使用说明
基金会代理
Goose的4阶段现实验证系统将物理约束与人类惯例区分开来，使您能够构建与实际现实而不是想象中的限制相一致的系统。
🚀 快速开始
# Install Foundation Agent recipe for Goose
goose session start --recipe foundation-agent
# Describe your system/problem
> "I need to architect a web application that handles 10,000 concurrent users
with <100ms response times. Current architecture uses microservices but
response time is 500ms."
结果： 物理在约26分钟内验证了架构，准确率>85%，防止了5万至50万美元的架构错误。
📚 什么是基金会代理？
Foundation Agent通过以下方式改变了工程团队做出架构决策的方式 在构建解决方案之前验证现实.
问题
- 70-80%的工程资源 解决不存在的问题
- 团队建立在 假设 而非 测量
- 架构错误成本 $50,000-$500,000 返工中
解决方案
Foundation Agent运行4个具有质量门的连续阶段：
Your Request → PERCEPTION → ARCHITECTURE → EXECUTION → ADAPTATION → Reality-Validated Foundation
(5 min) (10 min) (8 min) (3 min)
关键创新
- 现实分类器：区分物理（不可变）和构造（可变）约束
- Q-D-S-A-A算法：问题→ 删除→ 简化→ 加速→ 自动化（灵感来自埃隆·马斯克的算法）
- 流量优化器：识别单一瓶颈（约束理论）
- 学习界面：对经过验证的模式进行编码，以实现持续改进
📖 文档
对于用户
面向决策者
对于工程师
🎯 何时使用Foundation Agent
✅ 高投资回报率场景
| 用例 | 成本 | 价值 | 投资回报率 |
|---|---|---|---|
| 架构决策 | 0.50美元 | 62000美元 | 124000× |
| 性能优化 | 0.50美元 | 260000美元 | 520000× |
| 技术选择 | 0.50美元 | 85000美元 | 170000× |
| 扩展策略 | 0.50美元 | 120000美元 | 240000× |
经验法则： 当决策影响超过1000行代码时使用
❌ 跳过基础代理
- 简单的错误修复（<100行）
- 代码格式化
- 拼写错误更正
- 任务<30分钟
经验法则： 使用direct Goose进行快速、可逆的更改
🏗️ 架构概述
┌─────────────────────────────────────────────────────────────────┐
│ GOOSE CLI (Entry Point) │
└───────────────────────────┬─────────────────────────────────────┘
│
┌───────▼────────┐
│ Smart Routing │
│ Middleware │
└───┬────────┬───┘
│ │
┌───────────────┘ └────────────────┐
│ │
│ │
┌───────▼─────────┐ ┌────────▼────────┐
│ Foundation Agent│ │ Direct Goose │
│ (Complex Tasks)│ │ (Simple Tasks) │
└───────┬─────────┘ └─────────────────┘
│
┌───────▼─────────────────────────────────────────────────────────┐
│ FOUNDATION AGENT (4-Phase Sequential) │
├──────────────────────────────────────────────────────────────────┤
│ │
│ Phase 1: PERCEPTION (Reality Classifier) │
│ ├─ Input: User constraints │
│ ├─ Process: 7-tool classification framework │
│ ├─ Output: PHYSICS vs CONSTRUCT map │
│ └─ Quality Gate: δ_delusion < 0.25 │
│ │
│ Phase 2: ARCHITECTURE (Pattern Mapper) │
│ ├─ Input: Validated constraints │
│ ├─ Process: Q-D-S-A-A algorithm │
│ ├─ Output: Minimal architecture blueprint │
│ └─ Quality Gate: Complexity reduction >40% │
│ │
│ Phase 3: EXECUTION (Flow Optimizer) │
│ ├─ Input: Architecture blueprint │
│ ├─ Process: Bottleneck identification (ToC) │
│ ├─ Output: Flow-optimized execution strategy │
│ └─ Quality Gate: E_flow > 0.75 │
│ │
│ Phase 4: ADAPTATION (Learning Interface) │
│ ├─ Input: Execution results │
│ ├─ Process: Learning velocity calculation │
│ ├─ Output: Knowledge encoding + evolution pathway │
│ └─ Quality Gate: Lr > 1.0 │
│ │
└──────────────────────────────────────────────────────────────────┘
📊 主要绩效指标
| 度量 | 公式 | 目标 | 含义 |
|---|---|---|---|
| F分数 | （R_valid/R_total）×（1-δ） | >0.8 | 基础有效性 |
| δ排除 | 基于假设的构建置信度加权平均值 | <0.2 | % |
| E_flow | T_生产/T_总 | >0.75 | 流动效率 |
| Lr公司 | dF/dt/E_change | >1.0 | 学习率与环境 |
解读F分数
- F>0.8： ✅ 准备就绪-基础扎实
- F∈[0.6，0.8]： ⚠️ 需要改进
- F<0.6： ❌ 放弃-不确定性太大
🧠 知识库
Foundation Agent引用了三个知识库：
1.physics-laws.yaml（336行）
基于自然法则的不可变约束：
- 网络延迟（光速：每300公里1毫秒）
- 内存层次结构（L1:1ns，RAM:100ns，SSD:100μs）
- 人类认知（工作记忆：7±2项）
- 热力学、信息论、分布式系统
2.human-constructions.yaml（613行）
人类创造的人造图案：
- 架构模式（微服务、MVC、分层）
- 设计模式（单例、工厂、观察者）
- 框架（Rails、React、Django）
- 组织惯例
3.验证模式.yaml（508行）
从实际验证中积累的经验：
- 随着Foundation Agent验证系统而不断增长
- 每种模式都包括成功率、平均改进率、物理基础
- 欢迎社区捐款
🔬 真实世界示例
问题： 电子商务API，响应时间为500ms，团队考虑重写微服务（估计成本为120000美元）
基金会代理分析（26分钟，0.50美元）：
Phase 1 - PERCEPTION:
Constraint: "Microservices architecture required"
Classification: CONVENTIONAL (δ = 0.80)
Confidence: 0.92
Rationale: "6 layers to physics, human invention"
Constraint: "Database queries >100ms"
Classification: PHYSICS (δ = 0.15)
Confidence: 0.88
Rationale: "Disk I/O, memory hierarchy"
Phase 2 - ARCHITECTURE:
Applied Q-D-S-A-A:
- QUESTIONED: "Why microservices?" → No valid reason
- DELETED: 8 microservices → 1 modular monolith
- SIMPLIFIED: 28 interfaces → 4 modules
- ACCELERATED: Added Redis cache for hot queries
- AUTOMATED: Query performance monitoring
Complexity Reduction: 91%
Pattern Alignment: 100%
Phase 3 - EXECUTION:
Bottleneck: Database queries (80% of response time)
Critical Path: User → API → DB → Response
Optimization: Index missing columns, connection pooling
Projected: 500ms → 45ms (11× faster)
Phase 4 - ADAPTATION:
Learning Velocity: 0.009 per cycle
Pattern Encoded: "database-missing-indexes"
Success Rate: 0.94 (validated 23 times)
结果：
- 固定成本： 4小时（300美元）
- 预防： 不必要的12万美元微服务迁移
- 演出 快11倍（500毫秒→ 45ms)
- 投资回报率： 239400×投资回报率0.50美元
🛠️ 安装
先决条件
- 已安装Goose CLI(安装指南)
- Claude API密钥（推荐Sonnet 4）
安装基础代理配方
# Clone this repository
git clone https://github.com/yourusername/foundation-agent.git
cd foundation-agent
# Copy recipe to Goose config directory
cp -r recipes/foundation-agent ~/.config/goose/recipes/
# Copy knowledge bases
cp -r recipes/foundation-agent/knowledge ~/.config/goose/recipes/foundation-agent/
# Verify installation
goose session start --recipe foundation-agent --help
📝 用法
基本用法
goose session start --recipe foundation-agent
# Describe your system/problem
> "I need to optimize a data pipeline that takes 6 hours to process 1TB.
Currently using serial processing. Considering Spark migration."
高级用法
# Run specific phase only
goose session start --recipe foundation-agent/specialists/perception-agent
# Skip Foundation (direct to implementation)
goose session start # default Goose behavior
# View metrics for a session
goose foundation metrics --session <id>
🤝 贡献
我们欢迎捐款！Foundation Agent随着社区知识的增长而改进。
添加已验证的模式
# knowledge/validated-patterns.yaml
- pattern_id: "your-pattern-id"
constraint: "clear description"
classification: "PHYSICS | CONSTRUCT"
validation_method: "how you validated this"
confidence: 0.92
success_rate: 0.88
avg_improvement: "2.5× velocity"
physics_basis: "which law/principle"
添加物理约束
# knowledge/physics-laws.yaml
network_physics:
your_constraint:
value: "quantitative measurement"
source: "cite research paper or spec"
implications:
- "practical meaning for developers"
看 贡献.md 详细指南。
📄 许可证
此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。
🙏 致谢
- 深度代理原理 -代理设计模式的基础
- 鹅队 -架构模式和集成框架
- 埃隆·马斯克算法 -Q-D-S-A-A灵感（提问、删除、简化、加速、自动化）
- 约束理论 -奇异瓶颈识别方法
📞 支持与社区
🎓 哲学
“测量先于假设。现实先于惯例。物理学先于观点。”
Foundation Agent可帮助您在构建解决方案之前验证现实。目标不是完美的架构，但 物理对齐架构 它基于经过验证的约束而不是想象中的限制。
团队浪费了70-80%的资源来解决不存在的问题。Foundation Agent帮助您专注于真正重要的20%。
准备好停止解决想象中的问题了吗？ 开始→
