agent

1. 核心概念

LLM (Large Language Model)：Agent 的“控制中心（Controller）”，负责逻辑推理、意图识别与文本生成。
Function Call / Tool Use：一种连接机制。LLM 输出结构化指令（如 JSON），由宿主环境转化为具体的函数执行，使 LLM 具备操作外部世界的能力。
MCP (Model Context Protocol)：由 Anthropic 发起的标准化工具调用与数据交互协议，旨在消除不同工具间的集成壁垒。

State (状态机)：持久化存储 Agent 的长短期记忆、执行上下文及变量状态。
Graph (拓扑图)：
- Node (节点)：执行单元。可以是 LLM 节点（决策/生成）或 Tool 节点（执行/计算）。
- Edge / Route (路由)：
  - Hard Route (静态路由)：基于预设条件（如 if/else 或状态码）的确定性跳转。
  - Soft Route (动态路由)：由 LLM 充当“路由器”，根据当前 State 语义化决定下一个目标节点。
Subgraph (子图)：逻辑封装单元。将复杂的局部流程抽象为一个独立节点，实现架构的模块化与复用。

Skill (技能)：针对特定业务目标封装的逻辑闭环。
- Soft Skill (Declarative / 声明式技能)
  - 表现形式：详尽的 SOP 文档、System Prompt 或带有元数据的 README。
  - 核心逻辑：基于“提示词工程”。通过自然语言告知 LLM 执行步骤、约束条件与目标策略。
  - 运行方式：LLM 依靠上下文理解能力（In-context Learning）在运行时动态构建执行路径。
- Hard Skill (Procedural / 过程式技能)
  - 表现形式：封装好的 Subgraph。拥有明确的代码逻辑、节点定义与拓扑连线。
  - 核心逻辑：基于“工作流工程”。将复杂任务拆解为高可靠性的确定性步骤。
  - 运行方式：Agent 以调用子程序的方式进入子图，严格遵循定义的拓扑结构执行。

Message (消息)：最小交互单元，包含 System (系统级指令)、User (用户输入)、Assistant (AI 响应) 及 Tool (工具返回)。
Prompt (提示词)：有序的 Message 序列，构成模型理解任务的基准。
Preset (预置指令)：Agent 的“元配置”。定义核心人格、全局 MCP 规范、输出约束（如 JSON 强制格式）及底层逻辑。
Chat (会话)：由时间序排列的 Message 组成的上下文窗口（Context Window）。
LoreBook (知识书/规则书)：动态上下文注入机制。
- 触发式加载：当用户输入命中关键词或特定场景时，自动将相关 Prompt 片段注入 Preset 或当前 Context。
- 用途：实现 Soft Skill 的按需加载，节省上下文 Token。
Character Card (角色卡)：Agent 的逻辑实体。一个角色可挂载多个 LoreBook 和 Skill（包括子图形式的 Hard Skill），形成完备的能力画像。

为了实现 Prompt 的高度动态化与逻辑控制，引入插值脚本机制：

转义机制：采用 #{ } 作为脚本引导符，实现从“静态文本模式”向“逻辑执行模式”的切换。
嵌入逻辑：
- 初始状态：文本模式（Raw String）。
- 执行状态：遇到 #{ script } 时，解释器执行其中的代码（如条件判断、循环、变量取值）。
- 渲染产物：脚本执行的最终返回值将被序列化并替换回原文本位置。
实现方案：需配备轻量级解释器/编译器，支持在 Prompt 渲染阶段实时处理业务逻辑。