多代理循环查询助手

代理查询助手

该项目编排了一个多代理循环，使用Google Gemini模型、MCP工具服务器和检索管道回答用户查询。核心流程：

1. 感知：理解查询，用之前的会话记忆作为基础。
2. 检索器：可选的检索计划器，决定是否需要额外的上下文，并从MCP工具（如DuckDuckGo搜索或本地RAG）中获取。
3. 决定：计划并执行工具/代码步骤，同时重用检索到的上下文和会话数据。
4. 行动：通过执行沙盒Python action/executor.py，安全地调用MCP工具。
5. 批评家：使用Gemini提示进行稳健评估，从语义上评估每个步骤以确定进度。
6. 内存和日志记录: AgentSession 记录感知快照、计划、步骤评估和检索器计划，以实现完全可追溯性。

关键组件

• main.py：CLI入口点连接MCP服务器并运行 AgentLoop.
• agent/agent_loop2.py：感知的异步编排→ 检索→ 决定→ 行动→ 批评周期。
• retriever/retriever.py：提示驱动的计划器，返回上下文片段并发出计划元数据。
• decision/decision.py双子座驱动的规划者，吸收感知、检索背景和批评反馈。
• critic/critic.py：将语义LLM评估与启发式回退相结合，用于步骤评分。
• memory/session_log.py：持久会话跟踪(session_logs/YYYY/MM/DD/*.json).

运行助手

python main.py

您将看到MCP工具发现输出，然后系统会提示您进行查询。每个会话都会生成一个JSON日志 memory/session_logs/ 捕获感知、检索计划、决策步骤、代码执行结果和评论家评估。

配置

• 编辑 config/mcp_server_config.yaml 添加/删除MCP服务器。
• 感知、决策和批评的推动者生活在 prompts/ （UTF-8文本）。
• 环境变量：set GEMINI_API_KEY Gemini接入。

开发说明

• action/executor.py 注入 retrieved_context/retrieved_context_text 因此，生成的代码可以立即使用提取的片段。
• 当感知/记忆已经回答问题时，检索器提示会避免冗余的网络调用，并在跳过检索时记录。
• Critic prompt利用Gemini来防止像通用令牌不匹配这样的假阴性，确保语义评估。

日志和诊断

• 会话日志现在包括 retriever.plan （原始计划JSON）和 retriever.skipped 旗帜。
• 内存搜索结果在运行启动期间打印，以提高透明度。
• LLM速率限制（例如Gemini 429）被困在 decision.py 并报告为NOP步骤，而不是崩溃。

快乐的实验！对于新功能，更新提示和会话日志，以保持代理行为的可解释性。