AgentClaw 进化论：从问答工具到自主工业智能体

James_WangA
3 阅读10分钟

起点：L1 的成就与局限

AgentClaw L1 是一个能用的系统。

它基于 LangGraph 的 ReAct Agent，能调用工具、检索文档、多 Agent 协作。我用 FastAPI 把它服务化，加了安全中间件，用 Docker 一键部署。Level 1 跑通的那天，我问它“上位机框架支持哪些运动卡”，它从文档里检索到答案，准确返回。

但很快，三个致命局限暴露了。

第一，健忘。  每次新对话，它把昨天的对话全忘了。我问“昨天说的那个报警代码是什么”，它一脸茫然。因为 MemorySaver 只存会话内的短期记忆，会话结束，记忆清空。

第二，被动。  设备温度超标了，良率骤降了，它一无所知。只有我主动问“查一下良率”，它才会去查。它像一个只会等指令的员工，不会主动汇报。

第三，单步执行。  我说“检查良率，如果低于 95% 就查缺陷记录并生成报告”。它只做了第一步“检查良率”，然后停了。它不会自动把任务拆成多步，依次执行完。

L1 是一个能回答问题的工具。但我要的，是一个能自主发现问题和解决问题的工业助手。

这就是 Level 2 和 Level 3 要解决的事。

进化一：记忆系统——给 Agent 装上“笔记本”

我设计了三层记忆架构。

记忆类型存储内容生命周期检索方式
对话记忆每轮对话的摘要跨会话持久化语义相似度 Top-K
知识记忆设备参数、操作手册、故障案例永久，手动删除语义相似度 Top-K
用户偏好输出风格、常用设备跟随用户用户 ID 匹配

每种记忆用独立的 ChromaDB Collection 存储，避免检索时互相干扰。检索评分采用三维加权：语义相似度 60% + 时间衰减 30% + 访问频率 10% 。这让 Agent 能优先召回既相关又新鲜又常用的内容。

时间衰减用 30 天半衰期——30 天前的记录得分打 5 折，60 天前的打 2.5 折。为什么？因为设备参数可能已经调整过，旧信息容易误导。

集成方式很简单：用户消息进来 → 检索相关记忆 → 注入 System Prompt → 调 LLM → 保存本轮对话。整个过程只多了两步，但效果质变——Agent 记住我了。

踩坑记录：

  • ChromaDB 在 FastAPI 多线程并发时触发 thread panicked，原因是底层 SQLite 非线程安全。解决方案：threading.Lock 加锁，生产环境建议迁移到 Qdrant。
  • Embedding 模型首次下载需 70MB，公司网络代理下会卡住。解决方案：unset http_proxy https_proxy。

进化二：主动感知——给 Agent 装上“监控屏幕”

主动感知系统的核心是 SensorManager 调度器。它从 JSON 配置文件加载多个传感器，通过 asyncio 异步定时轮询设备状态接口，规则引擎判断异常后通过 WebSocket、飞书、邮件多通道推送。

关键设计：

  • 每个传感器独立 asyncio 协程，互不阻塞。一个传感器超时，不影响其他。
  • 规则引擎支持 >、<、== 操作符，同一字段可设多级告警（温度 > 70°C warning，> 85°C critical）。
  • 配置驱动：告警规则全部在 JSON 里定义，运维人员改配置即可，无需动代码。

与 AutoFrame 上位机的对接也很直接：在 DigitalTwinBridge 的 WebSocket 消息处理中增加 action: query 路由，按 data_source 返回设备状态、良率、工艺参数等数据。

踩坑记录：

  • 异步协程与同步代码混用导致事件循环卡死。解决方案：统一使用 async/await，同步操作用 loop.run_in_executor 包装。
  • 飞书 Webhook 推送纯文本不换行。解决方案：改用 msg_type: interactive 卡片格式。

进化三：多模态能力——给 Agent 装上“眼睛”和“画笔”

VLM 视觉理解工具：基于智谱 GLM-4V-Flash（免费额度），支持 OCR、描述、分析三种模式。

安全设计直接复用了 file_read 的白名单/黑名单机制：图片路径必须在白名单内，禁止访问 /etc/、.ssh/、.env 等敏感路径，大小限制 20MB。

图片生成工具：基于智谱 CogView-3-Flash，支持文生图。提示词有安全审计，拦截危险内容模式（暴力、色情、违禁），输出目录有白名单限制，生成文件自动用时间戳和提示词哈希命名。

多模态输入路由器：自动检测用户输入中的图片 URL、base64、本地路径，智能分发到 VLM 或文生图管线。路由器用正则匹配，支持三种输入类型检测——纯文本、文本+图片、纯图片。

踩坑记录：

  • 智谱 GLM-4V 的 base64 图片不需要 data:image/... 前缀，直接发纯 base64 字符串。这个坑花了我两小时。
  • GLM API 不支持 detail 和 temperature 参数，发送会导致 400 Bad Request。解决方案：条件移除。

进化四：OS 操作系统能力——给 Agent 装上“手”

这是整个进化中最核心的一步。Agent 从“能看能说”升级为“能动手操作”。

file_write：安全文件写入

四层防护机制：

  1. 路径白名单：只允许写入 /Desktop、/Documents、~/Projects、./ 目录
  2. 文件黑名单：禁止写入 /etc/passwd、.ssh/、.env 等系统敏感文件
  3. 内容审计：对 .py/.sh/.js 等可执行文件扫描危险关键词（rm -rf、eval、os.system）
  4. 大小限制：默认 10MB，防止意外写入超大文件

覆盖写入前自动创建带时间戳的备份文件，数据可恢复。

browser_tool：浏览器自动化

核心挑战是线程安全。Playwright 的异步 API 必须在创建它的线程中运行，而 Agent 主循环在另一个线程。

解决方案：独立后台线程创建 EventLoop 和浏览器实例，所有操作通过 asyncio.run_coroutine_threadsafe() 跨线程调度。threading.Lock 确保同一时间只有一个操作在执行。

process_mgr：进程管理

安全机制：命令白名单（只允许 python/pip/npm/docker 等），危险参数检测（拦截 rm -rf、sudo、mkfs）。

进程终止采用两阶段策略：先 SIGTERM 优雅终止，等待 2 秒后如果进程仍存活，再 SIGKILL 强制终止。这能避免资源残留。

scheduler：定时调度

基于 APScheduler 的 BackgroundScheduler，支持间隔调度、Cron 表达式、一次性任务。每个任务有唯一 job_id，可查询、暂停、删除。使用 Asia/Shanghai 时区。

sys_monitor：系统监控

每次 get_overview() 生成快照，包含 CPU、内存、磁盘、网络数据。历史记录保留 1000 条。告警阈值可配置：CPU > 85%、内存 > 90%、磁盘 > 95% 触发告警。

踩坑记录：

  • Playwright 跨线程调度时 future.result() 超时。解决方案：timeout 设为 self.timeout / 1000 + 5 秒，留足余量。
  • 进程终止直接 SIGKILL 导致子进程变孤儿。解决方案：先 SIGTERM，等待 2 秒，再 SIGKILL。

进化五：自主进化闭环——让 Agent 越用越聪明

这是 Level 3 的核心。Agent 从“被动执行”进化到“主动优化”。

四个模块形成闭环：

  1. 反馈收集器：每次工具执行自动采集任务 ID、工具名称、成败、延迟、错误类型。同时支持显式反馈（用户评分）和隐式反馈（响应时间过长推断为低质量）。数据存为 JSONL 格式。
  2. 经验学习器：从成功路径中提取工具调用序列，挖掘重复出现的 2-3 步子序列（模式），为每个模式生成策略对象。模式至少需要出现 3 次才会被采纳，避免噪音。
  3. 自适应优化器：用 EMA（指数移动平均）动态更新路由权重。α = 0.05，当某条路由成功率持续下降时，权重自动降低。同时基于反馈优化 Prompt 模板。
  4. 进化管理器：后台线程每小时运行一轮进化循环，整合反馈、学习经验、更新策略。

整个系统“零侵入部署”——不需要修改任何现有代码，只需添加新文件并更新入口即可启用。

踩坑记录：

  • 经验学习器的模式挖掘阈值设太低（min_count=2）导致大量噪音策略。调高到 3 后效果稳定。
  • EMA 的 α 设太高（0.3）导致权重剧烈波动。降到 0.05 后平滑很多。

进化六：RAG 知识库——从依赖框架到手写引擎

v5 我手写了一个完整的 RAG 引擎，不依赖 LangChain 或 ChromaDB。

为什么要手写？  理解底层原理。面试时能讲清楚“向量检索是怎么工作的”，而不是“我调了 ChromaDB”。

四个组件：

  • DocumentLoader：支持 TXT、Markdown、JSON、CSV 四种格式。Markdown 自动去除标题标记、链接语法、代码块标记，只保留语义内容。
  • TextSplitter：固定长度、段落、滑动窗口三种模式。固定长度模式会在句子边界处分割，避免截断。
  • InMemoryVectorStore：内置 TF-IDF 向量化 + 余弦相似度检索。同时支持自定义 embedding_fn 参数，可替换为 OpenAI Embedding。
  • RAGEngine：统一管道，search_as_context() 直接生成带引用格式的 LLM 上下文。

最终架构：五层统一

text

L5 服务层：FastAPI + Gradio + Docker
L4 编排层：AgentOrchestrator（多 Agent 协作）
L3 核心层：ReAct 推理引擎
L2 工具层：13 个工具（5 内置 + 3 多模态 + 5 OS + RAG）
L1 基础层：配置 + 日志 + 安全中间件

安全体系贯穿六层：

  • 工具层：路径白名单、命令白名单、内容审计
  • RAG 层：文档格式白名单、检索结果过滤
  • Agent 层：最大循环次数、超时控制
  • 进化层：策略验证、A/B 测试
  • OS 层：进程组隔离、SIGTERM 优先
  • 服务层：API Key 校验、速率限制

所有机制遵循“默认拒绝”原则：除非明确允许，否则拒绝操作。

反思：我到底做了什么

有人可能会问：“这不就是调包吗？”

我的回答：

  • 我手写了 RAG 引擎——文档加载、分块、TF-IDF 向量化、余弦相似度检索，全部纯 Python 实现。
  • 我设计了四层安全防护的文件写入工具——路径白名单、黑名单、内容审计、大小限制、自动备份。
  • 我实现了跨线程的浏览器自动化——独立 EventLoop、run_coroutine_threadsafe 调度、线程锁防竞态。
  • 我构建了自主进化闭环——反馈收集、序列模式挖掘、EMA 权重优化、后台进化管理器。
  • 我定义了五层纵深安全体系，覆盖从工具到服务的完整链路。

我用 LangGraph 和 FastAPI，是因为它们是最好的轮子。但框架覆盖不到的安全机制、进化逻辑、OS 操作、RAG 引擎，全部是我自己设计并实现的。

AgentClaw 不是一个 Demo。它是一套生产级自主进化工业 Agent 的完整设计方案。

从 AME 的视角看这件事

我是一名 AME。我的工作不是写代码，是确保产线稳定高效运行。

当产线的知识传递成为瓶颈时，用 AI 解决它就是 AME 的分内事。我不是跨界做 AI，我是用 AI 解决 AME 的问题。

AgentClaw 的设计思路也来自 AME 的工作习惯：

  • 安全机制对应产线的“防呆设计”
  • 进化闭环对应产线的“持续改进”
  • 分层架构对应产线的“模块化设计”
  • 文档体系对应产线的“标准化作业”

我用 AME 的思维做 AI：把它当作产线上的一个“工站”来设计。有明确的输入输出、节拍要求、质量标准、运维手册。

当我把 AgentClaw 部署到 Docker，配置好健康检查，写好 FACA 踩坑记录的那一刻，我感觉我不是在做 AI。我是在为一个新的数字工站做设备导入。

这，就是一个 AME 在 AI 时代的打开方式。

avatar
文章
阅读
粉丝