zclaw_openfang/plans/fancy-orbiting-meteor.md

# ZCLAW 项目深度分析与创新头脑风暴

## 一、项目概览

### 1.1 核心指标

| 维度 | 数据 |
|------|------|
| Rust Crates | 9 个 (L1-L5 分层) |
| 前端 TypeScript | ~25,000 行 |
| 后端 Rust | ~12,000 行 |
| Zustand Store | 16+ |
| Tauri 命令 | 100+ |
| SKILL.md 技能 | 69 个 |
| Hands 自主能力 | 9/11 (82%) |
| Pipeline 模板 | 5 类 |
| LLM Provider | 8 个 |

### 1.2 架构成熟度

**整体: L4 (生产级)**

| 系统层 | 成熟度 | 说明 |
|--------|--------|------|
| 通信层 | L4 | Tauri IPC + WebSocket 双模式 |
| 状态管理 | L4 | 16+ Zustand Store |
| 智能层 | L4 | 6 个核心组件全部实现 |
| Skills | L4 | 69 技能 + 注册执行 |
| Hands | L4 | 9/11 实现 |
| Pipeline | L4 | DSL 解析 + 执行引擎 |

---

## 二、分层架构

```
┌─────────────────────────────────────────────────────────────────┐
│                      ZCLAW 桌面应用 (Tauri 2.x)                  │
├─────────────────────────────────────────────────────────────────┤
│  前端层 (React 18 + TypeScript + Zustand)                       │
│    ↓ KernelClient (Tauri invoke)                                │
├─────────────────────────────────────────────────────────────────┤
│  后端层 (Rust Workspace)                                        │
│    zclaw-kernel (L4: 核心协调)                                  │
│       ↓                                                         │
│    ┌───────────┬───────────┬───────────┐                       │
│    │zclaw-     │zclaw-     │zclaw-     │                       │
│    │runtime    │skills     │hands      │                       │
│    │(LLM驱动)  │(69技能)   │(9个Hand)  │                       │
│    └───────────┴───────────┴───────────┘                       │
│       ↑                                                         │
│    zclaw-memory (L2: SQLite存储)                                │
│       ↑                                                         │
│    zclaw-types (L1: 基础类型)                                   │
└─────────────────────────────────────────────────────────────────┘
```

---

## 三、核心系统能力

### 3.1 Pipeline DSL 系统

**5 类工作流模板:**

| 类别 | Pipeline | 功能 |
|------|----------|------|
| 教育 | 互动课堂生成器 | 输入课题→生成完整课件 |
| 营销 | 营销方案生成器 | 输入产品→生成营销策略 |
| 法律 | 合同智能审查 | 识别风险条款→修改建议 |
| 研究 | 文献综述生成器 | 主题→结构化综述报告 |
| 生产力 | 智能会议纪要 | 会议内容→结构化纪要 |

**Action 类型:** `llm_generate`, `skill`, `hand`, `parallel`, `condition`, `file_export`, `http_request`

### 3.2 Skills 系统

**69 个技能分类:**

| 分类 | 数量 | 代表技能 |
|------|------|---------|
| 开发工程 | 15+ | ai-engineer, backend-architect |
| 协调管理 | 8+ | agents-orchestrator, project-shepherd |
| 测试质量 | 6+ | code-reviewer, reality-checker |
| 设计体验 | 8+ | ux-architect, ui-designer |
| 社媒营销 | 12+ | twitter-engager, xiaohongshu-specialist |
| 中文平台 | 5+ | chinese-writing, feishu-docs |

### 3.3 Hands 自主能力

| Hand | 状态 | 核心能力 |
|------|------|---------|
| Browser | ✅ | 15+ 浏览器操作 (Navigate, Click, Scrape...) |
| Researcher | ✅ | 多源搜索、内容提取、自动综述 |
| Collector | ✅ | 数据聚合、JSONPath 提取 |
| Slideshow | ✅ | 课件控制、聚光灯、激光笔 |
| Whiteboard | ✅ | 图表绘制、LaTeX 渲染 |
| Quiz | ✅ | 自适应测验、成绩分析 |
| Speech | ✅ | SSML 语音合成 |
| Clip | ⚠️ | 视频处理 (需 FFmpeg) |
| Twitter | ⚠️ | 自动化 (需 API Key) |

### 3.4 智能层组件

| 组件 | 功能 | 实现 |
|------|------|------|
| Agent Memory | 跨会话记忆 | Rust + SQLite |
| Identity Evolution | 身份演化 | 提案审批机制 |
| Reflection Engine | 自我反思 | 模式分析建议 |
| Heartbeat Engine | 心跳巡检 | 自主行为触发 |
| Autonomy Manager | 自主授权 | 权限控制 |
| Context Compaction | 上下文压缩 | 长对话优化 |

---

## 四、高价值创新点子 (头脑风暴)

### P0 级 - 核心差异化

#### 1. 技能编排引擎 (Skill Orchestration Engine)

**概念:** 自动组合多个 Skill 形成执行图，处理复杂任务

**示例流程:**
```
用户: "帮我分析腾讯的财务状况并生成报告"
  │
  ├──► Skill 1: finance-tracker (提取财务数据)
  │         │
  │         └──► Skill 2: analytics-reporter (生成分析)
  │                   │
  │                   └──► Skill 3: executive-summary-generator (格式化报告)
```

**可行性:** 技术难度高 | 商业价值极高 | 用户需求极高

#### 2. 可视化工作流构建器 (Visual Workflow Builder)

**概念:** 拖拽式 Pipeline 编辑器，降低非技术用户门槛

**实现路径:**
1. 节点类型: Input, LLM, Skill, Hand, Condition, Parallel, Export
2. YAML 双向生成
3. 模板库 + 自定义

**可行性:** 技术难度中 | 商业价值极高 | 用户需求极高

---

### P1 级 - 差异化功能

#### 3. 自适应智能网格 (Adaptive Intelligence Mesh)

**概念:** Pipeline + Memory + Heartbeat 协同，基于用户模式主动推荐工作流

**核心机制:**
- Heartbeat 分析 Memory 模式
- 识别任务类型、偏好时间、常用流程
- 主动推荐/触发 Pipeline

#### 4. 上下文感知 Hand 触发 (Context-Aware Hand Triggers)

**概念:** Hand 触发条件扩展为语义匹配

```yaml
triggers:
  condition:
    memory_contains: ["财报", "财务"]
    conversation_intent: "financial_analysis"
```

#### 5. 记忆驱动的身份演化 (Memory-Powered Persona Evolution)

**概念:** 基于记忆模式主动调整 Persona

**示例:**
```
检测到模式:
- 70% 对话涉及 Python 代码
- 偏好要点式总结
- 活跃时段: 10:00-12:00

提案:
- 身份增加 "Python 专家"
- 启用 "简洁输出" 模式
- 在 10:30 安排主动提醒
```

#### 6. 技能市场 (Skill Marketplace)

**概念:** 开发者发布/出售技能，平台分成

**实现:**
- .zskill 打包格式
- 验证 + 安全扫描
- 评分、评论、订阅

---

### P2 级 - 增强功能

| 创新点 | 描述 | 价值 |
|--------|------|------|
| Pipeline-Skill 双向桥接 | Skill 可触发 Pipeline | 工作流联动 |
| 协作工作空间 | 多用户共享 Agent/Memory | B2B 收入 |
| 智能LLM路由 | 按任务自动选择最优模型 | 成本优化 |
| 预测性记忆助手 | 主动预加载相关记忆 | 体验提升 |

---

## 五、优先级矩阵

| 创新点 | 技术难度 | 商业价值 | 用户需求 | 优先级 |
|--------|----------|----------|----------|--------|
| 技能编排引擎 | 高 | 极高 | 极高 | **P0** |
| 可视化工作流构建器 | 中 | 极高 | 极高 | **P0** |
| 自适应智能网格 | 中 | 高 | 高 | P1 |
| 上下文感知触发 | 中 | 高 | 高 | P1 |
| 记忆驱动身份演化 | 中 | 极高 | 高 | P1 |
| 技能市场 | 中 | 极高 | 高 | P1 |
| Pipeline-Skill 桥接 | 高 | 高 | 中 | P2 |
| 协作工作空间 | 中 | 极高 | 中 | P2 |
| 智能LLM路由 | 高 | 高 | 中 | P2 |
| 预测性记忆 | 中 | 高 | 高 | P2 |

---

## 六、实施路线图

### Phase 1: 基础 (1-2 月)
1. **可视化工作流构建器** - 大众化入口
2. **技能编排引擎** - 核心差异化
3. **技能市场 MVP** - 生态基础

### Phase 2: 智能 (2-3 月)
4. **自适应智能网格** - 个性化
5. **上下文感知触发** - 真正自动化
6. **记忆驱动身份演化** - 身份进化

### Phase 3: 规模 (3-6 月)
7. **Pipeline-Skill 桥接** - 工作流集成
8. **协作工作空间** - 团队功能
9. **智能LLM路由** - 成本优化
10. **预测性记忆** - 体验增强

---

## 七、架构瓶颈与改进

| 瓶颈 | 现状 | 改进方向 |
|------|------|---------|
| Pipeline-Skill 集成 | 单向调用 | 双向感知 |
| Memory 索引 | 关键词匹配 | 语义嵌入 |
| Hand 触发系统 | 手动/定时 | 语义条件 |
| 状态同步 | 单用户 | CRDT 协作 |
| LLM 抽象 | Provider 特定 | 统一路由层 |

---

## 八、商业化差异化

1. **本地优先隐私** - 数据不离本地 (vs ChatGPT/Claude)
2. **69+ 专业技能** - 超越通用助手
3. **Pipeline DSL** - 独特工作流自动化
4. **Memory + Identity** - 持续进化的 AI 伙伴
5. **Hands 系统** - 超越对话的自主行动

---

## 九、关键文件索引

| 文件 | 用途 |
|------|------|
| [kernel.rs](crates/zclaw-kernel/src/kernel.rs) | 核心协调器 |
| [executor.rs](crates/zclaw-pipeline/src/executor.rs) | Pipeline 执行引擎 |
| [registry.rs](crates/zclaw-skills/src/registry.rs) | Skill 注册中心 |
| [heartbeat.rs](desktop/src-tauri/src/intelligence/heartbeat.rs) | 心跳引擎 |
| [hand.rs](crates/zclaw-hands/src/hand.rs) | Hand trait 定义 |

---

## 十、总结

ZCLAW 是一个架构清晰的 AI Agent 桌面应用，具备：

✅ **坚实的技术基础** - 9 个 Rust crates，分层设计
✅ **丰富的能力生态** - 69 技能 + 9 Hands + 5 Pipeline
✅ **完整的智能层** - 6 个核心组件
✅ **多模型支持** - 8 个 LLM Provider

**下一步建议:**
1. 优先实现 **可视化工作流构建器** 和 **技能编排引擎**
2. 启动 **技能市场** MVP 建立生态
3. 逐步完善智能层协同效应

---

# 第二部分：详细实施计划

> 本部分包含 6 个创新点的详细技术设计和实施步骤

---

## 创新点 1: 技能编排引擎 (Skill Orchestration Engine)

### 1.1 概述

自动组合多个 Skill 形成执行图 (DAG)，支持数据传递、错误处理、依赖解析。

### 1.2 核心数据结构

```rust
// crates/zclaw-skills/src/orchestration/types.rs

/// 技能编排图
pub struct SkillGraph {
    pub id: String,
    pub name: String,
    pub nodes: Vec<SkillNode>,       // DAG 节点
    pub edges: Vec<SkillEdge>,       // 数据流边
    pub input_schema: Option<Value>,
    pub output_mapping: HashMap<String, String>,
}

/// 编排节点
pub struct SkillNode {
    pub id: String,
    pub skill_id: SkillId,
    pub input_mappings: HashMap<String, DataExpression>,
    pub retry: Option<RetryConfig>,
    pub timeout_secs: Option<u64>,
    pub when: Option<String>,        // 条件表达式
}

/// 数据表达式
pub enum DataExpression {
    InputRef(String),                 // ${inputs.field}
    NodeOutputRef { node_id: String, field: String }, // ${nodes.xxx.output}
    Literal(Value),
    Expression(String),
}

/// 执行计划
pub struct OrchestrationPlan {
    pub graph: SkillGraph,
    pub execution_order: Vec<String>,      // 拓扑排序
    pub parallel_groups: Vec<Vec<String>>, // 并行组
}
```

### 1.3 关键 Trait

```rust
/// 编排计划器
pub trait OrchestrationPlanner: Send + Sync {
    fn validate(&self, graph: &SkillGraph, registry: &SkillRegistry) -> Result<Vec<ValidationError>>;
    fn plan(&self, graph: &SkillGraph) -> Result<OrchestrationPlan>;
    fn auto_compose(&self, skill_ids: &[SkillId], registry: &SkillRegistry) -> Result<SkillGraph>;
}

/// 图执行器
pub trait SkillGraphExecutor: Send + Sync {
    async fn execute(&self, graph: &SkillGraph, inputs: HashMap<String, Value>, context: &SkillContext) -> Result<OrchestrationResult>;
}
```

### 1.4 实施步骤

| 阶段 | 任务 | 文件 | 工时 |
|------|------|------|------|
| Phase 1 | 核心类型和验证 | `orchestration/types.rs`, `validation.rs` | 4h |
| Phase 2 | 计划器和执行器 | `planner.rs`, `executor.rs`, `context.rs` | 6h |
| Phase 3 | 自动组合算法 | `auto_compose.rs` | 4h |
| Phase 4 | Pipeline 集成 | `actions/skill_orchestration.rs` | 3h |

**需要修改的文件:**
- `crates/zclaw-skills/src/lib.rs` - 添加 `pub mod orchestration;`
- `crates/zclaw-pipeline/src/types.rs` - 添加 `Action::SkillOrchestration`
- `crates/zclaw-pipeline/src/executor.rs` - 处理新 Action 类型

**需要新增的文件:**
- `crates/zclaw-skills/src/orchestration/mod.rs`
- `crates/zclaw-skills/src/orchestration/types.rs`
- `crates/zclaw-skills/src/orchestration/validation.rs`
- `crates/zclaw-skills/src/orchestration/planner.rs`
- `crates/zclaw-skills/src/orchestration/executor.rs`
- `crates/zclaw-skills/src/orchestration/context.rs`
- `crates/zclaw-skills/src/orchestration/auto_compose.rs`

### 1.5 验证方案

**单元测试:**
- 图验证 (循环检测、缺失节点)
- 拓扑排序正确性
- 数据表达式解析
- 并行组识别

**手动验证:**
```bash
# 创建编排 YAML
cat > test_orchestration.yaml << EOF
apiVersion: zclaw/v1
kind: SkillOrchestration
spec:
  nodes:
    - id: research
      skill_id: web-researcher
      input_mappings:
        query: ${inputs.topic}
    - id: summarize
      skill_id: text-summarizer
      input_mappings:
        text: ${nodes.research.output.content}
  edges:
    - from_node: research
      to_node: summarize
EOF

# 在 UI 中执行编排
```

### 1.6 工作量估算

- **总工时:** 17 小时
- **风险:** 中等 - DAG 执行复杂性、并发状态管理
- **可复用:** Pipeline 的 ExecutionContext、SkillRegistry

---

## 创新点 2: 可视化工作流构建器 (Visual Workflow Builder)

### 2.1 概述

拖拽式 Pipeline 编辑器，支持 YAML 双向转换，节点类型包括 Input, LLM, Skill, Hand, Condition, Parallel, Export。

### 2.2 核心数据结构

```typescript
// desktop/src/lib/workflow-builder/types.ts

export type NodeType = 'input' | 'llm' | 'skill' | 'hand' | 'condition' | 'parallel' | 'export' | 'loop';

export interface WorkflowNode {
  id: string;
  type: NodeType;
  position: { x: number; y: number };
  data: NodeData;
}

export interface NodeData {
  label: string;
  config: Record<string, unknown>;
  llmConfig?: { template: string; model?: string; temperature?: number };
  skillConfig?: { skillId: string; inputMappings: Record<string, string> };
  handConfig?: { handId: string; action: string; params: Record<string, string> };
  conditionConfig?: { expression: string; branches: { condition: string; targetNodeId: string }[] };
  parallelConfig?: { maxWorkers: number };
  exportConfig?: { formats: ('pptx' | 'html' | 'pdf' | 'markdown')[] };
}

export interface WorkflowCanvas {
  nodes: WorkflowNode[];
  edges: WorkflowEdge[];
  viewport: { x: number; y: number; zoom: number };
  metadata: { name: string; description?: string; category?: string };
}
```

### 2.3 关键组件

| 组件 | 文件 | 功能 |
|------|------|------|
| WorkflowCanvas | `WorkflowCanvas.tsx` | React Flow 画布 |
| NodePalette | `NodePalette.tsx` | 可拖拽节点面板 |
| PropertyPanel | `PropertyPanel.tsx` | 节点属性编辑器 |
| YamlConverter | `yaml-converter.ts` | YAML 双向转换 |

### 2.4 实施步骤

| 阶段 | 任务 | 工时 |
|------|------|------|
| Phase 1 | 安装依赖 + 类型定义 | 2h |
| Phase 2 | 核心组件 (Canvas, Palette, Panel) | 8h |
| Phase 3 | YAML 转换器 | 4h |
| Phase 4 | 集成现有 WorkflowEditor | 3h |

**需要安装的依赖:**
```bash
pnpm add @xyflow/react dagre @dagrejs/dagre
```

**需要新增的文件:**
```
desktop/src/
├── components/WorkflowBuilder/
│   ├── WorkflowCanvas.tsx
│   ├── NodePalette.tsx
│   ├── PropertyPanel.tsx
│   └── nodes/
│       ├── InputNode.tsx
│       ├── LLMNode.tsx
│       ├── SkillNode.tsx
│       ├── HandNode.tsx
│       ├── ConditionNode.tsx
│       ├── ParallelNode.tsx
│       └── ExportNode.tsx
├── store/workflowBuilderStore.ts
└── lib/workflow-builder/
    ├── types.ts
    ├── yaml-converter.ts
    └── validation.ts
```

### 2.5 验证方案

**手动验证:**
```bash
pnpm start:dev
# 1. 拖拽 Input 节点，配置 topic 输入
# 2. 拖拽 LLM 节点，连接到 Input，配置模板
# 3. 拖拽 Skill 节点，连接到 LLM，选择技能
# 4. 拖拽 Export 节点，连接到 Skill，选择格式
# 5. 点击 "生成 YAML" - 验证输出
# 6. 点击 "执行" - 验证 Pipeline 运行
```

### 2.6 工作量估算

- **总工时:** 17 小时
- **风险:** 中等 - React Flow 学习曲线、复杂状态管理
- **可复用:** Pipeline YAML 解析器、pipeline-client.ts

---

## 创新点 3: 自适应智能网格 (Adaptive Intelligence Mesh)

### 3.1 概述

Pipeline + Memory + Heartbeat 协同，基于用户行为模式主动推荐工作流。

### 3.2 核心数据结构

```rust
// desktop/src-tauri/src/intelligence/mesh.rs

/// 用户行为模式
pub struct BehaviorPattern {
    pub id: String,
    pub pattern_type: PatternType,
    pub frequency: usize,
    pub last_occurrence: DateTime<Utc>,
    pub confidence: f32,
    pub context: PatternContext,
}

pub enum PatternType {
    SkillCombination { skill_ids: Vec<String> },
    TemporalTrigger { hand_id: String, time_pattern: String },
    TaskPipelineMapping { task_type: String, pipeline_id: String },
    InputPattern { keywords: Vec<String>, intent: String },
}

/// 工作流推荐
pub struct WorkflowRecommendation {
    pub id: String,
    pub pipeline_id: String,
    pub confidence: f32,
    pub reason: String,
    pub suggested_inputs: HashMap<String, Value>,
    pub patterns_matched: Vec<String>,
}
```

### 3.3 数据流

```
Heartbeat Tick → MeshCoordinator.analyze()
                       ↓
              PatternDetector.detect_patterns()
                       ↓
              Memory (活动历史) + Pipeline Runs (执行历史)
                       ↓
              BehaviorPattern[]
                       ↓
              WorkflowRecommender.recommend()
                       ↓
              WorkflowRecommendation[]
                       ↓
              UI 通知 → 用户接受 → 执行 Pipeline
```

### 3.4 实施步骤

| 阶段 | 任务 | 文件 | 工时 |
|------|------|------|------|
| Phase 1 | 核心类型 + 模式检测 | `mesh.rs`, `pattern_detector.rs` | 5h |
| Phase 2 | Memory/Pipeline 集成 | `mesh.rs` | 4h |
| Phase 3 | 推荐引擎 | `recommender.rs` | 4h |
| Phase 4 | Heartbeat 集成 + UI | `heartbeat.rs`, `WorkflowRecommendations.tsx` | 4h |

**需要新增的文件:**
- `desktop/src-tauri/src/intelligence/mesh.rs`
- `desktop/src-tauri/src/intelligence/pattern_detector.rs`
- `desktop/src-tauri/src/intelligence/recommender.rs`
- `desktop/src/components/WorkflowRecommendations.tsx`

### 3.5 验证方案

```bash
# 1. 重复使用特定技能组合
# 2. 等待心跳检查 (或强制触发)
# 3. 检查 UI 中的推荐通知
# 4. 接受推荐并验证 Pipeline 执行
```

### 3.6 工作量估算

- **总工时:** 17 小时
- **风险:** 中高 - 模式检测准确性、推荐相关性
- **可复用:** HeartbeatEngine, PersistentMemoryStore, PipelineExecutor

---

## 创新点 4: 上下文感知 Hand 触发 (Context-Aware Hand Triggers)

### 4.1 概述

扩展触发条件为语义匹配: MemoryQuery, ContextCondition, IdentityState。

### 4.2 核心数据结构

```rust
// crates/zclaw-hands/src/trigger.rs (扩展)

pub enum TriggerType {
    // ... 现有类型 ...

    /// 记忆查询触发器
    MemoryQuery {
        memory_type: Option<String>,
        content_pattern: String,
        min_count: usize,
        min_importance: Option<i32>,
    },

    /// 上下文条件触发器
    ContextCondition {
        conditions: Vec<ContextConditionClause>,
        combination: ConditionCombination, // All | Any | None
    },

    /// 身份状态触发器
    IdentityState {
        file: IdentityFile,
        content_pattern: Option<String>,
        any_change: bool,
    },

    /// 复合触发器
    Composite {
        triggers: Vec<TriggerType>,
        combination: ConditionCombination,
    },
}

pub enum ContextField {
    TimeOfDay, DayOfWeek, ActiveProject, RecentTopic,
    PendingTasks, MemoryCount, LastInteractionHours,
}
```

### 4.3 触发器评估器

```rust
// crates/zclaw-hands/src/trigger_evaluator.rs

pub struct TriggerEvaluator {
    memory_store: Arc<PersistentMemoryStore>,
    identity_manager: Arc<Mutex<AgentIdentityManager>>,
    heartbeat_engine: Arc<Mutex<HeartbeatEngine>>,
}

impl TriggerEvaluator {
    pub async fn evaluate(&self, trigger: &TriggerType, agent_id: &str) -> Result<bool> {
        match trigger {
            TriggerType::MemoryQuery { content_pattern, min_count, .. } => {
                let results = self.memory_store.search(query).await?;
                Ok(results.len() >= *min_count)
            }
            TriggerType::ContextCondition { conditions, combination } => {
                // 评估条件组合
            }
            // ...
        }
    }
}
```

### 4.4 实施步骤

| 阶段 | 任务 | 工时 |
|------|------|------|
| Phase 1 | 扩展 TriggerType | 3h |
| Phase 2 | 实现评估器 | 5h |
| Phase 3 | Heartbeat 集成 | 3h |
| Phase 4 | UI 配置界面 | 3h |

**需要修改的文件:**
- `crates/zclaw-hands/src/trigger.rs` - 添加新触发类型
- `desktop/src-tauri/src/intelligence/heartbeat.rs` - 触发评估钩子
- `desktop/src/components/CreateTriggerModal.tsx` - 新触发类型配置

**需要新增的文件:**
- `crates/zclaw-hands/src/trigger_evaluator.rs`

### 4.5 验证方案

```bash
# 创建语义触发器
# 类型: MemoryQuery
# memory_type: "task"
# content_pattern: "urgent"
# min_count: 3

# 添加 3 条包含 "urgent" 的任务记忆
# 验证 Hand 被触发
```

### 4.6 工作量估算

- **总工时:** 14 小时
- **风险:** 中等 - 复杂条件评估、状态同步
- **可复用:** PersistentMemoryStore, AgentIdentityManager, HeartbeatEngine

---

## 创新点 5: 记忆驱动身份演化 (Memory-Powered Persona Evolution)

### 5.1 概述

基于 Memory 模式自动调整 Persona，提取用户偏好并更新 USER.md。

### 5.2 核心数据结构

```rust
// desktop/src-tauri/src/intelligence/persona_evolution.rs

/// 检测到的用户偏好
pub struct DetectedPreference {
    pub category: PreferenceCategory,
    pub value: String,
    pub confidence: f32,
    pub evidence: Vec<String>,
    pub occurrence_count: usize,
}

pub enum PreferenceCategory {
    CommunicationStyle,  // "concise", "detailed"
    Tone,               // "formal", "casual"
    Language,           // "zh-CN", "en-US"
    CodeStyle,          // "typescript", "python"
    DetailLevel,        // "summary", "step-by-step"
    WorkHours,          // "9-18", "flexible"
    Expertise,          // "frontend", "backend"
}

/// 身份变更提案
pub struct PersonaChangeProposal {
    pub id: String,
    pub agent_id: String,
    pub change_type: PersonaChangeType,
    pub proposed_value: String,
    pub confidence: f32,
    pub supporting_evidence: Vec<String>,
}

pub enum PersonaChangeType {
    UserProfileAddition,
    UserProfileUpdate,
    InstructionAddition,
    SoulModification,
}
```

### 5.3 偏好检测流程

```
Memory 分析 → 模式匹配 → 偏好聚合 → 提案生成 → 审批/自动应用
```

**检测模式:**
```rust
let patterns = [
    (r"偏好(.+?)(?:风格|方式|模式)", PreferenceCategory::CommunicationStyle),
    (r"喜欢用(.+?)(?:语言|代码)", PreferenceCategory::CodeStyle),
    (r"(?:说|写)(.+?)(?:一点|一些)", PreferenceCategory::DetailLevel),
];
```

### 5.4 实施步骤

| 阶段 | 任务 | 工时 |
|------|------|------|
| Phase 1 | 核心类型 + 偏好检测 | 4h |
| Phase 2 | Memory 分析集成 | 3h |
| Phase 3 | Identity Manager 集成 | 4h |
| Phase 4 | UI 组件 | 3h |

**需要新增的文件:**
- `desktop/src-tauri/src/intelligence/persona_evolution.rs`
- `desktop/src/components/PersonaEvolutionPanel.tsx`

**需要修改的文件:**
- `desktop/src-tauri/src/intelligence/identity.rs` - 添加演化钩子
- `desktop/src/components/IdentityChangeProposal.tsx` - Persona 变更支持

### 5.5 验证方案

```bash
# 在对话中表达偏好:
# "我喜欢简洁的回答"
# "用中文回复"
# "先给代码再解释"

# 等待演化周期或手动触发
# 检查 USER.md 是否更新
```

### 5.6 工作量估算

- **总工时:** 14 小时
- **风险:** 中等 - NLP 模式准确性、提案相关性
- **可复用:** PersistentMemoryStore, AgentIdentityManager, Heartbeat 修正模式

---

## 创新点 6: 预测性记忆助手 (Predictive Memory Assistant)

### 6.1 概述

主动预加载相关记忆，基于对话轨迹预测用户需求。

### 6.2 核心数据结构

```rust
// desktop/src-tauri/src/intelligence/predictive_memory.rs

pub struct PredictiveConfig {
    pub enabled: bool,
    pub max_preload_count: usize,
    pub confidence_threshold: f32,
    pub context_window_size: usize,
    pub strategy: PreloadStrategy,
}

pub enum PreloadStrategy {
    KeywordMatching,
    SemanticSimilarity,
    TemporalPatterns,
    Hybrid,
}

/// 记忆预测结果
pub struct MemoryPrediction {
    pub memory_id: String,
    pub relevance_score: f32,
    pub prediction_reason: PredictionReason,
    pub matched_keywords: Vec<String>,
}

pub enum PredictionReason {
    KeywordMatch,
    SemanticSimilarity,
    TemporalRelevance,
    UserPattern,
    ContextAssociation,
}
```

### 6.3 预测引擎

```rust
impl PredictiveMemoryEngine {
    pub async fn predict(
        &mut self,
        agent_id: &str,
        recent_messages: &[ChatMessage],
    ) -> Result<Vec<MemoryPrediction>> {
        // 1. 从最近消息提取上下文
        let context = self.trajectory_analyzer.extract_context(recent_messages)?;

        // 2. 获取候选记忆
        let candidates = self.memory_store.search(query).await?;

        // 3. 评分排序
        let predictions: Vec<MemoryPrediction> = candidates
            .iter()
            .filter_map(|m| self.score_memory(m, &context))
            .sorted_by(|a, b| b.relevance_score.partial_cmp(&a.relevance_score))
            .take(self.config.max_preload_count)
            .collect();

        // 4. 预加载到缓存
        self.preload_cache.insert(agent_id.to_string(), memories);

        Ok(predictions)
    }
}
```

### 6.4 实施步骤

| 阶段 | 任务 | 工时 |
|------|------|------|
| Phase 1 | 核心类型 + 基础预测 | 4h |
| Phase 2 | Memory Store 集成 | 3h |
| Phase 3 | 聊天流程集成 | 3h |
| Phase 4 | UI 指示器 | 2h |

**需要新增的文件:**
- `desktop/src-tauri/src/intelligence/predictive_memory.rs`

**需要修改的文件:**
- `desktop/src-tauri/src/kernel_commands.rs` - 聊天流程钩子
- `desktop/src/components/MemoryPanel.tsx` - 预测指示器

### 6.5 验证方案

```bash
# 1. 添加关于 "React" 和 "TypeScript" 的记忆
# 2. 开始对话提到 "frontend development"
# 3. 验证 React/TypeScript 记忆出现在预加载区域
# 4. 检查 LLM 响应是否使用预加载上下文
```

### 6.6 工作量估算

- **总工时:** 12 小时
- **风险:** 低中 - 预测准确性、性能影响
- **可复用:** PersistentMemoryStore, 聊天消息基础设施

---

## 总结：工作量与优先级

| 创新点 | 总工时 | 风险 | 优先级 | 关键依赖 |
|--------|--------|------|--------|----------|
| 1. 技能编排引擎 | 17h | 中 | **P0** | SkillRegistry, PipelineExecutor |
| 2. 可视化工作流构建器 | 17h | 中 | **P0** | Pipeline YAML, React Flow |
| 3. 自适应智能网格 | 17h | 中高 | P1 | Heartbeat, Memory, Pipeline |
| 4. 上下文感知触发 | 14h | 中 | P1 | Memory, IdentityManager |
| 5. 记忆驱动身份演化 | 14h | 中 | P1 | Memory, IdentityManager |
| 6. 预测性记忆助手 | 12h | 低中 | P2 | Memory, Chat flow |
| **总计** | **91h** | | | |

---

## 建议实施顺序

1. **Week 1-2:** 技能编排引擎 (P0) + 可视化工作流构建器 (P0)
2. **Week 3-4:** 上下文感知触发 (P1) + 记忆驱动身份演化 (P1)
3. **Week 5-6:** 自适应智能网格 (P1) + 预测性记忆助手 (P2)

---

## 实施进度报告 (2025-03-25)

### 已完成: P0 优先级创新点

#### 1. 技能编排引擎 (Skill Orchestration Engine) ✅

**新增文件:**
- `crates/zclaw-skills/src/orchestration/mod.rs` - 模块入口
- `crates/zclaw-skills/src/orchestration/types.rs` - 核心类型 (SkillGraph, SkillNode, SkillEdge, DataExpression)
- `crates/zclaw-skills/src/orchestration/validation.rs` - 图验证、循环检测、拓扑排序
- `crates/zclaw-skills/src/orchestration/planner.rs` - OrchestrationPlanner trait + PlanBuilder fluent API
- `crates/zclaw-skills/src/orchestration/executor.rs` - SkillGraphExecutor trait + DefaultExecutor
- `crates/zclaw-skills/src/orchestration/context.rs` - OrchestrationContext 执行上下文
- `crates/zclaw-skills/src/orchestration/auto_compose.rs` - 自动组合算法 (Schema 匹配)
- `crates/zclaw-pipeline/src/actions/orchestration.rs` - Pipeline 动作处理器

**修改文件:**
- `crates/zclaw-skills/Cargo.toml` - 添加 regex, uuid 依赖
- `crates/zclaw-skills/src/lib.rs` - 导出 orchestration 模块
- `crates/zclaw-pipeline/src/types.rs` - 添加 SkillOrchestration Action 类型
- `crates/zclaw-pipeline/src/actions/mod.rs` - 添加 OrchestrationActionDriver trait
- `crates/zclaw-pipeline/src/executor.rs` - 处理 SkillOrchestration action

**核心功能:**
- DAG (有向无环图) 执行模型
- 拓扑排序确定执行顺序
- 并行组识别优化性能
- 数据表达式解析 (\${inputs.xxx}, \${nodes.xxx.output})
- 条件评估 (==, !=, exists)
- 基于 Schema 匹配的自动技能组合

#### 2. 可视化工作流构建器 (Visual Workflow Builder) ✅

**新增文件:**
- `desktop/src/lib/workflow-builder/types.ts` - 完整类型定义 (12 种节点类型)
- `desktop/src/lib/workflow-builder/yaml-converter.ts` - 双向 YAML 转换器
- `desktop/src/store/workflowBuilderStore.ts` - Zustand 状态管理
- `desktop/src/components/WorkflowBuilder/WorkflowBuilder.tsx` - 主画布组件
- `desktop/src/components/WorkflowBuilder/NodePalette.tsx` - 可拖拽节点面板
- `desktop/src/components/WorkflowBuilder/PropertyPanel.tsx` - 属性编辑面板
- `desktop/src/components/WorkflowBuilder/WorkflowToolbar.tsx` - 工具栏
- `desktop/src/components/WorkflowBuilder/nodes/InputNode.tsx` - 输入节点
- `desktop/src/components/WorkflowBuilder/nodes/LlmNode.tsx` - LLM 节点
- `desktop/src/components/WorkflowBuilder/nodes/SkillNode.tsx` - 技能节点
- `desktop/src/components/WorkflowBuilder/nodes/HandNode.tsx` - Hand 节点
- `desktop/src/components/WorkflowBuilder/nodes/ConditionNode.tsx` - 条件节点
- `desktop/src/components/WorkflowBuilder/nodes/ParallelNode.tsx` - 并行节点
- `desktop/src/components/WorkflowBuilder/nodes/ExportNode.tsx` - 导出节点
- `desktop/src/components/WorkflowBuilder/nodes/HttpNode.tsx` - HTTP 节点
- `desktop/src/components/WorkflowBuilder/nodes/OrchestrationNode.tsx` - 编排节点

**安装依赖:**
- `@xyflow/react` - React Flow 画布库
- `dagre`, `@dagrejs/dagre` - 自动布局算法
- `js-yaml`, `@types/js-yaml` - YAML 解析

**核心功能:**
- 拖拽式节点放置
- 可视化边连接
- 属性面板编辑
- YAML 双向转换
- 拓扑排序验证
- 循环检测
- Dagre 自动布局

### 下一步工作

**P1 优先级:**
- [ ] 自适应智能网格 (Adaptive Intelligence Mesh)
- [ ] 上下文感知触发 (Context-Aware Hand Triggers)
- [ ] 记忆驱动身份演化 (Memory-Powered Persona Evolution)

**P2 优先级:**
- [ ] 预测性记忆助手 (Predictive Memory Assistant)