openfang/plans/radiant-yawning-raven.md

OpenFang 项目深度分析与头脑风暴报告

目录

1. 项目概览
2. 架构深度分析
3. 核心优势识别
4. 潜在改进领域
5. 技术创新机会
6. 生态系统扩展
7. 商业化路径
8. 头脑风暴：未来方向

---

1. 项目概览

1.1 基本信息

• 项目名称: OpenFang - 开源 Agent 操作系统
• 版本: v0.1.0 (2026-02-24 发布)
• 语言: Rust (2021 edition)
• 架构: 14-crate 工作空间
• 测试覆盖: 1731+ 测试用例

1.2 核心定位

OpenFang 是一个用 Rust 编写的 Agent 操作系统，提供完整的 Agent 生命周期管理、多 LLM 提供商支持、40+ 消息渠道集成，以及可视化工作流构建能力。

1.3 竞争格局

维度	OpenClaw	OpenFang	优势方
性能/内存	Node.js (~200MB)	Rust (~30MB)	OpenFang
消息渠道	~15	40+	OpenFang
内置工具	~19	41	OpenFang
安全系统	Token + sandbox	16 层防御	OpenFang
Agent 模板	手动配置	30 预配置	OpenFang
工作流引擎	Cron + webhooks	完整 DAG	OpenFang
知识图谱	扁平向量存储	实体关系图	OpenFang
P2P 网络	无	OFP 协议	OpenFang
WASM 沙箱	仅 Docker	双计量 WASM	OpenFang
桌面应用	Electron (~200MB)	Tauri (~30MB)	OpenFang
LLM 提供商	~15	27/130+ 模型	OpenFang
可视化构建器	无	拖拽式	OpenFang
移动应用	iOS + Android	仅 Web 响应式	OpenClaw
语音唤醒	有	基础语音	OpenClaw

结论: OpenFang 在 18 个类别中领先 15 个。

---

2. 架构深度分析

2.1 工作空间结构

┌─────────────────────────────────────────────────────────────────┐
│                        表现层 (Presentation)                     │
│         CLI (openfang-cli) / Desktop (Tauri) / HTTP API         │
└───────────────────────────────┬─────────────────────────────────┘
                                │
┌───────────────────────────────▼─────────────────────────────────┐
│                         服务层 (Service)                         │
│                      openfang-api (Axum)                        │
│            HTTP/WebSocket/SSE/OpenAI-Compat/A2A                 │
└───────────────────────────────┬─────────────────────────────────┘
                                │
┌───────────────────────────────▼─────────────────────────────────┐
│                          核心层 (Kernel)                         │
│                      openfang-kernel                            │
│     Registry / Scheduler / Supervisor / EventBus / Metering     │
└──────┬────────────────────────────────────────────────┬─────────┘
       │                                                │
┌──────▼──────┐  ┌──────────────┐  ┌───────────────────▼─────────┐
│  Runtime    │  │    Memory    │  │      Integrations           │
│ (LLM/WASM)  │  │ (SQLite/向量)│  │ (channels/skills/hands/ext) │
└──────┬──────┘  └──────────────┘  └─────────────────────────────┘
       │
┌──────▼──────────────────────────────────────────────────────────┐
│                       基础类型层 (Types)                         │
│                     openfang-types                              │
│         Agent / Message / Tool / Config / Error                 │
└─────────────────────────────────────────────────────────────────┘

2.2 Crate 职责矩阵

Crate	职责	依赖数	关键特性
openfang-types	基础类型定义	0	零依赖，被所有 crate 使用
openfang-memory	存储层	1	SQLite + 语义搜索 + 知识图谱
openfang-runtime	Agent 运行时	3	LLM 驱动 + 工具执行 + WASM
openfang-kernel	核心协调器	8+	组装所有子系统
openfang-api	HTTP 服务	10+	100+ 端点 + WebSocket
openfang-wire	P2P 协议	1	OFP + HMAC 认证
openfang-channels	消息渠道	2	40+ 适配器
openfang-skills	技能系统	1	4 运行时 + 60 技能
openfang-hands	自主能力包	2	7 预构建 Agent
openfang-extensions	集成系统	2	25+ MCP 模板
openfang-cli	命令行	5	14+ 子命令
openfang-desktop	桌面应用	6	Tauri 2.0
openfang-migrate	迁移工具	2	OpenClaw 导入

2.3 关键设计模式

1. KernelHandle Trait - 解决 runtime ↔ kernel 循环依赖
2. Plugin Architecture - Skills/Hands/Extensions 可扩展
3. Event-Driven - EventBus 发布订阅模式
4. Capability-Based Security - 细粒度权限控制
5. Dual Metering - WASM fuel + epoch 双重限制

---

3. 核心优势识别

3.1 技术优势

性能优势

• 内存占用: 30MB vs Electron 200MB (85% 减少)
• 单二进制部署: 无运行时依赖
• 异步高效: Tokio 运行时，支持高并发

安全优势 (16 层防御)

1. Capability-based access control
2. Path traversal protection
3. SSRF protection (私有 IP 阻断)
4. Ed25519 signed manifests
5. Merkle hash chain audit
6. Information flow taint tracking
7. HMAC-SHA256 mutual auth
8. API key Bearer auth
9. GCRA rate limiter
10. Security headers (CSP/HSTS/X-Frame-Options)
11. Secret zeroization
12. Subprocess environment isolation
13. Health endpoint redaction
14. Loop guard with SHA256 detection
15. Session repair
16. Circuit breaker thresholds

架构优势

• 模块化: 清晰的 crate 边界
• 可扩展: Plugin 系统设计
• 可观测: Prometheus metrics + audit log

3.2 功能优势

功能领域	具体优势
LLM 支持	27 提供商 / 130+ 模型 / 智能路由 / Fallback
工具系统	41 内置工具 / 动态加载 / Profile 过滤
工作流	DAG 引擎 / 并行 / 条件 / 循环 / 可视化构建
渠道	40+ 平台 / 统一抽象 / RBAC
Agent	30 模板 / 多模式调度 / 父子关系
记忆	SQLite + 向量 + 知识图谱

3.3 生态优势

• SDK: JavaScript + Python 官方客户端
• 迁移: OpenClaw 一键导入
• 兼容: OpenAI API / MCP / A2A 协议
• 桌面: Tauri 2.0 原生应用

---

4. 潜在改进领域

4.1 当前短板

领域	问题描述	优先级
移动端	无原生 iOS/Android 应用	高
语音唤醒	缺少 wake word 检测	中
多租户	无 SaaS 多租户隔离	中
集群	无分布式部署支持	中
可视化调试	Agent 决策过程不透明	低
测试覆盖	缺少 E2E 自动化测试	中

4.2 技术债务

1. Agent Registry - 仅内存存储，重启丢失 (部分 SQLite 持久化)
2. Peer Registry - 无服务发现，需手动配置节点
3. 知识图谱 - max_depth 未完全实现递归遍历
4. Channels - 部分适配器未完整测试
5. WASM - 仅支持 wasi, 不支持 wasip2

4.3 文档缺口

• 缺少架构决策记录 (ADR)
• API 文档未自动生成
• 缺少贡献者指南详细版
• 缺少性能调优指南

---

5. 技术创新机会

5.1 短期机会 (1-3 个月)

A. Agent 编排语言 (Agent Orchestration Language)

概念: DSL for multi-agent workflows
价值: 简化复杂 Agent 协作场景
实现: 扩展现有 workflow TOML
示例:
  parallel:
    - agent: researcher
      task: "搜索最新 AI 论文"
    - agent: analyst
      task: "分析市场趋势"
  collect: merge_results
  then:
    agent: writer
    task: "生成报告"

B. 实时协作层

概念: WebSocket-based multi-user sessions
价值: 团队共享 Agent 会话
实现: 扩展 WebSocket 协议
功能:
  - 会话共享/移交
  - 实时光标/选区
  - 评论/批注

C. Agent 市场

概念: 去中心化 Agent 分发
价值: 社区驱动的 Agent 生态
实现:
  - Agent Card 扩展
  - IPFS/去中心化存储
  - 信誉/评分系统

5.2 中期机会 (3-6 个月)

D. 自适应工具学习

概念: Agent 自动学习新工具
价值: 减少手动配置
实现:
  - 工具 schema 推断
  - API 文档解析
  - 示例学习

E. 联邦 Agent 网络

概念: 跨组织的 Agent 协作
价值: 隐私保护的分布式 AI
实现:
  - 扩展 OFP 协议
  - 同态加密 (可选)
  - 差分隐私

F. 多模态 Agent 记忆

概念: 图像/音频/视频记忆存储
价值: 更丰富的上下文
实现:
  - 扩展 memory substrate
  - 多模态嵌入
  - 跨模态检索

5.3 长期机会 (6-12 个月)

G. Agent 操作系统内核

概念: 真正的 "Agent OS"
价值: 独立的 Agent 运行环境
实现:
  - unikernel 设计
  - 硬件加速
  - 形式化验证

H. 神经符号 Agent

概念: LLM + 规则引擎混合
价值: 可解释 + 灵活
实现:
  - 规则 DSL
  - 神经接口
  - 推理链追踪

I. Agent 沙箱云

概念: 云原生 Agent 执行环境
价值: 弹性扩展 + 隔离
实现:
  - Firecracker microVM
  - Kubernetes operator
  - 按需冷启动

---

6. 生态系统扩展

6.1 技能生态

当前状态

• 60 个内置技能
• 4 种运行时 (Python/WASM/Node/Builtin)
• FangHub 市场

扩展方向

1. 社区技能仓库 - GitHub-based skill distribution
2. 技能版本管理 - 语义化版本 + 依赖解析
3. 技能测试框架 - 自动化技能验证
4. 技能性能分析 - 资源使用监控

6.2 渠道生态

当前状态

• 40+ 消息渠道
• 统一 ChannelAdapter trait
• Bridge 管理器

扩展方向

1. 协议适配器 - MQTT/CoAP/AMQP
2. IoT 网关 - Home Assistant/Philips Hue
3. 企业系统 - SAP/Salesforce/ServiceNow
4. 区块链 - Ethereum/Solana 智能合约

6.3 工具生态

当前状态

• 41 个内置工具
• MCP 客户端/服务器
• 动态工具加载

扩展方向

1. 数据库工具 - PostgreSQL/MySQL/MongoDB
2. 云服务工具 - AWS/GCP/Azure SDK
3. 数据分析工具 - Pandas/Polars 集成
4. 安全工具 - 漏洞扫描/渗透测试

---

7. 商业化路径

7.1 开源核心模式 (Open Core)

层级	功能	授权
核心	Agent 运行时 + 基础工具	MIT/Apache
Pro	高级工作流 + 企业渠道	商业
Enterprise	SSO + 审计 + SLA	商业
Cloud	托管服务 + 自动扩展	SaaS

7.2 潜在收入流

1. 企业许可 - 大规模部署授权
2. 云托管 - OpenFang Cloud (类似 OpenAI Assistants)
3. 专业服务 - 咨询/定制开发/培训
4. 市场抽成 - Hands/Skills 市场交易费
5. 支持订阅 - 技术支持 + SLA

7.3 竞争定位

价格
  │
  │     ┌──────────────────┐
  │     │   OpenAI         │
  │     │   Assistants     │
  │     └──────────────────┘
  │           ▲
  │     ┌─────┴────────┐
  │     │  OpenFang    │
  │     │  Cloud       │
  │     └──────────────┘
  │           ▲
  │     ┌─────┴────────┐
  │     │  OpenFang    │
  │     │  Enterprise  │
  │     └──────────────┘
  │           ▲
  │     ┌─────┴────────┐
  │     │  OpenFang    │ ◄── 开源免费
  │     │  Core        │
  │     └──────────────┘
  └──────────────────────────────────► 功能
        基础    Pro    Enterprise

---

8. 头脑风暴：未来方向

8.1 产品愿景

"成为 Agent 时代的 Linux"

• 像 Linux 是服务器操作系统一样
• OpenFang 成为 Agent 操作系统
• 开放、可扩展、高性能

8.2 技术路线图建议

Phase 1: 巩固基础 (Q2 2026)

• 完善测试覆盖率 (目标 90%+)
• 性能基准测试 + 优化
• 文档自动化 (API/架构)
• 移动端 Web PWA

Phase 2: 生态扩展 (Q3 2026)

• 社区技能市场
• 第三方工具 SDK
• Agent 模板贡献流程
• 多语言 SDK (Go/Java/Rust)

Phase 3: 企业就绪 (Q4 2026)

• 多租户架构
• SSO 集成 (SAML/OIDC)
• 合规认证 (SOC2/GDPR)
• 企业支持计划

Phase 4: 云原生 (2027)

• Kubernetes Operator
• Serverless Agent 执行
• 多区域部署
• 联邦学习支持

8.3 创新实验项目

项目 A: Agent 梦境

概念: Agent 空闲时自主探索/学习
实现:
  - 后台思考循环
  - 知识整合
  - 技能优化
启发: 人类睡眠学习

项目 B: Agent 人格持久化

概念: 可移植的 Agent 身份/记忆
实现:
  - 加密身份包
  - 跨平台迁移
  - 人格市场
启发: 数字孪生

项目 C: Agent 宪法

概念: 可配置的行为准则
实现:
  - 宪法 DSL
  - 行为审计
  - 违规纠正
启发: AI 对齐研究

项目 D: 群体智能

概念: Agent 蜂群协作
实现:
  -涌现行为
  - 自组织
  - 分布式决策
启发: 蚁群/蜂群算法

8.4 关键成功因素

因素	当前状态	目标状态
社区活跃度	起步阶段	活跃贡献者 100+
企业采用	无	10+ 企业客户
文档质量	基础	完整 + 示例
性能	优秀	行业领先
安全	16 层	认证级别
生态	60 技能	500+ 技能

8.5 风险评估

风险	概率	影响	缓解措施
LLM 提供商封锁	中	高	多提供商 + 本地模型
竞争对手复制	高	中	快速迭代 + 社区壁垒
安全漏洞	中	高	审计 + 赏金计划
许可证纠纷	低	高	法律审查 + CLA
核心开发者流失	中	高	文档 + 知识传递

---

总结

OpenFang 是一个技术扎实、架构清晰的 Agent 操作系统。它在性能、安全、功能丰富度方面相比竞争对手有显著优势。未来的成功取决于：

1. 生态建设 - 社区驱动的技能/Agent/工具生态
2. 企业采用 - 从开源项目到企业解决方案
3. 持续创新 - 在 Agent 编排、多模态、群体智能等方向探索
4. 商业模式 - 找到可持续的开源商业化路径

核心建议: 专注于 "开发者体验" 和 "企业就绪" 两条主线，同时保持开源社区的活力。

---

附录：详细执行计划

以下是根据用户需求制定的四个详细方向计划。

---

附录 A: 具体功能实现计划

A.1 Agent 编排语言 (AOL) - 详细设计

目标

创建一种声明式 DSL，简化多 Agent 协作场景的配置。

核心语法设计

# workflow.toml
[workflow]
name = "research-pipeline"
description = "研究 -> 分析 -> 写作 流水线"

[workflow.steps]
# 并行执行阶段
[[workflow.steps.parallel]]
agent = "researcher"
task = "搜索关于 {{topic}} 的最新研究论文"
output = "papers"

[[workflow.steps.parallel]]
agent = "analyst"
task = "分析 {{topic}} 的市场趋势"
output = "market_analysis"

# 收集阶段
[workflow.steps.collect]
strategy = "merge"  # merge, concatenate, first_non_empty
inputs = ["papers", "market_analysis"]
output = "combined_research"

# 串行阶段
[[workflow.steps.sequential]]
agent = "writer"
task = "基于 {{combined_research}} 生成报告"
output = "final_report"

# 条件分支
[workflow.steps.condition]
if = "{{complexity_score}} > 0.8"
then = { agent = "expert", task = "审核报告" }
else = { agent = "editor", task = "编辑报告" }

实现计划

阶段	任务	文件	预估时间
1	定义 AST 类型	openfang-types/src/workflow_dsl.rs	2 天
2	TOML 解析器	openfang-runtime/src/workflow/parser.rs	3 天
3	变量展开引擎	openfang-runtime/src/workflow/variables.rs	2 天
4	并行执行器	openfang-runtime/src/workflow/parallel.rs	3 天
5	条件分支	openfang-runtime/src/workflow/condition.rs	2 天
6	API 端点	openfang-api/src/routes.rs	1 天
7	UI 集成	static/js/pages/workflows.js	2 天
8	测试	tests/workflow_dsl_test.rs	2 天

总计: ~17 天

API 设计

POST /api/workflows/compile
  Body: { "toml": "..." }
  Response: { "ast": {...}, "validation_errors": [] }

POST /api/workflows/{id}/execute
  Body: { "variables": {...} }
  Response: { "execution_id": "...", "status": "running" }

GET /api/workflows/{id}/executions/{exec_id}
  Response: { "status": "...", "steps": [...], "outputs": {...} }

---

A.2 实时协作层 - 详细设计

目标

支持多用户实时共享 Agent 会话。

协议设计

// 客户端 -> 服务器
{
  "type": "session_join",
  "session_id": "uuid",
  "user_id": "uuid",
  "cursor": { "line": 10, "column": 5 }
}

// 服务器 -> 客户端 (广播)
{
  "type": "presence_update",
  "users": [
    { "id": "uuid", "name": "Alice", "cursor": {...}, "color": "#ff0000" }
  ]
}

// 评论/批注
{
  "type": "annotation",
  "message_id": "uuid",
  "user_id": "uuid",
  "content": "这个回答不准确",
  "range": { "start": 0, "end": 50 }
}

实现计划

阶段	任务	文件	预估时间
1	扩展 WebSocket 协议	openfang-api/src/ws.rs	2 天
2	Presence 管理器	openfang-kernel/src/presence.rs	2 天
3	注释存储	openfang-memory/src/annotations.rs	2 天
4	前端 Presence UI	static/js/components/presence.js	3 天
5	前端注释 UI	static/js/components/annotations.js	2 天
6	测试	tests/collab_test.rs	2 天

总计: ~13 天

---

A.3 Agent 市场 - 详细设计

目标

创建去中心化的 Agent 分发平台。

Agent Card 扩展

{
  "schema_version": "2.0",
  "id": "com.example.researcher",
  "name": "Research Agent",
  "description": "高级研究助手",
  "version": "1.2.0",
  "author": { "name": "OpenFang Team", "verified": true },
  "category": "research",
  "tags": ["web-search", "analysis", "citations"],
  "rating": { "average": 4.8, "count": 1250 },
  "downloads": 15000,
  "price": "free",
  "license": "MIT",
  "manifest_url": "ipfs://QmXxx...",
  "signature": "ed25519:..."
}

实现计划

阶段	任务	预估时间
1	Agent Card v2 schema	1 天
2	IPFS 集成	3 天
3	签名验证	2 天
4	评分系统	2 天
5	搜索索引	2 天
6	UI 市场页面	3 天
7	一键安装	2 天

总计: ~15 天

---

附录 B: 深入架构分析

B.1 Kernel 模块深度分析

核心结构

// openfang-kernel/src/kernel.rs
pub struct OpenFangKernel {
    // 配置
    pub config: KernelConfig,

    // Agent 管理
    pub registry: AgentRegistry,        // Agent 注册表
    pub scheduler: AgentScheduler,       // 资源调度
    pub supervisor: Supervisor,          // 进程监控

    // 存储
    pub memory: Arc<MemorySubstrate>,    // 统一存储

    // 事件
    pub event_bus: EventBus,             // 发布订阅

    // 执行
    pub workflows: WorkflowEngine,       // 工作流
    pub triggers: TriggerEngine,         // 触发器
    pub background: BackgroundExecutor,  // 后台任务

    // 安全
    pub audit_log: Arc<AuditLog>,        // 审计日志
    pub auth: AuthManager,               // RBAC
    pub capabilities: CapabilityManager, // 权限

    // 计量
    pub metering: Arc<MeteringEngine>,   // 成本追踪

    // LLM
    pub default_driver: Arc<dyn LlmDriver>,
    pub model_catalog: RwLock<ModelCatalog>,

    // 扩展
    pub skill_registry: RwLock<SkillRegistry>,
    pub hand_registry: HandRegistry,
    pub extension_registry: RwLock<IntegrationRegistry>,
    pub mcp_connections: Mutex<Vec<McpConnection>>,

    // 网络
    pub peer_registry: Option<PeerRegistry>,
    pub peer_node: Option<Arc<PeerNode>>,
    pub channel_adapters: DashMap<String, Arc<dyn ChannelAdapter>>,

    // ... 更多字段
}

关键流程

1. Agent 创建流程

spawn_agent_with_parent()
  │
  ├─→ 生成 AgentId (UUID v4)
  ├─→ 创建 Session (MemorySubstrate)
  ├─→ 创建工作区目录结构
  │     ├── data/
  │     ├── output/
  │     ├── sessions/
  │     ├── skills/
  │     ├── logs/
  │     └── memory/
  ├─→ 生成身份文件
  │     ├── SOUL.md
  │     ├── USER.md
  │     ├── TOOLS.md
  │     ├── MEMORY.md
  │     ├── AGENTS.md
  │     ├── BOOTSTRAP.md
  │     └── IDENTITY.md
  ├─→ 注册能力 (CapabilityManager)
  ├─→ 注册调度 (AgentScheduler)
  ├─→ 创建 AgentEntry
  ├─→ 持久化到 SQLite
  ├─→ 记录审计日志
  └─→ 发布 AgentSpawned 事件

2. 消息处理流程

send_message_streaming()
  │
  ├─→ 检查配额 (Scheduler)
  ├─→ 获取 Agent Entry (Registry)
  ├─→ 构建系统提示词 (PromptBuilder)
  │     ├── 基础提示词
  │     ├── 召回记忆 (MemorySubstrate)
  │     ├── 身份文件
  │     └── 技能上下文
  ├─→ 准备工具定义 (CapabilityManager)
  ├─→ 调用 run_agent_loop_streaming()
  │     │
  │     ├─→ 上下文管理
  │     │     ├── Token 估算
  │     │     ├── 溢出恢复
  │     │     └── 紧急压缩
  │     │
  │     ├─→ LLM 调用 (带重试/熔断)
  │     │     ├── call_with_retry()
  │     │     └── stream_with_retry()
  │     │
  │     └─→ 响应处理
  │           ├── EndTurn → 返回结果
  │           ├── ToolUse → 执行工具 → 循环
  │           └── MaxTokens → 继续生成
  │
  ├─→ 保存会话 (MemorySubstrate)
  ├─→ 更新计量 (MeteringEngine)
  └─→ 返回响应

B.2 Runtime 模块深度分析

Agent Loop 核心逻辑

// openfang-runtime/src/agent_loop.rs

pub async fn run_agent_loop_streaming(
    kernel: &dyn KernelHandle,
    agent_id: AgentId,
    session_id: SessionId,
    user_message: String,
    tx: Sender<StreamEvent>,
) -> Result<AgentLoopResult, AgentLoopError> {

    let mut iterations = 0;
    let mut messages = load_history(&session_id)?;

    // 添加用户消息
    messages.push(Message {
        role: Role::User,
        content: MessageContent::Text(user_message),
    });

    loop {
        iterations += 1;

        // 安全检查
        if iterations > MAX_ITERATIONS {
            return Err(AgentLoopError::MaxIterationsExceeded);
        }

        // 上下文管理
        if needs_compaction(&messages)? {
            messages = compact_messages(&messages)?;
        }

        // 构建 LLM 请求
        let request = CompletionRequest {
            model: model_id.clone(),
            messages: messages.clone(),
            tools: available_tools.clone(),
            max_tokens,
            temperature,
            system_prompt: build_system_prompt()?,
        };

        // 调用 LLM (流式)
        let response = driver.stream(request, tx.clone()).await?;

        // 处理响应
        match response.stop_reason {
            StopReason::EndTurn => {
                // 保存会话
                save_session(&session_id, &messages)?;
                return Ok(AgentLoopResult {
                    response: response.content,
                    iterations,
                });
            }

            StopReason::ToolUse => {
                // 执行工具
                for tool_call in response.tool_calls {
                    let result = execute_tool(&tool_call, kernel).await?;
                    messages.push(Message {
                        role: Role::User,
                        content: MessageContent::Blocks(vec![
                            ContentBlock::ToolResult(result)
                        ]),
                    });
                }
                // 继续循环
            }

            StopReason::MaxTokens => {
                // 继续生成
                continue;
            }
        }
    }
}

B.3 Memory 模块深度分析

三层存储架构

┌─────────────────────────────────────────────────────────────┐
│                    MemorySubstrate                          │
│                    (统一接口层)                              │
└───────────────────────────┬─────────────────────────────────┘
                            │
        ┌───────────────────┼───────────────────┐
        │                   │                   │
        ▼                   ▼                   ▼
┌───────────────┐   ┌───────────────┐   ┌───────────────┐
│   Structured  │   │   Semantic    │   │   Knowledge   │
│   (SQLite)    │   │   (Vector)    │   │   (Graph)     │
└───────────────┘   └───────────────┘   └───────────────┘
        │                   │                   │
        ▼                   ▼                   ▼
  KV Store            Embedding            Entity-Relation
  Sessions            Similarity           Graph Queries
  Agent State         Search               Traversal

知识图谱实现

// openfang-memory/src/knowledge.rs

pub struct KnowledgeGraph {
    conn: rusqlite::Connection,
}

impl KnowledgeGraph {
    // 添加实体
    pub fn add_entity(&self, entity: &Entity) -> Result<String, Error> {
        let id = uuid();
        self.conn.execute(
            "INSERT INTO entities (id, entity_type, name, properties) VALUES (?1, ?2, ?3, ?4)",
            params![id, entity.entity_type, entity.name, json!(entity.properties)]
        )?;
        Ok(id)
    }

    // 添加关系
    pub fn add_relation(&self, relation: &Relation) -> Result<(), Error> {
        self.conn.execute(
            "INSERT INTO relations (source_id, target_id, relation_type, properties)
             VALUES (?1, ?2, ?3, ?4)",
            params![relation.source_id, relation.target_id,
                    relation.relation_type, json!(relation.properties)]
        )
    }

    // 图查询
    pub fn query(&self, pattern: &GraphPattern) -> Result<Vec<GraphMatch>, Error> {
        // 支持: 实体类型过滤、关系类型过滤、属性匹配
        // TODO: max_depth 递归遍历
    }
}

B.4 架构改进建议

问题	当前状态	建议改进	优先级
Agent Registry 持久化	部分持久化	完全持久化 + WAL	高
知识图谱递归遍历	未实现	实现 max_depth 遍历	中
Peer 服务发现	手动配置	mDNS/DNS-SD 自动发现	中
WASM 运行时	wasi only	升级到 wasip2	低
热重载粒度	文件级别	字段级别 diff	低

---

附录 C: 商业策略规划

C.1 产品分层设计

OpenFang Core (开源免费)

功能:
- 完整 Agent 运行时
- 41 个内置工具
- 27 个 LLM 提供商
- 基础工作流引擎
- SQLite 存储
- 命令行工具
- Web UI
- 40 个消息渠道

限制:
- 单租户
- 无 SSO
- 社区支持

OpenFang Pro ($99/月)

额外功能:
- 高级工作流模板
- 企业渠道 (SAP/Salesforce)
- 优先级支持
- 月度功能抢先体验
- 技能市场高级内容

OpenFang Enterprise (定制报价)

额外功能:
- 多租户架构
- SSO (SAML/OIDC)
- 完整审计日志
- SLA 保证
- 专属客户经理
- 定制开发
- 培训服务

OpenFang Cloud (按使用计费)

定价模型:
- Agent 执行: $0.001/请求
- LLM 代理: 成本 + 10%
- 存储: $0.10/GB/月
- 带宽: $0.05/GB

免费层:
- 10,000 请求/月
- 1 GB 存储
- 5 GB 带宽

C.2 市场进入策略

第一阶段: 开发者采用 (0-6 个月)

目标: 1,000+ GitHub Stars, 100+ 活跃用户

策略:
1. Hacker News / Reddit 发布
2. AI/ML 会议演讲
3. 技术博客系列
4. 开发者文档完善
5. 社区 Discord/论坛

KPI:
- GitHub Stars: 1,000+
- 周活跃用户: 100+
- PR 贡献者: 20+

第二阶段: 中小企业 (6-12 个月)

目标: 10+ 付费客户, $10K MRR

策略:
1. 产品引导式试用
2. 案例研究发布
3. 合作伙伴计划
4. 内容营销 (SEO)
5. 网络研讨会

KPI:
- 付费客户: 10+
- MRR: $10K
- 转化率: 5%

第三阶段: 企业市场 (12-24 个月)

目标: 5+ 企业客户, $100K MRR

策略:
1. 企业销售团队
2. 合规认证 (SOC2)
3. Gartner/CB Insights 报道
4. 行业会议赞助
5. 咨询合作伙伴

KPI:
- 企业客户: 5+
- MRR: $100K
- 客户留存: 90%+

C.3 竞争差异化

维度	OpenAI Assistants	LangChain	AutoGPT	OpenFang
开源	❌	✅	✅	✅
自托管	❌	✅	✅	✅
性能	云端	Python	Python	Rust
工具生态	有限	丰富	中等	41+40 渠道
工作流	基础	链式	自主	DAG+可视化
安全	云端信任	用户负责	用户负责	16 层
成本	高	LLM 费用	LLM 费用	透明

C.4 收入预测

年份          2026      2027      2028
─────────────────────────────────────
Pro 订阅      $50K      $200K     $500K
Enterprise    $100K     $500K     $2M
Cloud         $20K      $300K     $1M
服务收入      $30K      $200K     $500K
─────────────────────────────────────
总计          $200K     $1.2M     $4M

---

附录 D: 技术债务修复计划

D.1 高优先级债务

D.1.1 Agent Registry 完全持久化

问题: Agent 元数据重启后部分丢失
影响: 用户体验差，生产环境不可靠

修复方案:
1. 所有 AgentEntry 写入 SQLite
2. 启动时从 SQLite 恢复
3. 使用 WAL 模式提高可靠性
4. 添加定期快照备份

文件:
- crates/openfang-kernel/src/registry.rs
- crates/openfang-memory/src/structured.rs

预估: 3 天

D.1.2 E2E 测试框架

问题: 缺少端到端自动化测试
影响: 回归风险高，发布信心不足

修复方案:
1. 使用 Playwright/Cypress
2. 覆盖核心用户流程:
   - Agent 创建/对话/删除
   - 工作流创建/执行
   - 渠道配置/测试
3. CI/CD 集成
4. 每日运行

文件:
- tests/e2e/

预估: 5 天

D.2 中优先级债务

D.2.1 知识图谱递归遍历

问题: max_depth 参数未实现
影响: 复杂关系查询不支持

修复方案:
1. 实现递归 CTE 查询
2. 添加深度限制保护
3. 性能优化 (索引)

文件:
- crates/openfang-memory/src/knowledge.rs

预估: 2 天

D.2.2 Peer 服务发现

问题: 需手动配置节点地址
影响: P2P 网络扩展困难

修复方案:
1. mDNS/DNS-SD 本地发现
2. Bootstrap 节点列表
3. DHT 分布式发现 (可选)

文件:
- crates/openfang-wire/src/discovery.rs (新建)

预估: 4 天

D.2.3 文档自动化

问题: API 文档手动维护
影响: 文档与代码不同步

修复方案:
1. utoipa 自动生成 OpenAPI
2. cargo-doc 自动化
3. CI 自动部署

预估: 2 天

D.3 低优先级债务

D.3.1 WASM wasip2 支持

问题: 仅支持 wasi preview 1
影响: 部分现代 WASM 模块不支持

修复方案:
1. 升级 Wasmtime
2. 测试兼容性
3. 更新文档

预估: 3 天

D.3.2 配置热重载优化

问题: 文件级别重载，粒度粗
影响: 不必要的重启

修复方案:
1. 字段级别 diff
2. 精确热更新
3. 变更通知

预估: 2 天

D.4 技术债务修复时间线

周次    任务
────────────────────────────────
W1      Agent Registry 持久化
W2      E2E 测试框架搭建
W3      E2E 核心流程覆盖
W4      知识图谱递归遍历
W5      Peer 服务发现
W6      文档自动化
W7-8    WASM 升级 + 热重载优化

---

附录 E: 行动计划总结

优先级矩阵

                    高业务价值
                        │
         ┌──────────────┼──────────────┐
         │              │              │
    Agent 市场      实时协作      企业功能
    创新功能        用户粘性      商业化
         │              │              │
低复杂度 ─┼──────────────┼──────────────┼─ 高复杂度
         │              │              │
    技术债务        AOL DSL      云原生
    稳定性          生产力        扩展性
         │              │              │
         └──────────────┼──────────────┘
                        │
                    低业务价值

推荐执行顺序

1. 立即开始 (Week 1-4)

   • Agent Registry 持久化
   • E2E 测试框架
   • 实时协作层

2. 短期目标 (Month 2-3)

   • Agent 编排语言 (AOL)
   • Agent 市场
   • 企业功能 (SSO/多租户)

3. 中期目标 (Month 4-6)

   • 云原生架构
   • 联邦 Agent 网络
   • 多模态记忆

4. 长期愿景 (Month 7-12)

   • Agent OS 内核
   • 神经符号 Agent
   • 群体智能

---

附录 F: 实施记录

F.1 添加智谱 GLM-5 和百炼 Coding Plan 支持 (2026-03-01)

变更摘要

本次更新为 OpenFang 添加了对以下新模型和提供商的支持：

1. 智谱 GLM-5 - 智谱 AI 最新旗舰模型

   • GLM-5: 744B 总参数，40B 激活参数，200K 上下文
   • GLM-5 Flash: 轻量级版本

2. 阿里云百炼 Coding Plan - 编程订阅服务

   • qwen3.5-plus
   • qwen3-coder-next
   • glm-5-bailian
   • minimax-m2.5-bailian
   • kimi-k2.5-bailian

修改的文件

文件	更改
crates/openfang-types/src/model_catalog.rs	添加 BAILIAN_BASE_URL 常量
crates/openfang-runtime/src/model_catalog.rs	添加 GLM-5 模型、百炼提供商和 Coding Plan 模型
crates/openfang-runtime/src/drivers/mod.rs	添加百炼提供商支持和测试

配置示例

# 使用智谱 GLM-5
[default_model]
provider = "zhipu"
model = "glm-5"
api_key_env = "ZHIPU_API_KEY"

# 使用百炼 Coding Plan
[default_model]
provider = "bailian"
model = "qwen3-coder-next"
api_key_env = "BAILIAN_API_KEY"

新增模型列表

智谱 GLM 系列 (新增 2 个):

• glm-5 - 旗舰模型，200K 上下文
• glm-5-flash - 快速版本

百炼 Coding Plan (新增 5 个):

• qwen3.5-plus - Qwen 3.5 Plus
• qwen3-coder-next - Qwen 3 Coder Next
• glm-5-bailian - GLM-5 (通过百炼)
• minimax-m2.5-bailian - MiniMax M2.5 (通过百炼)
• kimi-k2.5-bailian - Kimi K2.5 (通过百炼)

验证步骤

# 1. 构建项目
cargo build --workspace --lib

# 2. 运行测试
cargo test --workspace

# 3. 启动守护进程
ZHIPU_API_KEY=your_key target/release/openfang.exe start

# 4. 测试 GLM-5
curl -s -X POST "http://127.0.0.1:4200/api/agents" \
  -H "Content-Type: application/json" \
  -d '{"name": "glm5-test", "model": {"provider": "zhipu", "model": "glm-5"}}'

# 5. 测试百炼 Coding Plan
BAILIAN_API_KEY=your_key target/release/openfang.exe start

curl -s -X POST "http://127.0.0.1:4200/api/agents" \
  -H "Content-Type: application/json" \
  -d '{"name": "bailian-test", "model": {"provider": "bailian", "model": "qwen3-coder-next"}}'

---

附录 G: Agent Registry 持久化修复 (2026-03-01)

问题分析

原有实现中，以下 Agent 修改操作只更新内存中的 DashMap，不持久化到 SQLite：

• set_mode - Agent 模式切换
• set_state - Agent 状态更新
• update_identity - Agent 身份信息更新
• update_name - Agent 名称更新
• update_description - Agent 描述更新

这导致重启后这些修改会丢失。

解决方案

1. 在 kernel.rs 添加包装方法：每个方法先更新 registry（内存），然后调用 memory.save_agent() 持久化

2. 更新 routes.rs 调用：将直接调用 registry.xxx() 改为调用 kernel.xxx() 方法

修改的文件

文件	更改
crates/openfang-kernel/src/kernel.rs	添加 5 个新方法: set_agent_state, set_agent_mode, update_agent_identity, update_agent_name, update_agent_description
crates/openfang-api/src/routes.rs	更新调用: registry.set_mode → kernel.set_agent_mode, registry.update_identity → kernel.update_agent_identity, 等
crates/openfang-kernel/src/registry.rs	添加 8 个新测试用例

新增的 Kernel 方法

/// Set an agent's state with persistence.
pub fn set_agent_state(&self, agent_id: AgentId, state: AgentState) -> KernelResult<()>

/// Set an agent's mode with persistence.
pub fn set_agent_mode(&self, agent_id: AgentId, mode: AgentMode) -> KernelResult<()>

/// Update an agent's identity with persistence.
pub fn update_agent_identity(&self, agent_id: AgentId, identity: AgentIdentity) -> KernelResult<()>

/// Update an agent's name with persistence.
pub fn update_agent_name(&self, agent_id: AgentId, name: String) -> KernelResult<()>

/// Update an agent's description with persistence.
pub fn update_agent_description(&self, agent_id: AgentId, description: String) -> KernelResult<()>

验证

# 运行 registry 测试
cargo test -p openfang-kernel registry

# 预期输出
# test_register_and_get ... ok
# test_find_by_name ... ok
# test_duplicate_name ... ok
# test_remove ... ok
# test_set_state ... ok
# test_set_mode ... ok
# test_update_identity ... ok
# test_update_name ... ok
# test_update_description ... ok
# test_update_model ... ok
# test_update_skills ... ok
# test_update_mcp_servers ... ok

已验证的持久化操作

操作	内存	SQLite	状态
spawn_agent	✅	✅	正常
kill_agent	✅	✅	正常
set_agent_state	✅	✅	已修复
set_agent_mode	✅	✅	已修复
update_agent_identity	✅	✅	已修复
update_agent_name	✅	✅	已修复
update_agent_description	✅	✅	已修复
update_agent_model	✅	✅	正常
update_agent_system_prompt	✅	✅	正常
set_agent_skills	✅	✅	正常
set_agent_mcp_servers	✅	✅	正常

---

附录 H: 知识图谱递归遍历设计 (2026-03-01)

问题分析

当前 query_graph 方法的 max_depth 参数完全未实现，只支持单跳查询 (depth=1)。

解决方案: 递归 CTE 查询

WITH RECURSIVE graph_path AS (
    -- 基础情况: depth = 1
    SELECT r.id, r.source_entity, r.relation_type, r.target_entity,
           r.properties, r.confidence, 1 as depth
    FROM relations r
    WHERE 1=1
    {source_filter}
    {relation_filter}

    UNION ALL

    -- 递归情况
    SELECT r.id, r.source_entity, r.relation_type, r.target_entity,
           r.properties, r.confidence, gp.depth + 1
    FROM relations r
    INNER JOIN graph_path gp ON r.source_entity = gp.target_entity
    WHERE gp.depth < ?1
)
SELECT ... FROM graph_path ...

安全限制

• 最大深度: 10 (防止滥用)
• 环路检测: 使用 HashSet 或 CTE 路径追踪
• 结果限制: LIMIT 1000

修改文件

• crates/openfang-memory/src/knowledge.rs - 实现递归 CTE

---

附录 I: 实时协作层架构设计 (2026-03-01)

核心组件

1. PresenceManager - 管理用户在线状态
2. CollabSession - 协作会话状态
3. AnnotationStore - 评论/批注存储

WebSocket 协议扩展

// 客户端 -> 服务器
{"type": "collab_join", "session_id": "uuid"}
{"type": "cursor", "line": 10, "column": 5}
{"type": "handover_request", "target_user_id": "..."}

// 服务器 -> 客户端
{"type": "presence_update", "users": [...]}
{"type": "cursor_update", "connection_id": "...", "cursor": {...}}
{"type": "user_joined", "connection_id": "...", "display_name": "..."}

数据库扩展 (Migration v8)

CREATE TABLE annotations (
    id TEXT PRIMARY KEY,
    session_id TEXT NOT NULL,
    annotation_type TEXT NOT NULL DEFAULT 'comment',
    content TEXT NOT NULL,
    message_index INTEGER NOT NULL,
    char_start INTEGER, char_end INTEGER,
    parent_id TEXT,
    status TEXT DEFAULT 'open',
    created_at TEXT NOT NULL
);

实现阶段

1. Phase 1: Presence 基础设施
2. Phase 2: 会话共享
3. Phase 3: 注释存储
4. Phase 4: 前端集成
5. Phase 5: 测试与优化

---

附录 J: Agent 编排语言 (AOL) 设计 (2026-03-01)

DSL 语法 (TOML)

[workflow]
name = "research-pipeline"
version = "1.0.0"

[workflow.input]
topic = { type = "string", required = true }

[[workflow.steps.parallel]]
id = "search_papers"
agent = "researcher"
task = "Search for papers about {{input.topic}}"
output = "papers"

[workflow.steps.collect]
strategy = "merge"
inputs = ["papers", "market_data"]
output = "combined"

[[workflow.steps.conditional]]
id = "expert_review"
condition = "{{input.depth}} == 'exhaustive'"
agent = "reviewer"
task = "Review: {{draft_report}}"

AST 核心类型

pub struct AolWorkflow {
    pub id: WorkflowDefId,
    pub name: String,
    pub input: HashMap<String, InputParam>,
    pub steps: Vec<AolStep>,
    pub outputs: HashMap<String, String>,
}

pub enum AolStep {
    Parallel(ParallelStepGroup),
    Sequential(SequentialStep),
    Conditional(ConditionalStep),
    Loop(LoopStep),
    Collect(CollectStep),
    Subworkflow(SubworkflowStep),
}

执行引擎

• DAG 构建与拓扑排序
• 并行执行支持
• 模板变量展开
• 错误处理与重试

新增文件

• crates/openfang-types/src/aol.rs - AST 类型定义
• crates/openfang-kernel/src/aol_executor.rs - 执行引擎
• crates/openfang-kernel/src/aol/template.rs - 模板引擎

---

附录 K: CLAUDE.md 开发规则更新 (2026-03-01)

新增规则类别

1. 架构规则 - 14-crate 结构、依赖关系、职责边界
2. 持久化规则 - 内存+SQLite 双写模式
3. API 开发规则 - 路由注册、类型匹配、错误处理
4. 安全规则 - 16 层安全架构清单
5. 测试规则 - 单元测试、集成测试、E2E 测试
6. 前端规则 - Alpine.js SPA 开发模式
7. LLM 提供商规则 - 添加新提供商的步骤

关键规则摘要

规则	描述
双写模式	所有修改操作必须同时更新内存和 SQLite
Kernel 包装	API 层调用 kernel 方法，不直接调用 registry
路由注册	新路由必须在 server.rs 和 routes.rs 两处注册
配置字段	需要 struct 字段 + #[serde(default)] + Default impl
类型位置	共享类型放 openfang-types，特有类型放对应 crate

---

附录 L: 实现完成记录 (2026-03-01)

知识图谱递归遍历实现 ✅

文件: crates/openfang-memory/src/knowledge.rs

实现内容:

• 迭代 BFS 遍历算法
• 最大深度限制: 10 (防止滥用)
• 环路检测: HashSet 追踪已访问关系
• 结果限制: 1000 条

新增方法:

• query_recursive() - 递归遍历主逻辑
• resolve_entity_ids() - 解析实体 ID
• get_all_entity_ids() - 获取所有实体
• query_from_sources() - 从源实体集查询

测试用例:

• test_recursive_traversal_depth_2 - 两层遍历
• test_recursive_traversal_with_cycle - 环路处理
• test_recursive_traversal_with_relation_filter - 关系过滤
• test_max_depth_safety_limit - 安全限制

---

AOL AST 类型定义 ✅

文件: crates/openfang-types/src/aol.rs (新建, 1074 行)

定义的类型:

• WorkflowDefId - 工作流定义 ID
• ParamType - 参数类型枚举
• InputParam - 输入参数规格
• ErrorMode - 错误处理模式
• AgentRef - Agent 引用
• CollectStrategy - 收集策略
• WorkflowConfig - 工作流配置
• AolStep - 步骤类型枚举
• AolWorkflow - 完整工作流定义

特性:

• 所有类型 Serialize + Deserialize
• Builder 模式支持
• 40+ 单元测试

---

E2E 测试框架 ✅

新建文件:

• tests/e2e_test.rs - 主测试入口
• tests/e2e_common.rs - 测试工具函数
• tests/e2e_api_test.rs - API 端点测试
• tests/e2e_fixtures.rs - 测试 fixtures
• tests/fixtures/manifests.rs - Agent manifest fixtures

测试工具:

• spawn_daemon() / spawn_daemon_with_config()
• wait_for_health() / wait_for_health_with_timeout()
• create_test_agent() / kill_agent()
• send_message() / list_agents()
• get() / post() / put() / delete()

测试覆盖:

• Health & Status (4 tests)
• Agent CRUD (7 tests)
• Error Handling (3 tests)
• Auth (4 tests)
• Integration (12 tests)
• LLM Integration (2 tests, ignored)

---

实时协作层 Migration v8 ✅

文件: crates/openfang-memory/src/migration.rs

新增表:

-- 注释/批注表
annotations (
    id, session_id, agent_id, connection_id, author_name,
    annotation_type, content, message_index, char_start, char_end,
    parent_id, status, priority, created_at, updated_at
)

-- 注释反应表
annotation_reactions (
    id, annotation_id, connection_id, reaction_type, reaction_value
)

-- 协作会话表
collab_sessions (
    id, session_id, owner_connection_id, share_mode, max_participants
)

-- 在线状态日志表
presence_log (
    id, collab_session_id, connection_id, display_name, status,
    joined_at, left_at, last_activity
)

SCHEMA_VERSION: 7 → 8

---

实现统计

功能	文件	代码行数	测试数
知识图谱递归遍历	knowledge.rs	+200	+4
AOL AST 类型	aol.rs	1074	40+
E2E 测试框架	tests/e2e_*.rs	~800	30+
Migration v8	migration.rs	+80	+2
总计		~2154	~76

---

附录 M: AOL 解析器与执行引擎实现 (2026-03-01)

AOL 解析器 (TOML → AST) ✅

新建文件:

• crates/openfang-kernel/src/aol/mod.rs - 模块入口
• crates/openfang-kernel/src/aol/parser.rs - TOML 解析器 (~600 行)
• crates/openfang-kernel/src/aol/template.rs - 模板变量展开 (~200 行)
• crates/openfang-kernel/src/aol/validator.rs - 工作流验证 (~400 行)

核心功能:

• 完整的 TOML 工作流解析
• 支持所有步骤类型: parallel, sequential, conditional, loop, collect, subworkflow, fallback
• 模板变量展开: {{input.xxx}}, {{output.xxx}}, {{loop.xxx}}
• 工作流验证: 重复 ID 检测、空步骤检测、循环深度限制

API 设计:

// 解析 TOML 工作流
pub fn parse_aol_workflow_from_str(toml: &str) -> Result<AolWorkflow, AolParseError>

// 模板展开
pub fn expand_template(template: &str, ctx: &TemplateContext) -> Result<String, TemplateError>

// 验证工作流
pub fn validate_workflow(workflow: &AolWorkflow) -> Result<(), ValidationError>

测试用例 (parser.rs):

• test_parse_simple_workflow - 基础工作流解析
• test_parse_parallel_workflow - 并行步骤组
• test_parse_conditional_workflow - 条件分支
• test_parse_loop_workflow - 循环步骤
• test_parse_workflow_config - 配置解析
• test_parse_agent_ref_variants - Agent 引用变体
• test_duplicate_step_id_error - 重复 ID 错误
• test_parse_collect_step - 收集步骤
• test_parse_subworkflow_step - 子工作流
• test_parse_fallback_step - 回退步骤
• test_parse_complex_workflow - 复杂工作流

---

AOL 执行引擎 ✅

新建文件:

• crates/openfang-kernel/src/aol/executor.rs (~550 行)

核心类型:

• ExecutionId - 执行实例 ID
• ExecutionStatus - 执行状态 (Pending, Running, Completed, Failed, Cancelled)
• ExecutionResult - 执行结果
• StepExecutionResult - 单步执行结果
• AolExecutor - 执行器
• AgentExecutor trait - Agent 任务执行接口

执行特性:

• 并行步骤组执行 (支持并发限制)
• 条件分支评估
• 循环迭代执行
• 收集策略 (Merge, First, Last, Aggregate)
• 回退链支持
• 重试机制
• 超时控制

API 设计:

// 创建执行器
let executor = AolExecutor::with_mock();

// 执行工作流
let result = executor.execute(&compiled_workflow, inputs).await?;

// 获取执行结果
let execution = executor.get_execution(execution_id).await;

---

AOL API 端点 ✅

新建文件:

• crates/openfang-api/src/aol_routes.rs (~400 行)

端点列表:

端点	方法	描述
/api/aol/compile	POST	编译 (解析+验证) 工作流
/api/aol/validate	POST	仅验证工作流
/api/aol/execute	POST	执行已编译的工作流
/api/aol/workflows	GET	列出所有已编译工作流
/api/aol/workflows/{id}	GET/DELETE	获取/删除工作流
/api/aol/executions	GET	列出所有执行
/api/aol/executions/{id}	GET	获取执行详情

使用示例:

# 编译工作流
curl -X POST http://localhost:4200/api/aol/compile \
  -H "Content-Type: application/json" \
  -d '{"toml": "[workflow]\nname = \"test\"\n..."}'

# 执行工作流
curl -X POST http://localhost:4200/api/aol/execute \
  -H "Content-Type: application/json" \
  -d '{"workflow_id": "uuid", "inputs": {"topic": "AI"}}'

---

更新的文件

文件	更改
crates/openfang-kernel/src/lib.rs	添加 pub mod aol;
crates/openfang-api/src/lib.rs	添加 pub mod aol_routes;
crates/openfang-api/src/server.rs	添加 AOL 路由注册

---

实现统计 (更新)

功能	文件	代码行数	测试数
知识图谱递归遍历	knowledge.rs	+200	+4
AOL AST 类型	aol.rs (types)	1074	40+
E2E 测试框架	tests/e2e_*.rs	~800	30+
Migration v8	migration.rs	+80	+2
AOL 解析器	aol/parser.rs	~600	15+
AOL 模板引擎	aol/template.rs	~200	15+
AOL 验证器	aol/validator.rs	~400	15+
AOL 执行引擎	aol/executor.rs	~550	10+
AOL API 路由	aol_routes.rs	~400	2+
PresenceManager	presence.rs	~1380	28
总计		~5684	~161

---

附录 N: PresenceManager 实现 ✅ (2026-03-01)

新建文件:

• crates/openfang-kernel/src/presence.rs (~1380 行)

核心类型:

• ConnectionId - WebSocket 连接 ID (Uuid)
• CollabSessionId - 协作会话 ID (Uuid)
• PresenceStatus - 用户状态枚举 (Active, Idle, Away)
• PresenceCursor - 光标位置 (message_index, char_start, char_end)
• PresenceUser - 用户信息 (connection_id, display_name, status, cursor, last_activity, color)
• CollabSession - 协作会话
• PresenceConfig - 配置 (超时设置)
• PresenceStats - 统计信息

核心功能:

• 会话管理: create_session, get_session, remove_session, list_sessions
• 用户加入/离开: join_session, leave_session
• 状态更新: update_cursor, clear_cursor, update_status, heartbeat
• 查询: get_session_users, get_user, get_session_user_count
• 自动清理: update_idle_statuses, cleanup_inactive_users

测试用例: 28 个测试覆盖所有功能

设计特点:

• 使用 DashMap 支持高并发
• 自动生成用户颜色 (HSL-based)
• 可配置超时设置
• 完整的错误处理

---

附录 O: AnnotationStore 实现 ✅ (2026-03-01)

新建文件:

• crates/openfang-memory/src/annotations.rs (~800 行)

核心类型:

• AnnotationId - 注释唯一 ID (Uuid)
• AnnotationType - 类型枚举 (Comment, Question, Suggestion, Issue, Highlight)
• AnnotationStatus - 状态枚举 (Open, Resolved, Dismissed)
• AnnotationPriority - 优先级枚举 (Low, Normal, High, Urgent)
• Annotation - 注释实体
• AnnotationReaction - 注释反应
• AnnotationStats - 统计信息
• AnnotationError - 错误类型
• AnnotationStore - 存储管理器

核心功能:

• 创建注释: create_annotation
• 获取注释: get_annotation, list_annotations, list_annotations_for_message
• 线程管理: get_thread, list_root_annotations
• 更新操作: update_annotation_content, update_annotation_status
• 状态变更: resolve_annotation, dismiss_annotation, reopen_annotation
• 删除操作: delete_annotation, delete_session_annotations
• 反应管理: add_reaction, remove_reaction, get_reactions, get_reaction_summary
• 统计: get_session_stats

测试用例: 20+ 测试覆盖所有功能

设计特点:

• SQLite 持久化存储
• 支持线程回复 (parent_id)
• 支持行号范围 (line_start, line_end)
• 完整的反应系统