnum
|
|
from typing import Any
|
|
|
|
from pydantic import BaseModel, Field
|
|
|
|
|
|
class EventType(StrEnum):
|
|
"""前端与后端之间的实时协议。画布高亮、时间线、token 流全部基于这套事件。"""
|
|
|
|
# run 级
|
|
RUN_STARTED = "run.started"
|
|
RUN_FINISHED = "run.finished"
|
|
RUN_FAILED = "run.failed"
|
|
RUN_CANCELLED = "run.cancelled"
|
|
RUN_INTERRUPTED = "run.interrupted" # 等待人工介入
|
|
RUN_RESUMED = "run.resumed"
|
|
|
|
# 节点级
|
|
NODE_STARTED = "node.started"
|
|
NODE_FINISHED = "node.finished"
|
|
NODE_FAILED = "node.failed"
|
|
NODE_SKIPPED = "node.skipped"
|
|
EDGE_TAKEN = "edge.taken" # 条件分支实际走了哪条边
|
|
|
|
# 模型级
|
|
LLM_START = "llm.start"
|
|
LLM_TOKEN = "llm.token"
|
|
# 思考的流式增量:只推给画布做实时显示,不落库
|
|
LLM_THINKING_DELTA = "llm.thinking.delta"
|
|
# 一次完整思考:调用结束时落一条,这才是进轨迹的事件
|
|
LLM_THINKING = "llm.thinking"
|
|
LLM_END = "llm.end"
|
|
|
|
# 工具 / 沙箱
|
|
TOOL_START = "tool.start"
|
|
TOOL_END = "tool.end"
|
|
TOOL_ERROR = "tool.error"
|
|
# 知识检索。以前只发一条 info 日志,于是"这句结论依据的是哪份文档的哪一段"
|
|
# 在轨迹里查不到——而 SQL 取数那条路早就有工件快照可以下钻
|
|
RETRIEVE_END = "retrieve.end"
|
|
SANDBOX_START = "sandbox.start"
|
|
SANDBOX_END = "sandbox.end"
|
|
|
|
# 多 agent 协作中的单个 agent 步骤
|
|
AGENT_STEP_START = "agent.step.start"
|
|
AGENT_STEP_END = "agent.step.end"
|
|
|
|
# 人工介入
|
|
HUMAN_REQUESTED = "human.requested"
|
|
HUMAN_RESOLVED = "human.resolved"
|
|
|
|
# 出具与口径治理
|
|
ISSUANCE = "issuance" # 出具契约的判定结果(档位 / 缺数据 / 未回指数字)
|
|
CALIBER_UPGRADE = "caliber.upgrade" # 钉住的方法卡有新版本,按声明的策略处置
|
|
|
|
# 其他
|
|
LOG = "log"
|
|
USAGE = "usage" # token / 成本累计
|
|
|
|
|
|
class RunEventModel(BaseModel):
|
|
id: str = Field(default_factory=lambda: uuid.uuid4().hex)
|
|
run_id: str
|
|
seq: int = 0
|
|
type: EventType
|
|
node_id: str | None = None
|
|
ts: float = Field(default_factory=time.time)
|
|
data: dict[str, Any] = Field(default_factory=dict)
|
|
|
|
def to_wire(self) -> dict[str, Any]:
|
|
return self.model_dump(mode="json")
|