核心功能全景

一、🤖 AI 智能体（Agent）

lingclaw 的智能体不是简单的"提示词 + 模型调用"，而是一套具备自主决策、自我进化、多级协作能力的 Agent 架构。

1. 灵活的智能体配置

• 多模型自由切换：支持 Ollama 本地模型、OpenAI 兼容接口、自训练模型等，按需为每个 Agent 绑定不同模型
• 提示词工程：可视化编辑 System Prompt，精细控制 Agent 人设与行为边界
• 能力装配：为 Agent 自由组合知识库、MCP 工具、Skills 技能包，像搭积木一样构建专属能力
  

  2. 主Agent + 子Agent 多级协作

  支持主从 Agent 架构。主 Agent 作为"决策大脑"，根据任务自主判断应该分配给哪个子 Agent 执行：

  • 主 Agent 分析用户意图 → 选择最合适的子 Agent → 下发子任务
  • 子 Agent 独立执行（拥有自己的模型、工具、超时控制）→ 结果汇报主 Agent
  • 支持实时状态推送，前端可以看到每个子 Agent 的执行进度

  这意味着你可以构建一个"团队"：一个规划 Agent 负责拆解需求，一个编码 Agent 负责写代码，一个测试 Agent 负责验证——真正的 AI 团队协作。

  3. 🧬 Agent 自进化能力（Self-Evolution）

  这是 lingclaw 最核心的差异化能力。受 Voyager（Wang et al., 2023）论文中 Skill Library 机制启发，我们实现了 Agent 在任务执行过程中的自主学习与能力升级：

  Skills 技能库

  • Agent 在执行任务时，如果发现本地知识不足，会自动连接 Skills 市场，搜索并下载最佳实践、脚本方案
  • 下载的技能以 Markdown 文件形式保存，并自动同步到向量库，下次遇到类似问题直接语义检索复用
  • 支持多个技能集分类管理，每个技能集独立同步

  进化记忆（Evolution Memory）

  • Agent 在执行任务中积累的经验——成功的解决方案、失败的教训、发现的规律——会以语义向量的形式持久化存储
  • 下次遇到类似问题，Agent 会主动查询历史记忆，避免重复踩坑
  • 每个 Agent 拥有独立的记忆空间，互不干扰，重启后自动恢复

  MCP 工具自主发现与安装

  • Agent 遇到能力不足时，会自动搜索 MCP 工具市场，发现合适的工具后一键安装
  • 安装完成后热重载自身配置，新工具立即生效，无需重启服务
  • 整个过程完全自主，无需人工干预

  强制进化决策链

  • 当 Agent 在任务中遇到困难，系统会引导其按照严格顺序尝试：
    1. 先查本地 Skills 技能库
    2. 再到 Skills 市场搜索下载
    3. 再搜索 MCP 工具市场
    4. 最后才用基础编码能力兜底
  • 这套机制确保 Agent 不会盲目重试，而是系统性地寻找最优解
    

    二、🛡️ 生产级稳定性优化

    lingclaw 不只是一个 Demo，而是面向真实生产环境设计的。以下是我们在稳定性和可靠性方面的核心优化：

    1. 智能安全熔断机制

    大模型在 Tool Calling 场景下有一个行业痛点：容易陷入无限循环——反复调用同一个失败的工具，消耗大量 Token 却毫无产出。

    lingclaw 内置了三级保护：

    • 连续失败熔断：连续多次工具调用无实质输出时，自动终止循环，避免 Token 浪费
    • 进化策略注入：连续失败达到阈值后，系统不是简单终止，而是智能注入引导指令，提醒 Agent 换思路、查记忆、找工具
    • 总轮次硬上限：不管成功失败，达到总轮次上限一律终止，兜底防护

    所有阈值均可通过配置文件灵活调整，适配不同业务场景。

    2. 任务自动续传

    大模型输出存在 Token 上限，复杂任务经常在执行到一半时被截断。传统方案需要用户手动"继续"。

    lingclaw 实现了全自动任务续传：

    • 主 Agent 输出结束后，系统自动判断任务是否真正完成
    • 支持模型完成度验证——调用模型做二次确认，避免误判
    • 未完成时自动构造续传指令，无缝发起下一轮，前端完全无感知
    • 多轮续传的输出直接拼接推送，用户看到的是一次完整的流畅交互
      

      三、🔧 CodingTool — 全能系统操作工具

      为 Agent 提供完整的操作系统交互能力，一个工具覆盖所有场景：

      能力	说明
      bash	执行任意 Shell 命令（git、mvn、npm、curl、docker…），Windows 用 cmd、Linux/Mac 用 bash
      file_read	读取文件内容，支持行号范围
      file_edit	精准文本替换或创建文件，支持增量编辑
      search	目录级文件内容搜索（正则/关键词）
      list_dir	目录树结构查看

      🔒 四级沙盒隔离模式

      CodingTool 提供四种沙盒模式，适配从个人开发到企业生产的全场景安全需求：

      模式	配置值	隔离级别	适用场景
      Docker 容器沙盒	sandbox="docker"	🟢 内核级隔离	企业多租户、生产环境、需要最高安全等级
      Native 原生沙盒	sandbox="native"	🟡 路径级隔离	个人开发、轻量级安全需求、无 Docker 环境
      远程客户端沙盒	sandbox="remote"	🔵 网络级隔离	Electron 桌面端，大模型远程操作用户本地电脑
      管理员模式	sandbox="false"	🔴 无限制	可信环境、开发调试、需要完整宿主机权限

      Docker 容器沙盒（推荐生产环境使用）

      • 每个 Agent 独享一个长驻 Docker 容器，容器内预装完整开发工具链（Python、Node.js、Java、Git 等）
      • Agent 的所有命令和文件操作全部在容器内执行，与宿主机完全隔离——看不到宿主进程、文件系统、网络端口
      • 通过 -v 挂载实现精确的目录共享，支持只读/读写权限控制
      • 容器级资源限制（内存、CPU、PID 数量），防止 Agent 耗尽宿主资源
      • 首次使用前需构建沙盒镜像，项目提供一键构建脚本：
        • Windows：双击 admin/docker/sandbox/build-sandbox.bat
        • Linux/Mac：执行 admin/docker/sandbox/build-sandbox.sh

      Native 原生沙盒（适合个人用户）

      • 基于 Java PathJail 实现路径监狱，Agent 只能访问配置的 sandboxRoot 目录，无法逃逸到沙盒外
      • 支持多目录挂载，每个目录可独立设置读写权限
      • 无需 Docker 环境，轻量零依赖，开箱即用
      • 环境变量隔离：自动覆盖子进程的 HOME/TEMP 等变量，防止通过默认路径感知沙盒外环境

      远程客户端沙盒（Electron 桌面端）

      • 大模型通过 WebSocket 远程操控用户本地电脑，服务端无需安装任何开发工具链
      • Electron 客户端登录后自动与服务端建立 WebSocket 长连接，Agent 的 bash、文件读写、搜索等操作全部转发到客户端本地执行
      • 支持 sandboxRoot 路径限制，只允许操作配置范围内的目录，每个目录可独立设置读写权限
      • 断线自动重连，心跳保活，连接稳定可靠
      • 适用场景：用户希望 AI 直接操作自己的电脑（写代码、执行命令、管理文件），无需配置 Docker 或服务器环境

      管理员模式（开发调试用）

      • Agent 拥有宿主机完整权限，不受任何路径和命令限制
      • 适合可信环境或开发阶段快速验证，不建议在生产环境开启

      📋 沙盒配置示例

      沙盒配置在 MCP 工具管理中，类型选「tool」，content 填 JSON：

      Docker 容器沙盒（企业生产推荐）：

      {
        "type": "coding",
        "sandbox": "docker",
        "sandboxRoot": [
          {"hostPath": "D:/projects/my-app", "containerPath": "/workspace", "write": true},
          {"hostPath": "D:/datasets/train-data", "containerPath": "/data", "write": false}
        ],
        "networkMode": "none",
        "memoryMaxSize": 500
      }
      

      Native 原生沙盒（个人开发推荐）：

      {
        "type": "coding",
        "sandbox": "native",
        "sandboxRoot": [
          {"hostPath": "D:/projects/my-app"},
          {"hostPath": "D:/datasets/train-data", "write": false}
        ],
        "memoryMaxSize": 500
      }
      

      远程客户端沙盒（Electron 桌面端，AI 操作本地电脑）：

      {
        "type": "coding",
        "sandbox": "remote",
        "sandboxRoot": [
          {"hostPath": "D:/projects/my-app"},
          {"hostPath": "D:/datasets/train-data", "write": false}
        ]
      }
      

      管理员模式（开发调试用，无任何限制）：

      {
        "type": "coding",
        "sandbox": "false",
        "workDir": "D:/projects/my-app"
      }
      

      sandboxRoot 字段说明：

      字段	说明	必填
      hostPath	宿主机绝对路径	✅ 必填
      containerPath	容器内挂载路径	Docker 必填，Native 忽略
      read	读权限	默认 true
      write	写权限	默认 true

      说明：sandboxRoot 数组第一条即为默认工作目录。networkMode 仅 Docker 模式生效，"none" = 完全断网（最安全），"bridge" = 可联网（需要 curl/git clone 等场景）。

      下载代码请复制以下命令到终端执行：

      git clone https://gitee.com/aizuda/lingclaw.git