Adam · AI Agent Management Platform

§ 01 / SCM AGENT WORKFLOW

从一句需求，到一条可交付的 Agent 工作流。

自然语言输入驱动 Agent 自主规划与编排
工具调用、子任务拆解与结果汇聚全程可见
从需求理解到最终产出，一条完整可复用的工作流

能力证明：把 Agent 的意图识别、工具编排与执行链路收敛为可视化、可复用的工作流。

DOCUMENT PIPELINE · SOURCE → EXTRACT → SYNTHESIZE

01 · SOURCE OF TRUTH

用户输入茅台、五粮液 · 2023 / 2024

LLM 提取公司 / 股票代码 / 年份

巨潮资讯公告 API → 真实年报 PDF

02 · DETERMINISTIC EXTRACTION

PyMuPDF 提取全文

MD&A 章节

文本清洗

财务报告章节

三大报表结构化

单公司分析 LLM

03 · SYNTHESIZE & DELIVER

单公司报告聚合

跨公司 / 跨年度 LLM

HTML + DOCX 报告

01 · SOURCE OF TRUTH

先找到正确的原始年报

模型只负责提取公司、股票代码和年份；公告检索与 PDF 下载由巨潮资讯 API 完成，确保分析基于正式披露文件。

02 · DETERMINISTIC EXTRACTION

解析和报表结构化交给程序

PyMuPDF 提取全文后，程序定位 MD&A 与财务报告章节，分别完成文本清洗和三大报表结构化，减少模型输入噪声。

03 · CROSS-REPORT SYNTHESIS

模型专注于分析，而非搬运

单公司分析先独立完成，再聚合为跨公司、跨年度比较，最终输出可浏览的 HTML 与可继续编辑的 DOCX 报告。

§ 02 / CONTEXT & MEMORY

一次回答，如何带上正确的上下文？

flowchart LR
    U["当前用户输入"] --> R{"运行模式"}
    H["当前会话完整历史"] --> R
    M["长期用户记忆"] --> D["默认 Adam"]
    K["引用文档 / DB 内容"] --> R
    S["Agent System Prompt"] --> N["Native Agent"]

    R --> D
    R --> N
    R --> W["复杂任务 Workflow"]
    R --> E["Eve 编码模式"]

    D --> L["LLM messages[]"]
    N --> L
    W --> P["拆解独立 Worker Prompt"]
    P --> X["上游结果注入"]
    X --> Y["最终综合"]
    E --> O["JSON 结构化操作"]
    O --> G["本地受控文件操作"]

    L --> IPC["Electron IPC"]
    IPC --> PI["pi-ai"]
    PI --> API["OpenAI-compatible API"]

01 · CONTEXT ASSEMBLY

上下文不是聊天记录的简单拼接

当前输入、完整会话历史和引用文档会按运行模式组装；系统提示词提供 Agent 的角色、边界与工具约束。

02 · MEMORY BOUNDARY

长期记忆与当前会话分层管理

会话历史负责眼前任务的连续性，长期用户记忆负责稳定偏好与跨会话信息；只有与本次任务相关的内容才进入模型上下文。

03 · EXECUTION MODE

不同任务进入不同执行链路

普通回答进入 messages[]；复杂任务拆给 Worker 后综合；Eve 则先生成 JSON 操作，再通过权限边界执行本地文件变更。

§ 03 / MEMORY LOOP

记忆如何被检索、判断与写回？

MEMORY LIFECYCLE · RETRIEVE → ANSWER → WRITE

01 · BEFORERETRIEVE

用户新消息 → 构造检索请求

过滤检索范围user_id / agent_id / run_id / metadata

Vector语义检索

BM25关键词

Entity + Time实体与时间

融合信号 → 相关性与时间排序 → Top memories

LLM
AnswerSystem Prompt
+ Question
+ History
+ Top memories

02 · AFTERWRITE

组合用户消息 + 助手回答

LLM 提取值得长期保存的稳定事实

值得保存 → 结构化事实、用户、Agent、时间与元数据否则忽略闲聊和一次性信息

History历史记录

Vector DBEmbedding

Entity实体关联

STORED MEMORY↶ 供下一轮对话检索

01 · RETRIEVE

回答前，只取最相关的少量记忆

先按用户、Agent、Run 与元数据缩小范围，再结合向量语义、BM25 关键词、实体和时间信号完成召回与排序。

02 · INJECT

记忆通过 System Prompt 进入回答

排序后的少量记忆与当前问题、对话历史一起注入模型，让回答获得跨会话连续性，同时控制上下文长度与噪声。

03 · WRITE BACK

回答后判断什么值得长期保存

模型从用户消息和助手回答中提取稳定事实，过滤闲聊与一次性信息，再写入历史、向量数据库和实体关联。

§ 04 / CLOUD BENCHMARK

推荐之前，先让模型调用真实数据。

sequenceDiagram
    participant U as 用户
    participant F as 前端
    participant A as FastAPI Agent
    participant L as 大模型
    participant T as query_category_prices
    participant C as 云厂商 API

    U->>F: 计算型云服务哪家便宜？
    F->>A: POST /api/agent/chat
    A->>L: System + History + User + Tools
    L-->>A: tool_call(category="compute")
    A->>T: query_category("compute")
    T->>C: 并发查询 Azure/AWS/阿里云
    C-->>T: 结构化价格数据
    T-->>A: prices[]
    A->>L: role=tool + prices JSON
    L-->>A: 基于真实数据生成对比建议
    A-->>F: SSE 流式 Token + 价格表
    F-->>U: 展示回答

01 · TOOL CALLING

模型选择工具，不直接编造价格

FastAPI 把 System、History、User 与工具定义一起交给模型；识别到计算型需求后，模型只返回带品类参数的 tool call。

02 · GROUNDED DATA

后端统一多云数据口径

价格工具并发请求 Azure、AWS 与阿里云接口，把厂商字段转换成一致的 prices[]，再以 role=tool 的结构化结果注回模型。

03 · STREAMING ANSWER

分析文字与价格表同步返回

第二次模型调用只基于真实数据生成对比建议；SSE 持续推送 Token，并把结构化价格表交给前端稳定展示。

SCMAgent.