sofagent
This MCP server exposes sofagent's governance harness—auditing AI/agent changes, managing knowledge, orchestrating FDE workflows, governing model training/deployment, and enabling team collaboration.
Audit & compliance: run full 24-rule git diff audits, single-file audits, data-change audits, list rules, health checks, data sovereignty reports, cross-device audit trails, and snapshot/restore.
Knowledge management: create/read/update/delete entities and concepts, fuzzy search, stats, read/write think.md reflections and lessons, validate/import ontology.
FDE methodology: conduct interviews, classify AI nodes, quantify ROI, derive ontology, distill deliverables, and deploy workflow YAML; compose and route workflows; define/check acceptance criteria.
Workflow & orchestration: create/update/add-node/preview/gap-analysis workflows, submit/review/merge PRs, activate workflows, route tasks, generate onboarding prompts, create agents, and run debug loops.
Evaluation & optimization: evaluate outputs against golden sets, run enterprise eval suites, benchmark, A/B test agent definitions, promote winners, and optimize skills.
Model & training governance: register/switch/unregister models, submit/monitor/diagnose training jobs, dry-run, budget control, compliance scans, generate delivery packages, serve models, and manage cloud VMs.
Team & collaboration: create teams, broadcast intents, refine outputs, query contributions, and publish/search/invoke/rate/retire capabilities in a commons.
Observability & cost: query worklogs/cost/audit summaries, push data through compliance gates, and export training corpora.
Browser automation (auxiliary): navigate, click, screenshot, and assert page state via Playwright.
sofagent
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 |
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(fp20db1f9d)首红是索引 2(A类测试夹具);在engine/audit目录内运行(fpffae2ca0)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——
@publicSDK 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 |
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 |
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( |
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( |
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( |
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.commandWeb 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 |
| 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 |
| 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):
收录申请中(PR open):
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) | |
怎么装、怎么用、排查 | |
架构设计与 28 条规则 | |
每个版本做了什么 | |
安全声明 · 已知局限 | |
社区参与 · 行为准则 | |
外部验证与行业对照 |
🧪 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 toolsactivate_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.
commons_searchC
能力检索——按标签/关键词/类型检索能力公地。
Inputs: tag, kind, query.
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
Scored across 104 tools
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.
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.
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.
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
Related MCP Connectors
Security reviews for coding agents: diffs checked against your org policy and live infrastructure.
Governance copilot for AI-assisted coding. 72 packs, 532 rules, proof bundles.
AI-native git hosting — repos, PRs, issues, CI gates, and AI code review over MCP (60 tools).
Pre-execution governance for AI agents. Deterministic PASS/FAIL/REVIEW verdicts, replayable proof.
Related MCP Servers
- AlicenseNot gradedqualityCmaintenanceOpen-source AI code review MCP server for local git diff auditing with deterministic security rules and AI-powered analysis using any OpenAI-compatible model.4MIT
- AlicenseBqualityBmaintenanceA governance proxy for AI tools — every MCP/agent tool call is policy-gated, secret-redacted, and written to a hash-chained, offline-verifiable audit trail.13MIT
- AlicenseNot gradedqualityCmaintenanceDeterministic AI code review with audit records, providing stack-specific rulesets and governance for coding agents.5MIT
- AlicenseNot gradedqualityDmaintenanceEnables MCP-compatible AI agents to scan code for leaked secrets, copyleft licenses, unprotected routes, missing privacy policies, and risky card handling before committing or shipping.63 npmMIT