Skip to main content
Glama

sofagent

Build License: MIT Version npm npm downloads Stars

目录

Related MCP server: Proofpane

这是什么

💬 一句话版本:进场时它替你把业务摸清、写成文件;离场后你的数字员工每次改代码、动文件,都按文件过一道安检、留一份记录、存一个快照——出事能查、能回滚。

AI 落地卡点已从「模型够不够聪明」迁到「组织敢不敢接」。sofagent 是给数字员工办入职的制度:进场把岗位职责写成文件,离场按文件做绩效考核(变更留证据)、组织记忆(边界见 LIMITATIONS)、试错容错(做错退得回)。给 AI 发工号前,先装 sofagent。

sofagent 是自带 Harness 的 FDE 交付物治理层——工程层(FDEing)与治理层(harness)已交付,判定层(S1M 决策模型)排期 v1.6.0–v1.9.0、v2.0.0 宣告(阶段四 v1.9.0 已发版 2026-11-12)。三层各司其职。 身份公式 FDEing × S1A(S1A = S1M + Harness),口径见 PHILOSOPHY。

开源 FDE Harness 层(Harness = 「缰绳」,套住 Agent 的治理层;FDE = Forward Deployed Engineer 前线部署工程师,详见〈什么是 FDE Harness〉)——嵌在成熟 Agent(DSH / OpenClaw / WorkBuddy)与模型层之间做治理:进场把业务判断写成文件(工作流/本体数据/AI 节点),离场按文件审计每次变更。约束层五种能力(注入·审计·回溯·沉淀·进化),五种形态分发(FDE 插件 / Skill / MCP / CLI / Dashboard)。 sofagent 不造 Agent——交付的是让任何 Agent 被管住的那一层(管住强度按宿主分档:DSH/OpenClaw 硬注入可拦截,其余档位为建议性注入 + git hook 审计兜底——见〈多平台挂载〉档位表)。

30 秒–2 分钟轻量试用(首次含 npx 拉包(网络依赖),复跑秒级;引擎约 1.1s / 单入口总耗时 0.4-5s(Apple Silicon 约 0.4s,冷路由/低配至 5s,2026-11 实测),双口径见下):npx -y -p sofagent sofagent audit(任意 git 仓库,密钥泄漏当场拦截)。

💡 npm 通道只有伞包一个形态:npm i -g sofagent 装的就是完整依赖树(依赖包数见下,口径以当轮 npm ls 实测为准)——不存在更小的「轻量包」。要更小安装面,用 npx 临时形态(npx -y -p sofagent sofagent audit,用完即弃不常驻;能力面见 LIMITATIONS)。

💡 试用时提交消息请写 ≥6 字符(如 initial audit test)——A19 质量规则(编号对照见 SECURITY 规则清单)对超短消息(init/add)判红属设计意图(防无意义提交信息),不是故障。

五分钟沙箱演示(v1.5.1 已交付;沙箱隔离、真实文件零接触):npx -y -p sofagent sofagent audit demo——一条命令跑完「沙箱构建 → 注入 → 故意违规 → 审计拦截 → 快照回滚 → HMAC 举证导出」五幕链路(--speed fast 为 60 秒版;产物落 $SOFAGENT_DATA/demo,不触碰被审仓库)。(demo 经 npm 通道提供;install.sh 安装态 CLI 暂无 demo 子命令)

版本说明:v1.9.0 已发版(2026-11-12);npm 可安装最新版 @sofagent/[email protected]。

该不该装?

如果你是…

建议

给现有 Agent 加纪律——已有 DSH / OpenClaw / WorkBuddy,想让 AI 干活时守规矩、留痕、出事能回溯

✅ 现在装。核心价值就是约束层(注入 · 审计 · 回溯 · 沉淀 · 进化),装完即用

一人公司 / 小企业想落地 AI——没有专职工程师,需要一个"不离职的 FDE"帮你梳理工作流、部署 AI 节点

✅ 现在装。FDE Harness 层就是干这个的——进场把判断写成文件,离场按文件执行与审计,全链路

要开箱即用的企业级 Agent 平台——期待完整商业产品(多租户、权限管理、计费、SLA)

⏸️ 暂缓。sofagent 是 FDE Harness 层,不是平台产品——平台级能力不在本开源仓库范围内。有集成能力的团队仍可把约束层接入自有平台,作为其中的治理模块;纯开箱需求建议另选平台产品

纯研究 / 想看看约束层怎么设计——读代码、学架构、借鉴方法论

✅ 现在装。文档齐全(HANDBOOK / ARCHITECTURE / PHILOSOPHY),MIT 协议

和 gitleaks / pre-commit 这类工具什么关系?(互补不互替)

gitleaks 等扫描器

pre-commit 等钩子

sofagent

定位

密钥全量历史扫描

通用提交钩子框架

Agent 行为审计约束层

证据面

仓库文本模式

自定义脚本

git diff 硬证据 + Agent 日志 + 决策留痕

覆盖维度

密钥泄漏

任意(自己写)

28 条规则(默认 17 · 完整 28 见下文):密钥/越界/注入/权限/后门/数据产品

部署成本

低——单二进制,零运行时依赖

低——随语言生态装一个 CLI

中——企业设备需一次 install.sh 装约束层(也可先用 npx 零配置试用)

维护负担

低——规则随上游更新

中——自定义脚本需自己维护

中——规则与 hook 随本仓升级,但每版需重装 hook 并对齐配置

建议

强密钥合规必配

已有体系可保留

与前两者并用,专注 Agent 治理维度

📌 本表只对比提交时密钥/钩子类工具;同类治理型工具(审计/约束/编排面)的对比见 WIKI 生态节与 VALIDATION 生态定位。

核心特性

万物皆可 FDEing(理念)

从 FDE 到 FDEing——万物皆可 FDEing:把 Forward Deployed Engineer(岗位)变成 Forward Deployed Engineering(能力)——岗位随人走,能力随交付物留。FDEing 即其缩写(读 /ef-di-i-ing/,与 engineering 同构):名词指这种能力,动词指把 FDE 从人力工作变成这种能力。

  • FDE 是名词,FDEing 是动词——把 FDE 从一项人力工作变成一种可自动执行的能力(打法 × 判定 × 治理合成):花更少的人力,提供更多的能力。

  • 不限于软件——任何业务对象、流程、节点,都可以被 FDEing 一遍「梳理 → 判定 → 交付 → 养护」;硬件节点、机器人运动过程同样是一条条 workflow,差别在执行器、不在治理形态。

  • 它同时是一种思维方式——做任何事之前先想三件:① 这件事的 workflow 怎么搭;② 其中的 AI 节点是什么;③ 怎么让 AI 更好地帮你实现(详见 PHILOSOPHY · 从 FDE 到 FDEing)。

三层各归其位:工程层(FDEing) 进场把判断写成文件,判定层(S1M) 管判断怎么形成、怎么留痕、怎么被举证,治理层(harness) 离场后让判断 7×24 被执行。

工程层 · FDEing(进场 · 生成判断,FDE 相位——把「该不该上 AI、值多少钱」判断出来,冻结成交付物):

  • 🧭 梳理工作流——五要素深挖 + 三问判定法,把每个岗位环节摸清,算清每个 AI 节点值多少钱

  • 🤖 部署 AI 节点——三层交付物(文档层 + Skill 层 + 运行层),装进你已有的 AI 工具,从"你干活"变"你派活"

  • 📦 判断冻结成交付物——每个节点带「做好标准(merge_criteria)· 谁拍板(approver)」,机器可判定、跨阶段共享

判定层 · S1M(判断与生成分离的决策模型;v1.6.0–v1.9.0 施工·v2.0.0 宣告——阶段一~四已交付(阶段四 = v1.9.0 消费与收口,2026-11-12 发版)——本版只声明路线;锚定 S1M-DECISION-POINTS,已交付落点是既有判定与举证面):

  • 🔎 判定留痕——decision-log 因果链记录每个可问责决策(谁拍板、依据什么、为何这么做),供 auto-PR 解释块与 daemon 周报消费

  • ⚙️ 判定通道与分发(v1.8.0 形态)——DecisionChannel 默认实现(本地子进程 NDJSON)+ off/shadow/active 三档接线 + 判定回执五件落链 + 权重分发通路(来源白名单 / sha256 强校验 / 断点续传 / USB 两档离线运行)——v1.8.0 已发版(2026-11-05)

  • 🔗 判定可举证——审计历史落 HMAC 链,--verify-chain 可离线复算链完整性,结论能被第三方复核

    • 前提一:可复验 = 同一环境指纹下。换机后须持旧 fingerprint 才能复算,否则判 unverifiable——属黄态(不可复算),不是篡改

    • 前提二:历史 decision-log.jsonl 含早期测试写入面与设备写入面——104,337 条中 96,002 条验签有效、8,333 条签名不符、2 条无签名,验签不过共 8,335 条。处置为「历史原样 + 新写入面分段」:不重签(一次性测试 key 已不可得)、不删件(append-only)

    • 前提三:默认 --verify-chain 今天对真实数据出红,首红位置随运行目录指纹而变——仓根(fp 20db1f9d)首红是索引 2(A 类测试夹具);在 engine/audit 目录内运行(fp ffae2ca0)首红是索引 0(创世条目,2026-08-08 早期一次性测试 key 签发)。其中 8,330 条在仓根指纹下判红、仅 3 条判黄——两者同为早期测试 key 签发,属混链遗留,不是新写入被篡改;分链起新写入面不再产生此类条目

边界:当前判定层概率输出尚未完成校准接线(判据阈值仍挂零样本基线),规则判定由确定性判定器兜底——判定层接管为未来态(见 ARCHITECTURE)。

治理层 · harness(离场 · 驻留判断——「harness 治理」,按交付物 7×24 执行,进化时写回):

  • 🏠 离场后常驻——FDE 能力留下巡检、审计、优化(daemon 巡检需安装时显式确认,默认不装;QUICK_MODE / 非交互安装自动跳过),commit 时触发审计,人离场治理不离开

  • 🔍 零配置审计——npx -y -p sofagent sofagent audit,任何 git 仓库秒级审计最近一次 commit(5 万行 diff 6.1s,见 HANDBOOK)

  • 🧱 规则与安全面:28 条审计规则——密钥泄漏、越界编辑、注入防御、权限红线,违规当场拦截;fail-fast(critical 命中后其余跳过)、默认非 fail-closed(配置可被篡改、hook 可经 --no-verify 跳过——绕过面见 LIMITATIONS §三)

  • 🔧 工具与能力面:104 个 MCP tool + 证据分档——28 条规则中 22 条基于 git diff(本地生效、零 token)、4 条 hybrid(diff + Agent 日志)、1 条 filesystem 扫描、1 条走 decision-log(清单见 SECURITY)。其中 commons_invoke 为 dry-run 预检语义(返回能力元数据与调用计划,真实执行由 Agent runtime 注入 executor;见 LIMITATIONS)

  • 🛡️ 自动快照回溯——每次审计后自动存档,出事一键回到任意快照

  • 🛡️ AgentShield 五类配置面静态扫描——@public SDK 能力(经 createAgentShield 调用),不在 commit hook 链路上,按需接入

什么是 FDE Harness

FDE = Forward Deployed Engineer(前线部署工程师)——把模型塞进企业真实业务里的人。sofagent 把该角色做成开源 FDE Harness 层,嵌在你的 Agent(DSH / OpenClaw / WorkBuddy)与模型层之间。完整工作流分两阶段,中间的交接物把它们缝成一件事:

  • 进场 · 生成判断:四步——梳理工作流 → 构建双图谱 → 判定 AI 节点 → 部署。双图谱 = 业务图谱(边界、数据流向,人读)+ 本体图谱(共享语义底座,AI 读);每个 AI 节点的「做好标准(merge_criteria)· 谁拍板(approver)· 何时跑(trigger)」在此判定并冻结进交付物(workflow.yml + 本体 + skills)。

  • 离场 · 驻留判断:FDE 走,判断留下——审计在 commit 等变更事件时按冻结的标准自动触发(证据分档见「核心特性」首条);daemon 7×24 巡检、快照可回滚、经验持续沉淀。人离场,治理不离开。

🔗 为什么必须一体:交付物是两阶段共享的活状态——进场写入、离场执行时读、进化时写回(试验分支晋升基线、反思蒸馏回流)。没有 FDE,约束层无判据可执行;没有约束层,FDE 的判断随人离场蒸发。「FDE Harness」之名即由此——不是两种功能的拼盘,是同一件事的两阶段。

两个阶段的合成效果——「从 FDE 到 FDEing」——见〈核心特性〉首段理念主线(万物皆可 FDEing)。

为什么是 FDE Harness

  • 瓶颈不是模型,是部署——MIT NANDA:95% 企业 GenAI 项目未产生可入财报的价值,FDE 岗位一年涨 729%(见 VALIDATION)

  • 完整来自组合——DSH 解决「能干活」,sofagent 解决「持续干」,两者合起来才是完整的 FDE Harness(见下一章「多平台挂载」的 DSH 档)

  • 约束层「持续优化」靠机制不靠承诺——外部独立实验(ARC-AGI-3,能力型 harness 数据,与治理型约束层的可靠性收益非同一量纲,仅作方向性参考):同一模型仅优化外层 Harness 即可显著提升任务完成率(核验见 VALIDATION · THANKS)

  • 能力可迁移,绝不绑死单一平台——约束层平台无关(可迁移的是约束资产与审计兜底,注入强度仍按宿主分档:DSH/OpenClaw 硬注入,其余建议性注入 + git hook 兜底——见〈多平台挂载〉档位表),方法论跟着业务走、不跟着平台走

🔄 自举:sofagent 给自己做的第一份 FDE 就是自己——项目本身即一条完整 FDE 工作流,本仓库就是那份交付物。

多平台挂载

横跨你已有的 Agent、纵贯模型层,不替代模型,只补可靠执行——FDE Harness 层平台无关(插件 / Skill / MCP / CLI / Dashboard 五种形态按宿主能力分发),方法论跟着业务走,不跟着平台走:

档位

平台

约束注入

挂载方式

深度结合

DeepSeek Harness

✅ 逐工具调用可拦

7 款原子 cordis-plugin-sofagent-* 挂进运行时(另有 1 款聚合可选)——tools/pre-execute 等 7 个生命周期事件(词汇表见 engine/dsh-plugins/SEAMS.md)

完整挂载

OpenClaw

✅ 每会话注入一次

Hook 注入四层约束 + 断路器 + 4 款 OpenClaw 插件

标准挂载

Claude Code / Cursor

⚠️ Skill 自觉加载

Skill 目录 symlink + 平台规则文件 + 拦截配置(Claude Code 档 PreToolUse 覆盖 Bash/Write/Edit 调用级;Cursor 提交级)

薄挂载

WorkBuddy / Codex / Gemini CLI / Hermes

⚠️ Skill 自觉加载

Skill 目录 symlink(Codex 走 AGENTS.md 挂载点)+ git hook 审计

  • 档位差的是注入强度,不是「有没有」:DSH 逐工具调用可拦,OpenClaw 每会话注入一遍,其余靠 Agent 自觉。「支持某平台」= 约束资产可用,≠ 强度相同;迁移前看目标宿主档位,矩阵见 加载链 HOOK

  • 审计兜底平台无关——sofagent audit --install-hook 走 git hook,任何档位每次 commit 都自动审计(默认启用 17 条;完整 28 条只认 .sofagent/config.yml 的 extendedRulesEnabled: true 开关——--full 不开规则集,只选引擎与 diff 范围),违规硬拦截。 约束是建议性的,审计是强制性的(边界:默认非 fail-closed,--no-verify 可跳过前两层防线、post-commit 只留痕不阻断,详见 LIMITATIONS §三)

一条命令选定挂载档位:bash install.sh --platform <平台名>(全部平台与差异见 HANDBOOK)

📌 AGENTS.md(Codex)/ GEMINI.md(Gemini CLI)/ .claude/ / .cursor/ 为各宿主的分层挂载点,均为对 SKILL/ 的薄引用。

v1.9.0:判定底座 · 阶段四(消费与收口)

🧩 判定件从「工程可接」到「收口可证」——四阶段判定底座收官版:判据面扩展、判定头本地推理接线、四层性能标准与对照读数全部落数(release-gate PASS 条件放行 · 80 条验收 78 勾):

能力

一句话

触达方式

三域判据集

workflow / 本体数据 / 路由判定各 ≥1 套判据集,加载校验 + interface-only 如实声明 + 未校准域进决策路径即抛(fail-closed)

SDK 面

FDE 判据面接线

S1M 决策点三首落点建档(三问判定 / 离场就绪度 / 健康分合成),归属迁移过 evidenceReadiness 门且留痕

SDK 面

判定头本地推理

judge-local 五环 fail-closed——权重缺失 / sha 不符拒绝判定不回落 LLM;回执四件(判据版本 / 权重 sha16 / 读数 / 时间)

CLI 可达(sofagent orchestrator judge-local)

判定可复现重放

judge-replay——三件套指纹核对 + state 快照 → 离线重放同一概率分布

CLI 可达(sofagent orchestrator judge-replay)

判定调用密度落数

打包 74 请求 vs 串行 370 调分列(混报会把打包成效记成假象)

进程内自动(judge() 出口埋点)

格式破坏率双通道

类型化接口 0% vs 文本通道 14.86%——对照通道偏置的量化读数(格式失败 ≠ 能力差距)

归档读数(datasets/v19-density/)

出卷纪律 lint 软⑧⑨

弱预言信号提示(存在性/进程成功类单独不构成证据)+ 覆盖显式批级提示(「没查什么」须登记)

SDK 面

断网可用演练

offline-drill 三件(零网络断言 / 隔离 HOME 审计 / verify-chain HMAC)可复跑留档

CLI 可达(bash tools/check/offline-drill.sh)

FDE Harness 两阶段

两阶段的分工与不可分性见上文〈什么是 FDE Harness〉——本节补组织侧读法:两阶段合起来就是给数字员工办入职的全流程(离场侧自动动作——daemon 巡检、commit 审计、快照回滚、进化写回交付物,详见〈核心特性〉与〈安装〉)。

组织动作

sofagent 对应

岗位职责说明书

进场冻结的交付物(merge_criteria / approver / trigger)

绩效考核

审计留痕 + 治理 KPI 面板(v1.5.0)

组织记忆

知识沉淀(think.md 反思 + knowledge/)

培训体系

经验→考核→晋级的自进化链(v1.5.8 SDK 面先行;入口与效果边界见 LIMITATIONS)

试错容错

快照回滚 + 能力基线版本线(v1.5.9 已交付)

劳动合同边界

可拔契约与主干能力清单(v1.5.7 交付;开关面与门控见 ARCHITECTURE)

📚 想深入:FDE/GUIDE(四阶段十二步)· ARCHITECTURE(五能力与模块)· PHILOSOPHY(设计禁区)· FDE/README(Skill 体系);完整导航见 WIKI。

安装

版本阶段(装前必读):sofagent 处于阿尔法施工期(v1.x)——功能面快速变动,不承诺接口稳定,跨版本升级前先读 CHANGELOG。自 v2.0.0 起进入贝塔阶段。

对应的 npm 发布通道策略:npm 不做 dist-tag 分道,latest 即最新版——npx -y -p sofagent sofagent audit 默认拉到当前最新版本,无需指定标签(版本号承载阶段语义:v1.x 阿尔法施工期 / v2.0.0 起贝塔期)。alpha tag 保留为历史发布痕迹不维护。

⚠️ 企业用户先读 LIMITATIONS §三——config.yml 默认非 fail-closed(规则可被 Agent 篡改绕过),多租户写入侧隔离尚未落地(v0 已交付查询侧隔离:orgId 过滤 + data// 路径地基,见 LIMITATIONS)。 强合规场景建议 CI 兜底 + 文件权限锁(chmod 400 .sofagent/config.yml——辅助层,对同用户进程无效,见 LIMITATIONS §三),不要用单机默认配置直接上生产。

🔐 数据主权:运行时数据不出本机(除安装时 npm 拉包外不联网);三个 opt-in 出口(云同步 / 模型推理端点 / 云 VM 执行面)需你显式配置(另:dashboard 打开时会匿名只读拉取 GitHub 公开 star 数,无用户数据外发、失败静默降级),详见 SECURITY。

30 秒起,零配置(首次拉包约 30 秒,复跑秒级,口径见上)——在任何 git 仓库跑一次审计:

npx -y -p sofagent sofagent audit

💡 quick 跑 17 条默认(A1–A11 + A18–A23;A9 读最近一次 commit 消息,无消息按无输入跳过(A3 无task跳过));--init 同样 17 条,完整 28 条只认 .sofagent/config.yml 的 extendedRulesEnabled: true 开关(--full 只选引擎与 diff 范围,不开规则集)——详见 LIMITATIONS §三。

⚠️ 这一步是一次性审计(当次进程内),不装 git hook——之后 commit 不会被自动拦。要长期守护请跑 sofagent audit --init(见下方完整安装)。

📌 版本徽章 = 裸名总包 sofagent(npm 安装入口);下载徽章 = 实体包 @sofagent/audit(下载量主体)——npm i -g sofagent 装的是总包(含完整依赖树),两徽章是同一分发面的两个观测位。

拦截特定格式密钥泄漏时是这样的(真实输出;A2(编号对照见 SECURITY 规则清单)检测 AWS AKIA/Secret、OpenAI sk-、GitHub ghp_、Google AIza、Slack xox-、JWT、PEM 私钥等已知格式——sk- 形态需 ≥29 字符(主体 ≥27,厂商专属 sk-ant/sk-proj 等 ≥40),Stripe 下划线前缀 ≥24; 更短/非标形态暂不覆盖——保守设计防误报,详见 LIMITATIONS §三 A2):

$ npx -y -p sofagent sofagent audit
🔍 审计首个 commit(4573bb8)——首提交无父基线,对比空树审计全部新增内容。

❌ [sofagent] A2 不泄密钥 [底线]: 检测到疑似密钥/令牌泄漏: app.py: 检测到 AWS Access Key; app.py: 检测到 密钥赋值形态。密钥不应硬编码到源码中。

📊 [sofagent] 1 条违规 · 7 条通过 · ⚠️ 9 条本批未检查(critical 命中后 fail-fast)

首屏实拍图为 A1 场景(.env 敏感文件提交被拦、exit 2);上为 A2 密钥格式检测实拍(AWS AKIA 形态硬编码被拦——修法:移入 .env 并加入 .gitignore,或改从环境变量/密钥管理服务读取)。

完整安装(Node.js ≥ 18,先下载审查再执行)——装在企业跑 AI 节点的设备上:

curl -fsSL https://raw.githubusercontent.com/KongFangXun/sofagent/refs/tags/v1.9.0/bootstrap.sh -o bootstrap.sh
less bootstrap.sh          # 先看一眼脚本内容,确认安全
bash bootstrap.sh && rm bootstrap.sh

🔒 供应链信任链:tag 钉定 + sha256 校验 + fail-closed + 自锚定哈希重入二次校验(详见 SECURITY.md 远程安装节);⚠️ 审计日志默认明文落盘——企业部署建议开启静态加密。

sofagent audit --init      # 装 git hook,之后每次 commit 自动审计
sofagent audit --doctor    # 验证环境(可选)

🔧 新装机器首跑 --doctor 报「未建立 dist 基线」? 运行 sofagent audit --doctor --baseline 建立基线(信任锚 = 你此刻确认 dist 可信的时刻——防影子审计器劫持,故不自动记录)。

💡 安装脚本写 ~/.sofagent/(数据)+ ~/.local/bin(CLI);仅显式传 --platform <平台> 时才写该平台集成目录(默认不探测不修改);npm 权限不足时 CLI fallback 到 /usr/local/bin,其余系统文件零改动。 ⚠️ 显式 --platform 会写该平台宿主配置(claude/codex/gemini/workbuddy/cursor 的 settings·AGENTS·GEMINI·mcp.json 及各平台 fde.md;合并写入+自动备份+幂等)。默认不传 --platform 零宿主配置写入。--init 装三层防线 hook(pre-commit / commit-msg / post-commit 对账); --no-verify 可跳过 pre-commit 与 commit-msg 两层防线;post-commit 事后对账不受影响(git 原生开关不作用于它)——防的是诚实 Agent 疏忽而非恶意绕过,被跳过的 commit 由 post-commit 留痕(提示「疑似绕过」)但不阻断;个人兜底三件:CI 侧 sofagent audit --diff、定期 --doctor、翻审计记录。详见 LIMITATIONS。

📌 install.sh 是企业设备安装器——装在企业跑 AI 节点的设备上(约束层 + daemon 巡检 + 单机 dashboard);FDE 自己的电脑不需要跑,FDE 的工具是 FDE Skill(方法论),详见 部署架构。

📌 bootstrap.sh 和 install.sh 的关系:bootstrap.sh 是 install.sh 的一行下载包装器——curl bootstrap.sh | bash 等价于「下载 install.sh + 运行 install.sh」。两个脚本装的是完全一样的东西,bootstrap 只是省掉手动 clone/下载那一步。

卸载:bash ~/.sofagent/scripts/uninstall.sh(安装态)或 bash engine/scripts/uninstall.sh(clone 态)——移除 Skill、hook 注册与三个 git hook,保留你的 ~/.sofagent/ 数据。

完整安装方式(clone / npx / 最小安装 / 企业部署)、卸载、以及「单入口与安装态怎么分辨」等消歧细节见 HANDBOOK · 安装。企业用户想直接用 FDE 方法论梳理工作流,看 FDE/README.md(零依赖,不需要 Node.js;15 分钟最短路径见其「15 分钟最短路径」小节)。

使用

📊 Dashboard 有三个入口,各归各位:

入口

命令

形态

给谁看

终端版

sofagent dashboard --full

终端 ASCII 三栏(零前端依赖)

开发者 / FDE 快速看

Web 版

sofagent web(install.sh 安装态可用)· 仓库态 node tools/dashboard/serve-dashboard.mjs

浏览器可视化(localhost:3780)

老板 / IT 可视化看

macOS 双击

双击 start-dashboard.command

Web 版的 macOS 快捷方式(仅 macOS 双击入口)

macOS 用户

⚠️ Dashboard 可得性边界:三入口均随 install.sh 安装态提供;npm i sofagent 直装的包不含 dashboard 静态资产(tools/dashboard/ 未随包分发)——npm 直装用户得到 CLI + MCP 能力面,要 Dashboard 请走完整安装(bootstrap.sh / install.sh)。

👁️ Agent 视角:装完 hook 后每次 commit 触发审计——PASS 输出简短回声后放行(自动快照),违规直接打进终端输出并按配置推送 Webhook / IM,Agent 侧无独立图形界面(详见 PHILOSOPHY §二)。

入口

做什么

装在哪

花多久

npx -y -p sofagent sofagent audit

零配置审计最近一次 commit,秒级出结果(首次 npx 约 30 秒)

任意 git 仓库(临时)

30 秒

--ruleset 规则市场

加载安全等规则集,或自定义 JSON 规则

同上

1 分钟

GitHub Action

每次 PR 自动审计,违规标注在 diff 行上

CI/CD

配置一次

install.sh 全套

注入·审计·回溯·沉淀·进化五能力 + daemon 巡检(daemon 巡检需安装时显式确认,默认不装;QUICK_MODE / 非交互安装自动跳过) + dashboard——Agent 的完整约束层

企业设备(跑 AI 节点的服务器/电脑)

FDE 驻场安装

📌 单入口 CLI(v1.5.6 起)——CLI 收敛为 sofagent <域> <动作>:sofagent audit(审计)· sofagent train doctor(训练)、sofagent team formation(阵型)· sofagent daemon(守护)… 全部域见 sofagent help。

用法

命令

零安装试用

npx -y -p sofagent sofagent audit

全局安装

npm i -g sofagent → sofagent audit

完整安装(含 daemon / dashboard)

bootstrap.sh / install.sh(见上)

  • 旧命令已退役:12 个旧 bin 兼容期已满移除,统一走单入口。

  • ⚠️ npm i -g sofagent 带来完整依赖树(含 orchestrator/mcp/train 等能力包;传递依赖 602 包(npm ls --all --parseable · @1.5.8 时点 2026-10-10 实测;^1.7.0 约含 672——以当轮实测为准),5 个含原生模块——新版 npm 不执行未审阅 install script,其编译静默跳过)。 只要审计 CLI(接受完整依赖树取舍):npm i -g sofagent 后用 sofagent audit;不想常驻依赖树则用 npx -y -p sofagent sofagent audit 临时形态。

  • 已下架的旧代理包:npm 上的 sofagent-audit(裸名、无 scope)是旧代理包,已于 2026-09-26 下架——不要安装。

规则市场——社区规则集以 sofagent-ruleset-* npm 包发布、--ruleset-path 手动加载(plugin 类规则默认关闭,需显式 opt-in,见 SECURITY):

npx -y -p sofagent sofagent audit --list-rulesets      # 看有哪些规则集
npx -y -p sofagent sofagent audit --ruleset security   # 加载安全规则集

FDE 进场部署——两条路径任选:

  • 方法论路径(零依赖):读 FDE/GUIDE.md,按手册手动梳理工作流,Excel + 人脑也能跑

  • 工具路径(Node.js ≥ 18):FDE 在企业设备上跑 install.sh 装好约束层后,用自己的 AI 工具说"帮我做 FDE 诊断",Agent 从进场开始引导

常见问题

  • 能上生产吗? 当前为单机单用户设计(多租户见 ROADMAP;静态加密与边界见 LIMITATIONS——企业部署前必读 SECURITY)。

  • 收集我的数据吗? 缺省全量本地。可选联邦查询 = 你主动配置才出本机(见 SECURITY)。

生态与文档索引

Featured in(社区收录 · 14 项已收录):

Awesome AI Agents Glama awesome-dsh-plugin awesome-ai-agents (Jenqyang) dsh-plugin-radar awesome-deepseek-harness (0xsline) awesome-deepseek-harness (Dominic) awesome-mcp-servers awesome-mcp-zh awesome-ai-agents-2026 awesome-ai-governance awesome-auditable-ai loop-engineering awesome-harness-engineering (walkinglabs)

收录申请中(PR open): awesome-harness-engineering (ai-boost) awesome-ai-agents (e2b)

仓库内两大目录的语义归属:

  • SKILL/——给 Agent 读的行为约束文件系统(SKILL.md 主入口 / harness/ 约束层 / agents/ Sub Agent),新 Skill 放这里

  • FORGE/——自迭代工具链(内部工具,外部用户可忽略),产物落 ~/.sofagent/data/forge-runs/

上游与插件入口:DSH 上游 https://github.com/deepseek-ai/deepseek-harness · Cordis 运行时 https://github.com/cordiverse/cordis · 8 款 cordis-plugin-sofagent* 源码 engine/dsh-plugins/

你想了解

看哪里

全部文档索引(按意图选路)

WIKI

怎么装、怎么用、排查

HANDBOOK

架构设计与 28 条规则

ARCHITECTURE

每个版本做了什么

CHANGELOG · v2.0.0 规划

安全声明 · 已知局限

SECURITY · LIMITATIONS

社区参与 · 行为准则

COMMUNITY

外部验证与行业对照

VALIDATION

🧪 工程可信度(当前口径):7014 测试 / 14 包(tools/check/test-count.sh 实测口径)+ 12 插件(8 DSH + 4 OpenClaw)· 28 条审计规则 · fresh-eyes 独立审查(见 review-system)。 包数口径(消歧):主读数口径 = 14 包(test-count.sh 实测;下述两口径为集合定义)——workspace 29 = 13 模块包 + engine/corpus(@sofagent/rsi-corpus 语料管道,版本线独立)+ load-chain + dsh-plugin-kit + umbrella + 8 DSH 插件 + 4 OpenClaw 插件(见 WIKI §六);测试计数口径 = 13 模块包(含 test script 的 workspace 全量实测 27 个——活读数见 tools/check/test-count.sh 头注的口径说明,插件与工具包不计)——非同一集合。 测试数二口径:发版时点值(各版本 4805→4903 增量账)与当前实测值(上方行);权威值以 tools/check/check-test-count.sh 实跑为准;性能数据为单机参考值。


Available Tools

104 tools
activate_workflowC

读取 FDE 交付物,注册企业 SubAgent。

Inputs: dry_run, node_filter.

agent_identityA

查询 Agent 身份码(查自己或他人,不含私钥)。

Inputs: agent_id.

audit_data_changeB

对知识库结构化数据变更跑数据审计(D1-D5)。

Inputs: name, count, scope.

audit_fileA

单文件变更即时审计——Agent 编辑文件时调用,跑单文件适用规则,返回结构化结果(不阻断)。

Inputs: path (required), change_type (required), diff, task.

audit_queryA

审计数据只读查询——按时间/规则/exitCode 过滤读 history.jsonl,按 ts 查 decision-log 因果链(消费 causedBy 字段)。严格只读,不写任何审计链。边界:audit_trail 按 agentId 查跨设备轨迹 / worklog_query 查工作效能指标 / run_audit 跑规则写 think.md(写侧)/ ruleset_export 导出规则面——本 tool 只查「时间·规则·exitCode·因果链」维度,勿混用。

Inputs: rule, limit, since, until, +4 more.

audit_trailB

跨设备审计轨迹查询——按 agent_id 查完整轨迹(HMAC 验签)。

Inputs: agent_id, include_peers.

check_acceptanceA

验收执行——跑 define_acceptance 登记的条件,返回结构化结果。

Inputs: task_id (required), project_root.

commons_harvest_ruleC

从公地调用日志 + Refine 循环提炼质量规则候选。

Inputs: action, case_texts.

commons_invokeA

能力调用(dry-run 预检)——返回能力元数据与调用计划,不真实执行(SkillScan 拦截 + HITL 确认;真实执行由 Agent runtime 注入 executor)。

Inputs: capability_id (required), caller_agent_id (required), input.

commons_publishB

能力发布——将 Skill/Agent/流程发布到企业能力公地(SkillScan 安全门)。

Inputs: metadata (required).

commons_rateB

能力评价——调用后累积评分(0.0~1.0),防刷。

Inputs: score (required), rater_id (required), capability_id (required), owner_agent_id (required), +1 more.

commons_retireA

能力退役/恢复——标记退役(不删除,可恢复),强制 owner 确认。

Inputs: action (required), capability_id (required), reason, confirmed.

composeC

编排模块——传入任务描述,返回 Sub Agent 编排方案(YAML)。

Inputs: task (required), run, agent.

connector_listA

连接器发现(G5b 目录面):按类型(db/rest/saas)/ 主机 / 能力标签过滤,租户隔离(只返回请求租户条目)。清单只含连接器——与 MCP 工具清单(TOOLS)分列,绝不混列。只读。

Inputs: host, kind, tenant, capability.

connector_registerA

注册第三方连接器(G5b 准入面):来源过 plugin-gate 白名单校验(Git URL / 主机 / 本地路径,白名单外拒绝)→ 注册表落库(config/connectors.json,租户隔离 + 同租户重名拒绝)→ 审计留痕。与工具注册分列——连接器清单见 connector_list。

Inputs: kind (required), name (required), source (required), tenant, +2 more.

contribution_queryB

贡献度报表——人/数字员工同标准聚合(PR 权重分 + 决策留痕 + 审计变更规模 → 综合贡献分),按人/按 workflow 两维度输出,org_id 跨租户过滤(G7 联动)。纯读零写入。

Inputs: org_id, data_dir, window_days.

corpus_exportB

训练语料导出三件套——规则(28 编号位含跳号占位 + reward_hint 骨架 + verifiers 三桶清单)+ FDE 方法论(锚点解析)+ 带标签审计样本(六源聚合 + 脱敏)。导出带版本号 + HMAC 签名,导出行为记 corpus_export 审计事件。

Inputs: scope, out_dir, data_dir, rules_only.

cost_queryA

查询成本审计——预算配置 / 各 Agent 实际消耗(token/成本)/ 超限记录(WARN 级)。

Inputs: maxCostPerDay, maxTokensPerRun.

create_agentB

一句话需求自动推导 Agent 配置(角色+域规则+think+knowledge)。

Inputs: requirement (required), target_dir.

create_conceptC

创建/更新 concept 页。

Inputs: name (required), content (required).

create_entityB

创建/更新 entity 页。写入前跑数据审计,FAIL 拒绝写入。

Inputs: name (required), domain (required), content (required), relations.

daemon_statusA

查询 daemon 运行状态(PID/启动时间/心跳)。只读。

Inputs: no named parameters.

data_pushA

标准数据推送入口——企业存储按约定 schema 推送训练语料/知识数据,经分拣闸(敏感档标记)+ 合规闸(拦截违规)双闸入库,拒绝留痕进审计链。

Inputs: kind (required), source (required), samples (required), enterprise_id (required).

data_sovereignty_reportA

查询数据主权审计报告摘要(云端调用/本地执行/数据流出/敏感本地处理率)。

Inputs: date.

define_acceptanceB

验收条件定义——任务附机器可判定验收条件(test/build/grep-absent/schema)。

Inputs: task_id (required), criteria (required), notes.

delete_conceptA

删除 concept 页。🔴 破坏性操作,必须 confirmed:true 才执行。

Inputs: name (required), confirmed (required).

delete_entityA

删除 entity 页。🔴 破坏性操作,必须 confirmed:true 才执行。

Inputs: name (required), confirmed (required).

device_data_pushA

数据上行通道(G11):设备门禁 → 采集声明校验(默认空=不上行,opt-in)→ 脱敏 → AES-256-GCM 加密入队(WAL 暂存断网不丢,游标续传不重传已 ack 段)→ 审计留痕 + 计量进 worklog。原始数据不出设备。

Inputs: payload (required), category (required), identity (required), destination.

device_data_queryA

设备侧数据面授权读取(G10):设备门禁 → 目录白名单校验(默认空=全拒,opt-in)→ 读取 → 脱敏管线(敏感字段不出设备)→ 审计留痕 + 计量进 worklog。返回结构化内容(不落原始路径)。

Inputs: path (required), identity (required), max_bytes.

device_listA

设备清单查询(G9 发现面):按租户/类型/能力过滤,含最后心跳时间与在线状态;清单只含已验签设备(被拒/吊销设备不出现)。只读。

Inputs: kind, tenant, capability.

device_registerA

设备上线注册(G9):Ed25519 身份码验签 fail-closed(伪造签名拒绝且留审计)+ 设备类型(pc/node/appliance)+ 能力声明(派单方按能力匹配设备)。

Inputs: kind (required), identity (required), tenant, capabilities.

eval_suiteC

企业专属 eval 套件(模板加载/基线冻结/运行/查日志)。

Inputs: action (required), enterprise_id (required), industry, custom_cases.

evaluateB

Benchmark 评测——传 benchmark_id 触发隔离评测(评分 0..100);query 查日志。

Inputs: benchmark_id (required), query, case_id.

evaluate_outputB

用 golden set 评估 Agent 产出质量,返回评分 + 失败用例。

Inputs: verbose, golden_set_path.

fde_classifyB

FDE 三问判定 → 节点方案(引擎二)——classifyAutomation SSOT 判定(🔄自动/⚡强化/👤暂不动)+ 六步分解最小工作单元(GUIDE §3.2)+ executor 映射,落 nodes.json。

Inputs: nodes (required), enterprise_id (required).

fde_composeA

FDE 梳理辅助——五要素生成 workflow.yml 草稿(workflow-only;ontology 推导走 fde_derive 六引擎主入口)。

Inputs: action (required), session (required).

fde_deployA

FDE workflow 组装部署(引擎六)——三层交付物 → deployments/.yml(与 fde_compose 同格式);只产出工件不代激活——激活走 workflow_submit + activate_workflow(人审闸门保留)。

Inputs: nodes (required), enterprise_id (required), workflow_name (required), workflow_description.

fde_deriveB

FDE 本体推导(引擎四)——五要素+访谈 → 实体/概念/关系 YAML 草稿;机器初稿人工确认后经 ontology_import 导入;超 10 实体或 5 节点提示 needsFullOntology。

Inputs: nodes (required), enterprise_id (required), workflow_name (required), workflow_description.

fde_distillB

FDE 三层交付物生成(引擎五)——跑通过程沉淀:文档层手册(人读:现状/六步/验收/回滚)+ Skill 层模板(Agent 可执行)+ 运行层 yaml 片段(引擎六组装用),归档 deliverables/ 带 README 索引。

Inputs: nodes (required), enterprise_id (required).

fde_interviewA

FDE 访谈结构化落盘(引擎一)——五要素逐节点收集,多轮追加按 nodeId 幂等合并,自动重算企业画像(节点数/岗位分布/高频痛点);prompts_only=true 返回六条追问话术(五要素 + 实际流程)。

Inputs: enterprise_id (required), nodes, prompts_only.

fde_quantifyA

FDE 量化四字段 + ROI 排序(引擎三)——年节省=岗位年薪×AI接管工时占比(GUIDE §4.3,与 train_report 同公式同源);ROI=年节省÷(投入+1) 降序,落 quantification.json(若引擎二已跑自动关联判定标签)。

Inputs: nodes (required), enterprise_id (required).

get_thinkB

读取 think.md 的最新反思条目。

Inputs: count.

health_checkC

运行环境健康检查(环境/配置/数据目录/Hook/依赖)。

Inputs: mode, platform.

hitl_resolveA

对挂起等人工确认的 checkpoint 提交决策(approve/reject/aborted)。

Inputs: comment, decision, checkpoint_id.

list_agentsA

列出已注册的 Agent(内置 + 企业 SubAgent)。

Inputs: no named parameters.

list_capabilitiesA

返回完整能力清单(tools + resources)——Agent 首次连上时获取能力地图。

Inputs: no named parameters.

list_conceptsB

列出所有 concept。

Inputs: no named parameters.

list_entitiesC

列出所有 entity(可选按 domain 过滤)。

Inputs: domain.

list_rulesB

列出所有审计规则清单(只读,不暴露实现)。

Inputs: type.

loop_debugB

Onboard Agent 调试循环——传 task 触发 activate→run→judge→fix 循环;不传查记录。

Inputs: task, agent_id, max_rounds, timeout_ms.

model_registerB

模型注册——注册训练后模型 endpoint(name+endpoint+model)。

Inputs: name (required), model, source, comment, +6 more.

model_switchB

模型灰度切换——按档位切换活动模型(percent<100 灰度,100 强制人审)。

Inputs: lane, name, action, comment, +3 more.

model_unregisterA

模型退役——标记退役(可恢复),强制人审。

Inputs: name (required), action, comment, human_confirmed.

notify_sessionB

向当前 session 推送审计结果摘要(确保结果可见)。

Inputs: summary (required), verdict (required), audit_type (required), details, +1 more.

onboard_promptA

上岗 prompt 生成器——岗位描述 → 三段结构(职责/边界/工具面),产物经 workflow_node_add 落进节点配置(与 workflow CRUD 闭环)。

Inputs: role_description (required), role, agent_name.

ontology_importC

Ontology 注入——提交 entity/concept/relations(JSON),校验+审计后注册。

Inputs: payload (required), comment, agent_id.

optimize_skillC

优化指定 Skill 文件,生成优化建议。

Inputs: skill_path (required), check_only.

pr_mergeA

合并 PR——merge_criteria 真判定(approver-review:reviewer 非 submitter;confidence-min:confirmed=1.0/suggested=0.5/无=0 ≥ detail 阈值;未知 kind 或 detail 畸形判不过)fail-closed,未过挂起 HITL(human_confirmed=true 强制合并)。PR 的 workflow 存在 branch-{submitter} 时联动写回 trunk(version+1+删 branch,mergedVersion 回填;写回失败 PR 回退 open)。

Inputs: actor (required), pr_id (required), data_dir, human_confirmed.

promote_abB

晋升 candidate 为 current。🔴 破坏性,必须 human_confirmed:true。

Inputs: current (required), candidate (required), comment, human_confirmed.

pr_reviewA

审阅 PR——approve 进 reviewed(可合并);reject 终态 rejected(拒因进 decision-log 负样本训练信号)。提交者不可自审(利益冲突拒绝);verdict 精确匹配 approve/reject(大小写敏感)。

Inputs: pr_id (required), verdict (required), reviewer (required), note, +1 more.

pr_submitA

提交 workflow 变更提案(PR)——open 态入库 + 贡献者登记(人/数字员工同标准权重,weight 须 0-1 数值、声明 ≤10 条)+ 可选 triggerBinding(启发式=suggested / 显式=confirmed,显式不被启发式覆盖)。

Inputs: pr_id (required), title (required), submitter (required), workflow_id (required), +4 more.

read_conceptB

读取单个 concept 页。

Inputs: name (required).

read_entityB

读取单个 entity 页。

Inputs: name (required).

read_lessonsA

读取踩坑记录(lessons-missteps.md)。

Inputs: no named parameters.

read_think_mdA

读取 think.md 完整内容。

Inputs: no named parameters.

refineC

Refine 质量优化循环——针对 Agent 产出做质量优化。

Inputs: action (required), task, team_id, agent_id.

router_session_pushA

router 过站 session 承接(T7 第七章):exporter 标准 schema 校验(fail-closed 拒绝坏格式)→ 多轮展开(切窗/角色映射)→ 脱敏本地落盘(数据主权铁律——记录不出企业边界,幂等:同 sessionId 重复推送拒绝)→ usage 入 cost 台账(按模型/时段聚合)→ key 维度过站行为 HMAC 挂链(审计)。会话续接五元组(执行器+员工身份+模型+工作目录+运行时)透传判定。

Inputs: raw (required).

router_slotsB

查询本地推理槽位态(占用 / 排队深度 / 各请求等待时长)+ 路由预览(任务×敏感度 → 去向决策 + routeReason)+ 判定链接入去向下达(adjudicate:IntentTriage L0/L1/L2 判定 → 映射分级 → decideAndDispatch)。运维可见,数据本地不出门。

Inputs: refs, text, action, priority, +9 more.

route_workflowC

入口路由——传 task + workflow 返回命中节点或 fallback。

Inputs: task (required), workflow (required).

ruleset_exportA

规则集导出——25 条默认规则 + 已加载扩展规则导出为标准 JSON(与 --ruleset-path 加载格式同构,导出即加载格式、双向可逆),每条附训练消费元数据(rule_id / 检测意图 / 违规样例 / 严重级别)+ 规则集版本号 + 内容指纹(HMAC-SHA256),导出行为写审计留痕。边界:list_rules 只列规则清单、corpus_export 导出训练语料三件套——本 tool 导出「规则面标准 JSON」供第三方零转换消费。

Inputs: dryRun, outDir, dataDir, description, +2 more.

run_ab_testB

发起 A/B 对比实验——current vs candidate 在 golden-set 上评测,返回胜出方。

Inputs: current (required), candidate (required), eval_set, previous_wins, +1 more.

run_auditB

对 git diff 运行全量审计(25 条规则),返回结构化审计报告。

Inputs: diff, task, silent, strict.

search_knowledgeB

跨 entities/concepts 模糊搜索知识库。

Inputs: query (required).

snapshot_listA

列出审计快照时间线。只读。

Inputs: limit, project_dir.

snapshot_restoreA

恢复工作区到指定快照。🔴 破坏性,必须 human_confirmed:true。

Inputs: sha (required), comment, project_dir, human_confirmed.

statsA

知识库统计(entities/concepts 数 + 最后更新时间)。

Inputs: no named parameters.

team_broadcastC

意图广播——Agent 广播「我要做什么」到团队意图总线。

Inputs: intent (required), source (required), target (required), team_id (required), +1 more.

team_createB

创建团队——传 team.yml 文本,解析写入。

Inputs: team_yaml (required).

trace_reconcileA

跨层证据对账(trace reconcile):DSH session trace(Agent 自述)vs git diff(独立事实)vs logs 声明集三源比对——产出差异清单(漏报/幻觉动作/瞒报四态)+ 一致率;可选模型层回溯链(推理 → 模型版本 → train_job → datasetHash)。对账结果入 decision-log(kind=COVERAGE)。

Inputs: repo_root, session_limit, include_model_layer.

train_budgetB

训练预算控制——查预算状态 / 超预算人审续跑或终止。

Inputs: action (required), job_id (required), decision.

train_cloudB

云 VM 执行面——注册云 VM(endpoint + 凭据引用走虚拟 key 边界,真实凭据不落明文)/ 列出 / 查状态 / 注销;远程 spawn 训练走 ssh 通道(stdout JSON 回流)+ 分拣闸(敏感档拦上云,依据入审计链)+ 失联止损 + 成本入预算。

Inputs: name, action, endpoint, credential_ref.

train_complianceA

训练数据合规扫描——PII(姓名/手机号/身份证)+ 敏感字段(健康/财务)+ 企业专有名词三类风险项(复用 v1.4.4 redactor 红名单检测);报告(发现项+严重度+处置建议)写训练集版本;严重级发现阻断训练提交;数据来源标记(企业提供/合成/公开语料)。

Inputs: version (required), dataset_id (required), enterprise_id (required), action, +1 more.

train_deliverableB

FDE 训练交付包——generate 聚合五件(训练配置模板+数据管道配置+eval基线冻结+运维手册+权重清单含回滚点)打 zip + manifest + HMAC 签名;verify 逐项核对完整性 + 环境兼容性(企业收包侧体检)。

Inputs: enterprise_id (required), action, contact, zip_path, +2 more.

train_diagnoseA

训练失败诊断——七类分类(OOM/数据格式/超参发散/框架/环境/重复坍塌/精度异常)+ 上下文四源(日志尾部+环境清单+checkpoint+超参)+ 修复处方,报告落盘 diagnose.json。

Inputs: train_job_id (required), enterprise_id (required), save.

train_doctorA

训练环境体检——CUDA/显存/框架版本/基座模型缓存四项 + 反作弊基线三项(git 禁用/.git 可见性/网络白名单)结构化报告(只查不装;装环境走 bash tools/train/train-env-init.sh,基座模型手动放置或推理服务拉取)。

Inputs: enterprise_id (required), dataset_mount_path.

train_dryrunA

训练 dry-run——提交前预检:极小样本管线连通 + 数据质量抽样 + 显存估算(超限提前告警)+ 算力外推(sigmoid 缩放律外推成本,超预算提交前告警)。

Inputs: algorithm (required), data_path (required), vram, extrapolate, +1 more.

train_listA

训练任务列表——按时间/状态/模型过滤(历史复盘与多任务管理;只列本企业分区任务)。

Inputs: enterprise_id (required), limit, status, last_days, +1 more.

train_reportB

训练报告生成——数据概况+配置+eval对比+产物清单+量化四字段(GUIDE §4.3:年节省=岗位年薪×AI接管工时占比),markdown+JSON 归档 data/dashboard/train-reports/。

Inputs: train_job_id (required), enterprise_id (required), artifacts, after_eval, +3 more.

train_serveA

推理服务生命周期——从权重目录拉起 vLLM/Ollama/OpenAI 兼容端点(/health 就绪探测 + 指数退避重试)+ 启停重启状态四操作;每次启停记 train_serve 审计事件(谁启的/哪个模型/哪个节点)。

Inputs: model_name (required), enterprise_id (required), host, port, +6 more.

train_statusA

训练进度查询——status/step/loss/reward 曲线/断点/用量快照(长任务轮询入口)。

Inputs: train_job_id (required), enterprise_id (required), last_n.

train_submitB

训练任务提交——数据+基座+算法(sft/dpo/grpo)+超参+预算 → 生成 trainJobId(同 id 重复提交幂等)。

Inputs: algorithm (required), data_path (required), base_model (required), enterprise_id (required), +3 more.

update_entityA

字段级更新 entity 页(只改传入字段,保留其余)。写入前跑数据审计。

Inputs: name (required), domain, content, newName, +2 more.

validate_ontologyB

检查本体数据完整性——实体数/关联断裂/孤儿实体/死链。

Inputs: fix.

workflow_createA

新建 workflow 对象——schema-gate 校验(结构 + cron 语法)后落库 version=1,owner 持有 trunk 直改权;每次落库挂 decision-log 审计。

Inputs: owner (required), workflow (required), data_dir, description.

workflow_diff_previewA

对比传入文档与 trunk 当前的行级差异(unified 风格 + 增删行数)——只读零副作用,落库前先预览。

Inputs: actor (required), workflow (required), workflow_id (required), data_dir.

workflow_exportA

workflow 模板导出(G1 五件套):workflow.yml + 本体数据 + MD 家族 + manifest(sha256 完整性)+ 血缘元数据(源企业/源版本/fork 层级/祖先链)。跨租户缺省剥离 private / result-only 节点(G6 联动,剥离计数入 manifest)。export 事件入血缘谱系 + 审计挂链。

Inputs: workflow_id (required), actor, enterprise, cross_tenant.

workflow_gapsA

workflow 能力缺口分析——扫描 workflow-store 声明节点 vs worklog 实际执行,产出三类缺口清单(缺人/缺能力/待升级),可被商业平台消费转悬赏。纯读零写入。

Inputs: data_dir, window_days.

workflow_importA

workflow 模板导入(G1 三闸 fail-closed):结构闸(manifest + 必要件 + sha256 完整性核对)→ schema 校验门(zod 结构 + 可见性枚举 + cron 语法,与 CRUD 同门)→ 落地闸(冲突拒绝)。跨企业包检出 private/result-only 节点整包拒绝(G6 加固)。血缘回流(import 事件 + 祖先链接入)+ 本体合并(本地优先)。

Inputs: bundle (required), actor, owner, imported_as.

workflow_node_addA

向既有 workflow 追加单节点(增量改)——节点 id 重复/depends_on 悬空/cron 非法拒绝;owner 直改 trunk,非 owner 写 branch。

Inputs: node (required), actor (required), workflow_id (required), data_dir.

workflow_submitC

Workflow 提交——schema 校验 + 解析(validate/run)。

Inputs: workflow (required), mode, task.

workflow_updateA

全量替换 workflow 文档——owner 直改 trunk(version+1);非 owner 写 branch-{actor}(trunk 不动,等审阅合并)。

Inputs: actor (required), workflow (required), workflow_id (required), data_dir.

worklog_queryC

按 Agent / Workflow / 周趋势查询 AI 工作明细(任务/token/耗时/成本/人工介入),可附带进化四维趋势。

Inputs: agentId, evolution, workflowId, weeklyTrend.

write_thinkA

向 think.md 追加一条手动反思记录。

Inputs: lesson (required), task.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    B3.1/5.0

    Scored across 104 tools

    Disambiguation2/5

    With 104 tools spanning overlapping areas such as audit/trace/worklog, training, workflow/FDE, commons, devices, and connectors, many boundaries blur despite several descriptions explicitly cross-referencing sibling tools. An agent would still face substantial misselection risk among similarly named audit, workflow, and training operations.

    Naming Consistency4/5

    Names are overwhelmingly snake_case and domain-prefixed (train_, workflow_, fde_, commons_, device_, connector_), which is highly readable. However, conventions alternate between action-first and domain-first forms, and a few bare names such as stats, compose, evaluate, and refine are less predictable.

    Tool Count1/5

    A 104-tool surface is an extreme mismatch for any single agent-facing server, far beyond the 3-15 well-scoped range and well past the 50+ threshold for a score of 1. Even with many legitimate subdomains, this count creates an unreasonable selection and context burden.

    Completeness4/5

    The surface covers a very broad lifecycle: knowledge/ontology CRUD, workflow creation/update/submit/export/import, training submission through reporting, audit, agent/commons management, devices, and connectors. Some gaps remain, such as delete/update operations for certain entities and agents, but most domains have clear workable paths.

    Maintenance

    ActivityActive
    ResponsivenessOutdated data

    Related MCP Connectors

    Related MCP Servers