数据截至 (上游 commit 136cd875b154)
Agent 主循环:流式工具调用
30 秒导读: 用户在 nao 聊天框里问一句"上个月哪个渠道转化最高?",后端并不是"问一次答一次"。 它把这次提问装配成一个会自己调工具的 agent:模型先想,调
execute_sql查库,拿到结果再想, 也许再画个图,最后总结——这一整串"生成→调工具→再生成"的循环,就是本章的主角。我们只讲 这个循环怎么被驱动起来、怎么边跑边流式吐字、怎么在结束时落库;不讲每个工具内部怎么实现(见 03-tools.md),也不讲系统提示的文本怎么拼(见 04-system-prompt.md)。
本章的全部戏都发生在一个文件里:apps/backend/src/services/agent.ts。读完你能讲清楚:一次 HTTP
请求进来后,是谁解析了模型、谁决定了这个循环"什么时候停"、模型说的话是怎么变成前端能渲染的流、
以及为什么每一步之前都要"剪枝 + 打缓存标记"。
1. 先建立直觉:什么是"Agent 主循环"
1.1 一次问答不是一次调用
朴素的 LLM 调用是"一发一收":给提示,收一段文字。但数据分析要动手——查数据库、跑 Python、
画图表。模型不能自己查库,它只能"说":我想调 execute_sql,参数是这段 SQL。于是后端要:
- 把模型这句"我想调工具"接住;
- 真的去执行那个工具(连库、跑查询);
- 把结果塞回对话,再让模型继续;
- 重复,直到模型说"我讲完了"。
这个"生成一步 → 若要调工具就执行 → 把结果喂回去 → 再生成"的往复,就是 agent loop(智能体主循环)。 一次用户提问,可能在后端滚动好几步(step),才有最终答案。
1.2 nao 不自己写循环,它"外包"给 SDK
关键设计:nao 不手写这个 while 循环。它用 Vercel AI SDK(ai 包,v6)提供的
ToolLoopAgent——一个已经把"多步工具循环"封装好的类。nao 的活是装配:选好模型、备好工具、
定好"何时停",把这些交给 ToolLoopAgent,然后调它的 stream() 让循环跑起来。
一句话类比:
ToolLoopAgent是一台"自动驾驶的对话引擎",nao 是"上车前的配置员"—— 加什么油(模型)、带什么工具、走到哪儿算到站(停止条件),都由 nao 在发车前设好;开起来之后的 每一步换挡由引擎自己完成。
1.3 两个人格:AgentService 和 AgentManager
agent.ts 里有两个类,别名一下就不会混:
| 类 | 角色 | 一句话职责 | 位置 |
|---|---|---|---|
AgentService | 工厂 + 登记处 | 解析模型/工具/上下文/停止条件,造出一个 agent,并按 chatId 登记 | services/agent.ts:203 |
AgentManager | 一次会话的引擎壳 | 持有 ToolLoopAgent,提供 stream() / generate(),负责装配消息、流式、落库 | services/agent.ts:362 |
AgentService 是单例(文件末尾 export const agentService = new AgentService(),services/agent.ts:1080);
每个活跃 chat 对应一个 AgentManager,存在 AgentService._agents 这张 Map<chatId, AgentManager> 里。
2. 顶层全景:一次提问怎么被驱动成循环
先看"大盘"。下面这张图从左到右是一次提问的生命周期,先走一遍,后面各节再逐个放大。
HTTP POST /agent
│ (Fastify 路由, routes/agent.ts)
▼
┌──────────────────────┐
│ handleAgentRoute │ 校验预算 → 落库用户消息 → 初始化 MCP/skills
│ (handlers/agent.ts) │
└──────────┬───────────┘
│ agentService.create(chat, model)
▼
┌───────────────────────────────────────────────┐
│ AgentService.create │ ← "发车前配置"
│ • 解析模型 _getResolvedLlmSelectedModel │
│ • 预算闸门 assertBudgetNotExceeded │
│ • 造模型 _getModelConfig → providers.ts │
│ • 备工具 getTools(...) + web 工具 │
│ • 建上下文 ToolContext(projectFolder, ...) │
│ • 定停条件 stopWhen[] │
│ └────────────► new AgentManager(...) │
└───────────────────────┬────────────────────────┘
│ agent.stream(messages)
▼
┌───────────────────────────────────────────────┐
│ AgentManager.stream (createUIMessageStream) │
│ 1. _buildModelMessages 装配管线(见 §7) │
│ 2. ToolLoopAgent.stream ── 多步工具循环 ──┐ │
│ ┌─────────── loop ───────────┐ │ │
│ │ 生成一步(可含工具调用) │ │ │
│ │ prepareStep: 剪枝+缓存标记 │◄────┘ │
│ │ 若调工具 → 执行 → 结果回喂 │ │
│ │ 检查 stopWhen,未命中则继续 │ │
│ └────────────────────────────┘ │
│ 3. writer.merge(UI 流) ── 边跑边吐 chunk ──► │──► 前端
│ 4. 异步:抽记忆 / 生成标题 │
│ 5. onFinish → upsertMessage 落库 │
└───────────────────────────────────────────────┘
部件一句话职责:
| 部件 | 干什么 | 在哪 |
|---|---|---|
agentRoutes | Fastify POST /,把请求转给 handler,返回流式响应 | routes/agent.ts:13 |
handleAgentRoute | 预算校验、落库用户消息、初始化 MCP/skills,再造 agent | handlers/agent.ts:30 |
AgentService.create | 一次运行的"装配总装线" | services/agent.ts:216 |
providers.ts | 把 provider+modelId 变成一个 AI SDK 的 LanguageModel 实例 | agents/providers.ts:284 |
getTools | 按开关/allowlist 组装这次要暴露给模型的工具带 | agents/tools/index.ts:54 |
AgentManager.stream | 装配消息 → 跑循环 → 流式 → 落库 | services/agent.ts:461 |
ToolLoopAgent | AI SDK 提供的多步工具循环引擎(nao 不实现它) | ai 包(v6) |
3. 装配总装线:AgentService.create
这节讲:发车前那一串"配置动作",全在
create里,services/agent.ts:216-292。
create 是同步"造 agent"的唯一入口。它按顺序做完六件事,产出一个 AgentManager。逐个看:
3.1 先清场:一个 chat 只留一个活跃 agent
// services/agent.ts:204 — 同一 chat 若已有 agent,先 dispose(stop + 从 Map 删除)
this._disposeAgent(chat.id);
这保证"同一个对话不会有两个循环同时在跑"——旧的先被 abort()(_disposeAgent → agent.stop(),
services/agent.ts:323-330)。
3.2 解析模型:调用方没指定就用项目默认
_getResolvedLlmSelectedModel(services/agent.ts:294-310)决定这次用哪个 {provider, modelId}:
传入了 modelSelection? ── 是 ──► 直接用
│否
▼
项目有 LLM 配置? ── 有 ──► 用第一个配置的 provider + 该 provider 的默认 modelId
│无
▼
环境变量里有 provider? ── 有 ──► 用 env 里第一个
│无
▼
抛 BAD_REQUEST 'No model config found'
3.3 预算闸门:超了直接不发车
// services/agent.ts:206
await assertBudgetNotExceeded(chat.projectId, resolvedLlmSelectedModel.provider);
assertBudgetNotExceeded(utils/budget.ts:73)按 provider 算"本期已花 / 预算上限"的比值,
ratio >= 1 就抛 BudgetExceededError,并顺手给管理员发"预算用尽"邮件。注意时序:路由层的
handleAgentRoute 在最前面也调了一次 agentService.assertBudget(handlers/agent.ts:37),
create 里这次是第二道闸——落库用户消息之后、真正发车之前再确认一遍。
3.4 造模型:交给 providers.ts
// services/agent.ts:207
const modelConfig = await this._getModelConfig(chat.projectId, resolvedLlmSelectedModel);
_getModelConfig → resolveProviderModel → createProviderModel(agents/providers.ts:284)把抽象的
{provider, modelId} 变成一个真正能调用的 LanguageModelV3 实例,外加 providerOptions(provider
专属选项)和 contextWindow。LLM_PROVIDERS(agents/providers.ts:57)是一张"provider → 怎么建模型"
的表,支持 Anthropic / OpenAI / Google / Mistral / OpenRouter / Ollama / Bedrock / Vertex / Azure 九家。
一个值得记住的细节:Anthropic 的 defaultOptions 里预置了服务端上下文管理
(clear_tool_uses_20250919,输入超 18 万 token 时自动清理旧工具调用,但豁免一批读类工具),
见 agents/providers.ts:63-85。这是"模型侧"的省 token 机制,和 nao 自己在 _pruneMessages 做的
"客户端剪枝"(见 §6.1)是两条独立的战线。
3.5 备工具:内置工具带 + web 搜索 + MCP
// services/agent.ts:210-212
const webTools = await this._resolveWebTools(chat.projectId, provider, agentSettings);
const resolveTools = options.tools ?? defaultAgentTools;
const agentTools = await resolveTools({ chat, agentSettings, toolContext, webTools });
工具集不是写死的,而是一个可注入的解析器 AgentToolsResolver(services/agent.ts:119)。默认用
defaultAgentTools(services/agent.ts:122),它转手调 getTools(...)(工具带怎么按开关拼出来,见 §8)。
自动化等非交互场景可以传自己的 resolver 来收窄工具。Web 搜索工具是按需解析的:只有
agentSettings.webSearch.enabled 且该 provider 支持时才创建(_resolveWebTools,services/agent.ts:336-349)。
3.6 建 ToolContext:工具运行时能摸到的一切
_getToolContext → buildToolContext → _buildContextBase(services/agent.ts:174-201)攒出一个
ToolContext——每个工具执行时都能拿到它(项目根路径、userId、环境变量、Azure token,以及两个
可变累加器:queryResults 存 SQL 查询结果、generatedArtifacts 存这次生成的图表/故事)。
这个对象最终被塞进 ToolLoopAgent 的 experimental_context(见 §4),SDK 会把它透传给每个工具。
ToolContext 是循环内的"共享内存": 第一步
execute_sql把结果写进queryResults, 后面display_chart就能从同一个 Map 里取出来引用,而不必把整张表再喂回模型。上下文即文件系统的 思路,详见 01-context-filesystem.md。
3.7 定停止条件:循环"走到哪算到站"
这是整个循环的"刹车",也是最容易被忽略的设计:
// services/agent.ts:213-217
const stopWhen: StopCondition<AgentTools>[] = options.excludeFollowUps
? [stepCountIs(options.maxSteps ?? 20)]
: chat.testMode
? [hasToolCall('suggest_follow_ups')]
: [hasToolCall('suggest_follow_ups'), hasToolCall('clarification')];
停止条件用工具调用来表达,分三种情况:
| 场景 | 停止条件 | 含义 |
|---|---|---|
| 交互式(默认) | hasToolCall('suggest_follow_ups') 或 hasToolCall('clarification') | 模型调"建议追问"或"要求澄清"任一工具 → 收工 |
测试模式 testMode | 仅 hasToolCall('suggest_follow_ups') | 测试环境不注入 clarification 工具,所以只认前者 |
非交互 excludeFollowUps | stepCountIs(maxSteps ?? 20) | 自动化/后台分析没有"追问"概念,改用步数上限兜底 |
为什 么用"调某个工具"当终点线,而不是"模型不再说话"? 因为 nao 想让循环必然以一个结构化动作收尾:
交互式会话必须以 suggest_follow_ups(给用户几个后续问题)结束,产品体验统一;而自动化流程如果也用
"建议追问"当终点,循环会过早停在发出外部集成工具之前——所以它换成纯步数上限,让后续动作有机会跑完
(这正是 excludeFollowUps 注释里说明的动机,services/agent.ts:227-238)。
配好这七样,create 把它们全部塞进 new AgentManager(...)(services/agent.ts:279-289),登记进
_agents Map,返回。装配到此结束。
4. 引擎壳:AgentManager 怎么封 ToolLoopAgent
这节讲:
AgentManager构造时干的唯一一件事——new ToolLoopAgent(...),services/agent.ts:386-410。
// services/agent.ts:323 — 把装配好的一切交给 SDK 的循环引擎
this._agent = new ToolLoopAgent({
model: this._modelConfig.model,
providerOptions: this._modelConfig.providerOptions,
tools: this._agentTools,
maxOutputTokens: MAX_OUTPUT_TOKENS, // 16_000, services/agent.ts:306
prepareStep: async ({ messages }) => this._prepareStep(messages),
stopWhen,
experimental_context: this._toolContext,
});
ToolLoopAgent 是 AI SDK v6 里"会调工具的 agent"抽象。nao 只填七个字段,循环本身由 SDK 实现:
| 字段 | nao 填什么 | 作用 |
|---|---|---|
model | provider 造出的语言模型实例 | 每一步向哪个模型请求 |
providerOptions | provider 专属选项 | 如 Anthropic 的上下文管理、OpenAI 的 store:false |
tools | 装配好的工具带 | 模型能调哪些工具 |
maxOutputTokens | 16000 | 单步生成上限 |
prepareStep | _prepareStep 回调 | 每一步开始前改写消息(剪枝 + 缓存标记,见 §6) |
stopWhen | §3.7 的停止条件 | 何时结束循环 |
experimental_context | ToolContext | 透传给每个工具执行 |
AgentManager 对外只暴露两个"发车键":stream()(交互式,流式)和 generate()(非交互,一把梭)。
两者共用同一个 _agent,区别只在调 SDK 的 .stream() 还是 .generate()。
注意:
_prepareStep现在每步先跑compactionService.compactConversationIfNeeded(services/agent.ts:419-438,向流里发data-compactionSummaryStarted/data-compaction事件),再做剪枝 和缓存标记——"对话压缩"在主循环里已从早期的注释状态转为启用。
5. 交互路径:stream() 的流式与落库
这节讲:
stream(),services/agent.ts:461-549。它是聊天 UI 走的路。
stream() 返回一个 ReadableStream,内容用 AI SDK 的 createUIMessageStream 包装——
UIMessage 流是一种前端能直接增量渲染的结构化 chunk 流(文字片段、工具调用状态、自定义数据事件)。
它的 execute 回调按顺序做这几件事:
execute({ writer }):
① writer.write({type:'start'}) 开流
② 若是新会话 → 推 data-newChat / data-newUserMessage 事件
③ messages = await _buildModelMessages(...) 装配模型消息(见 §7)
④ result = await _agent.stream({ messages, abortSignal }) ← 循环发车
⑤ _scheduleMemoryExtraction(uiMessages) 异步抽记忆(不 await)
⑥ 若新会话 → _scheduleTitleGeneration(...) 异步起标题(不 await)
⑦ writer.merge(result.toUIMessageStream()) 把循环产出的流并进来 ── 边跑边吐
关键点拆开说:
-
发车即返回流。 第 ④ 步
await _agent.stream(...)拿到的是一个惰性的结果句柄,循环还没跑完; 第 ⑦ 步writer.merge把 SDK 的 UIMessage 流并入外层 writer,于是模型每吐一个 token、每发一次工具 调用,都会实时流到前端。sendStart:false是因为外层 ② 已经先写过start了(services/agent.ts:515-517)。 -
记忆抽取和标题生成是"发出即忘"。 第 ⑤⑥ 步在请求刚发出后就调度,不
await,不阻塞流。 记忆抽取(_scheduleMemoryExtraction → memoryService.safeScheduleMemoryExtraction,services/agent.ts:712-721) 在后台从本轮对话里抽取用户长期记忆;标题生成只在新会话时触发(见 §5.1)。
5.1 标题生成:一次独立的小 LLM 调用
_generateTitle(services/agent.ts:733-776)是主循环之外的旁路:用一个便宜的"摘要模型"
(LLM_PROVIDERS[provider].summaryModelId)对用户第一句话做一次 generateText,配 Output.object
强约束出 {title}(3–8 词),写库 renameChat,再尝试往流里推一个 data-chatTitleUpdate 事件让前端即时更新标题。
流可能已关,所以那次推送包在 try/catch 里静默失败(services/agent.ts:771-775)。
5.2 收尾即落库:onFinish
循环真正跑完(或被中断)后,createUIMessageStream 的 onFinish 触发(services/agent.ts:529-547):
// services/agent.ts:447-458 — 把这一轮 assistant 消息落库
const stopReason = e.isAborted ? 'interrupted' : e.finishReason;
const tokenUsage = await this._getTotalUsage(result);
const [settledMessage] = settleInterruptedToolParts([e.responseMessage]);
await chatQueries.upsertMessage({
...settledMessage,
chatId: this.chat.id,
stopReason, error, tokenUsage,
llmProvider: this._modelSelection.provider,
llmModelId: this._modelSelection.modelId,
});
三个要点:
- 中断也算数。 用户中途点停 →
abort()→e.isAborted为真 →stopReason='interrupted', 消息照样落库。这样刷新页面能看到"半截答案"。 - 未闭合的工具调用要"结算"。
settleInterruptedToolParts(utils/ai.ts:119)把被打断、 状态卡在半空的工具 part 补成一个终态,避免存进库的消息结构不合法。 - 无论成败都释放。
finally { this._onDispose() }把这个AgentManager从AgentService._agentsMap 里删掉——引擎壳用完即弃。
6. 每一步的预处理:prepareStep
这节讲:
_prepareStep,services/agent.ts:417-441。它在循环的每一步开始前被 SDK 回调。
当前它做两件事,顺序是先剪枝、再打缓存标记:this._addCache(this._pruneMessages(messages))。
6.1 _pruneMessages:把历史里的噪音剪掉
多步循环里,历史会越滚越长。_pruneMessages(services/agent.ts:991-998)用 AI SDK 的
pruneMessages 做三件裁剪:
| 剪什么 | 规则 | 为什么 |
|---|---|---|
推理内容 reasoning | before-last-message(只留最后一条的推理) | 旧的思维链对后续步骤没用,纯占 token |
suggest_follow_ups 的工具调用 | type:'all'(整个删掉) | 那是"给用户看的追问",不该污染模型的后续上下文 |
空消息 emptyMessages | remove | 剪完可能留下空壳,清掉 |
6.2 _addCache:给 Anthropic 系模型打提示缓存断点
_addCache → addPromptCache(utils/prompt-cache.ts:13)只对 Anthropic 家族(直连 Anthropic、
Vertex 上的 Claude、Bedrock 上的 Anthropic 模型)生效,别的 provider 原样返回。它在消息数组上放两个
缓存断点:
[ system 消息 ] ← 打 1h 缓存(指令很少变,长 TTL)
[ ...历史... ]
[ 最后一条消息 ] ← 打 5m 缓存(当前步的"叶子",供 agentic 缓存复用)
对应 addPromptCache 里的两处:系统消息用 CACHE_1H,末条用 CACHE_5M(utils/prompt-cache.ts:21-26)。
含义:系统提示这段前缀在多轮里几乎不变,缓存一小时;每一步新增的尾巴短命,缓存五分钟——这样后续
步骤命中缓存,省下重复处理长前缀的钱和时延。
为什么放在
prepareStep里而不是一次性? 因为断点位置依赖"当前这一步的消息长什么样"。每步 消息都在变(工具结果不断追加),末条缓存断点必须每步重新贴到新的末尾,所以它天然属于每步预处理。
7. 装配管线:_buildModelMessages
这节讲:发车前把"前端来的 UIMessage"翻译成"模型吃的 ModelMessage"的一条流水线,
services/agent.ts:554-586。
前端传来的是富结构的 UIMessage(带工具 part、文件 part、故事 part……),模型要的是扁平的
ModelMessage。中间这条管线逐层加工,每一步都是"输入一批消息、输出一批消息"的纯函数式变换:
settleInterruptedToolParts 结算上一轮被中断的工具 part
▼
_syncStoryToolOutputs 故事输出与 DB 同步 + 去重(见 §7.1)
▼
_addStoryMode 若 @story mention → 注入"故事模式"指令
▼
_addSkills 若 /skill mention → 用技能正文替换用户文本
▼
_addCitationContext 若带引用选区 → 前置"用户在指某段文字"
▼
_addDatabaseContext 若 @table mention → 附上被引用表的列信息
▼
compactionService.useLastCompaction 套用最近一次压缩摘要(若有)
▼
resolveImageUrls 把 /i/{id} 图片 URL 换成真实 base64(见 §7.2)
▼
[system 消息] + 以上 systemPrompt 交给 _buildSystemPrompt(见 04 章)
▼
convertToModelMessages AI SDK:UIMessage[] → ModelMessage[]
几条**注入(mentions)**都收敛到同一个小工具 _transformLastUserMessageText
(services/agent.ts:957-974)——它们本质都是"往最后一条用户消息的文本前/后拼一段上下文":
| 注入 | 触发 | 拼什么 | 位置 |
|---|---|---|---|
| 故事模式 | mention __story__ | [Story mode: ...] 前缀 | services/agent.ts:898-906 |
| 技能 | mention trigger:'/' | 用技能正文替换用户文本(截断到 16k) | services/agent.ts:908-930 |
| 引用选区 | 末条用户消息带 citation | [用户在指第 x–y 字: "..."] | services/agent.ts:887-896 |
| 数据库上下文 | mention trigger:'@' | Referenced tables: [列信息] 后缀 | services/agent.ts:932-955 |
系统提示怎么拼是另一章的事——这里只标出交接点 _buildSystemPrompt(services/agent.ts:588-596):
它先看项目里有没有覆盖提示,没有才回退到 _buildDefaultSystemPrompt 组装默认提示。文本细节见
04-system-prompt.md。
7.1 故事输 出的同步与去重
_syncStoryToolOutputs(services/agent.ts:636-710)解决一个具体痛点:一个"故事"(story,一种可交互
的图文报告)可能在对话里被多次编辑,历史里就会躺着同一个 story 的多份全量代码,白白吃 token。策略是:
- 先扫一遍,记下每个
storyId最后一次出现的toolCallId; - 对每个 story part:不是最后一次的,标
_stale:true且把code清空(模型只看到一个短占位符); 是最后一次的,从 DB 拉最新版本(版本号、代码、标题、是否用户改过)填进去。
这样模型对每个故事只看到"最新的那份全文 + 早期的空壳",既保真又省 token。整段包在 try/catch 里,
DB 出错就原样返回,不阻断发车(services/agent.ts:707-709)。
7.2 图片:把服务端 URL 还原成 base64
前端的图片 part 存的是 /i/{id} 这种服务端相对 URL。resolveAttachments(services/agent.ts:1021-1051)
把它们批量查库、换成真实 base64。原因写在函数注释里:AI SDK 的 convertToModelMessages 会把
FileUIPart.url 映射成 FilePart.data,若传 data: 开头的 data-URL 会被误当成"可下载链接",所以
只传纯 base64 字符串(mediaType 是 part 上另一个字段)。
8. 非交互路径:generate()
这节讲:
generate(),services/agent.ts:806-860。它是自动化/后台任务走的路,不流式。
generate() 和 stream() 共用 _buildModelMessages(所以装配管线完全一致),区别在于:
| 维度 | stream() | generate() |
|---|---|---|
| SDK 调用 | _agent.stream(...) | _agent.generate(...) |
| 产出 | 增量 UIMessage 流 | 一次性 AgentRunResult |
| 落库 | onFinish 里 upsertMessage | 不落库,直接把结果返回给调用方 |
| 记忆/标题 | 会调度 | 不调度 |
| 用途 | 聊天 UI | 自动化、上下文推荐等后台流程 |
generate() 返回结构化的 AgentRunResult(services/agent.ts:82-100):文本、token 用量、成本
(convertToCost,按 provider/model/自定义定价换算)、耗时、以及可直接用于后续调用的
responseMessages 和原始 steps(自动化流程要从 steps 里翻出工具调用来判断"该不该继续"或"发了哪些外部动作")。
同样 finally { this._onDispose() } 用完即弃。
9. 入口:routes/agent.ts 与流式响应
这节讲:一切的最外层——Fastify 路由,
routes/agent.ts:13。
agentRoutes 注册 POST /,链路是:鉴权中间件 → 校验权限(viewer 角色 403,routes/agent.ts:21-27)
→ handleAgentRoute 拿到 { stream } → 埋点 → 用 createUIMessageStreamResponse 把流包成 HTTP 响应。
响应头有两个为反向代理准备的关键设置(routes/agent.ts:59-67):
headers: {
'X-Accel-Buffering': 'no', // 禁用 nginx 缓冲
'Cache-Control': 'no-cache, no-transform',
}
X-Accel-Buffering: no 让 nginx 不要把流攒起来再一次性吐——否则用户会"卡半天,然后一下子刷出全文",
流式体验全废。注释直说这对"反向代理后的正确流终止"是关键的(routes/agent.ts:62-64)。
handleAgentRoute(handlers/agent.ts:30)是路由和 service 之间的胶水,发车前的准备都在这:
预算校验、新建或续写会话、落库用户消息(新会话 createChat;续写或编辑走
insertOrSupersedeMessage,编辑时先 supersedeMessagesFrom 把旧版本作废)、初始化 MCP 与 skills 状态,
最后 agentService.create(...) 造 agent 并 agent.stream(chat.messages, ...) 返回流。
10. 工具带怎么拼出来:getTools
这节讲:
getTools,agents/tools/index.ts:54。§3.5 说过工具是解析出来的,这里看它到底怎么拼。
getTools 从一个静态 tools 表(agents/tools/index.ts:35-50,含 story、execute_sql、grep、read、
display_chart、suggest_follow_ups 等)出发,按一串开关增删,拼出这次运行真正暴露给模型的集合:
| 开关 | 效果 | 位置 |
|---|---|---|
mcpEnabled === false | 丢掉全部 MCP 工具 | agents/tools/index.ts:81 |
excludeFollowUps | 剔除 suggest_follow_ups(非交互场景不需要) | agents/tools/index.ts:103 |
testMode | 剔除 clarification(测试模式不给澄清工具) | agents/tools/index.ts:108 |
agentSettings.experimental.pythonSandboxing | 加入 execute_python(且该工具本身可用) | agents/tools/index.ts:110 |
agentSettings.experimental.sandboxes | 加入 execute_sandboxed_code | agents/tools/index.ts:114 |
extraTools(如 web 搜索工具) | 无条件合并进来 | agents/tools/index.ts:115 |
builtinToolAllowlist | 白名单:只留名单内的内置工具(MCP/python/沙箱/澄清全丢),extraTools 始终保留 | agents/tools/index.ts:119-137 |
execute_python / execute_sandboxed_code 在静态表里就用 ...(cond && {...}) 条件展开
(agents/tools/index.ts:39-40)——环境本身不具备 Python 或沙箱能力时,连引入都不引入。白名单
是给"聚焦运行"用的:比如"上下文推荐"只该发现上下文,不该查数仓、不该画图,于是只允许一小撮读类工具。
工具带里每个工具内部 怎么实现(SQL 怎么连库跑查询、图表怎么生成、沙箱边界在哪),是下一章的题目, 见 03-tools.md。
11. 边界与要点(诚实清单)
- 循环本体不是 nao 写的。 "生成→调工具→再生成"的 while 是 AI SDK 的
ToolLoopAgent实现的; nao 的价值在装配(模型/工具/上下文/停止条件)和两端加工(装配管线 + 落库)。 - 对话压缩已启用。
_prepareStep每步先await compactConversationIfNeeded(services/agent.ts:419-438), 需要时压缩对话并向流发data-compaction*事件,然后才做剪枝 + 缓存标记。 - 提示缓存只惠及 Anthropic 系。
addPromptCache对非 Anthropic/Bedrock-Anthropic 的 provider 直接原样返回(utils/prompt-cache.ts:15,30-42)。 - 一个 chat 单活跃 agent。
create开头_disposeAgent会先停掉旧的;并发发两条消息给同一 chat, 后者会打断前者。 - 早期那行打印 base64 的调试
console.log已被上游清理,resolveImageUrls也已更名为resolveAttachments(services/agent.ts:1021)——不再有调试残留可指认。 - 不含的内容: 各工具内部实现见 03-tools.md;系统提示文本如何拼(JSX→Markdown)见 04-system-prompt.md;可靠性/自托管见 05-reliability-deploy.md; 上下文即文件系统见 01-context-filesystem.md。
12. 代码地图(导航索引)
| 主题 | 文件路径 | 符号名 |
|---|---|---|
| 装配总装线(造 agent) | apps/backend/src/services/agent.ts | AgentService.create |
| 模型解析(默认回退链) | apps/backend/src/services/agent.ts | AgentService._getResolvedLlmSelectedModel |
| 停止条件构造 | apps/backend/src/services/agent.ts | stopWhen (create 内) |
| 引擎壳 / 封 ToolLoopAgent | apps/backend/src/services/agent.ts | AgentManager 构造函数 |
| 每步预处理 | apps/backend/src/services/agent.ts | AgentManager._prepareStep |
| 交互流式 + 落库 | apps/backend/src/services/agent.ts | AgentManager.stream / onFinish |
| 非交互一把梭 | apps/backend/src/services/agent.ts | AgentManager.generate |
| 消息装配管线 | apps/backend/src/services/agent.ts | AgentManager._buildModelMessages |
| 故事同步去重 | apps/backend/src/services/agent.ts | AgentManager._syncStoryToolOutputs |
| mention 注入公共基座 | apps/backend/src/services/agent.ts | AgentManager._transformLastUserMessageText |
| 剪枝 | apps/backend/src/services/agent.ts | AgentManager._pruneMessages |
| 图片 URL → base64 | apps/backend/src/services/agent.ts | resolveImageUrls |
| 系统提示交接点 | apps/backend/src/services/agent.ts | AgentManager._buildSystemPrompt |
| 记忆抽取调度 | apps/backend/src/services/agent.ts | AgentManager._scheduleMemoryExtraction |
| 标题生成旁路 | apps/backend/src/services/agent.ts | AgentManager._generateTitle |
| provider → 模型实例 | apps/backend/src/agents/providers.ts | createProviderModel / LLM_PROVIDERS |
| 提示缓存断点 | apps/backend/src/utils/prompt-cache.ts | addPromptCache / getPromptCacheProvider |
| 预算闸门 | apps/backend/src/utils/budget.ts | assertBudgetNotExceeded |
| 工具带装配 | apps/backend/src/agents/tools/index.ts | getTools |
| web 搜索工具解析 | apps/backend/src/agents/tools/web-search.ts | createWebSearchTools |
| Fastify 流式入口 | apps/backend/src/routes/agent.ts | agentRoutes |
| 发车前胶水层 | apps/backend/src/handlers/agent.ts | handleAgentRoute |