dominds 0.3.5 → 0.3.6

package/README.md

@@ -184,7 +184,7 @@ dominds
 
 Dominds is designed for long-running product development and operations, with a “division of labor” constitution:
 
-- Reduce **agent mental overhead** by dividing and distributing work across a team of specialized agents, and by using more effective **dialog course control** (instead of brittle context condensation) to shed conversational/tool-call noise when a dialog becomes cluttered.
+- Reduce **agent mental overhead** by dividing and distributing work across a team of specialized agents, and by using more effective **dialog course control** (instead of brittle context condensation) to shed conversational/tool-output noise when a dialog becomes cluttered.
 - Prevent **tool misuse** by putting side-effectful tools only in the hands of well-prompted specialist agents, via least-privilege toolsets/policies.
 - Prevent **staleness** (agents acting on outdated assumptions) by encoding decisions, conventions, configuration, and key repo facts into version-tracked workspace artifacts intended to be loaded into agent context (team-shared and agent-individual memory, task docs, and dialog-local reminders), rather than leaving them as “undiscovered” knowledge scattered across the repo.
 

package/dist/dialog.js

@@ -101,9 +101,9 @@ class Dialog {
         this.diligencePushRemainingBudget = 0;
         // Diligence Push disable switch (persisted via latest.yaml; default = false).
         this.disableDiligencePush = false;
-        // Current callId for tellask tool-call correlation
-        // - Set during tool_call_finish_evt (from TellaskStreamParser)
-        // - Retrieved during tool response (for receiveToolResponse callId parameter)
+        // Current callId for tellask call correlation
+        // - Set during teammate_call_finish_evt (from TellaskStreamParser)
+        // - Retrieved during inline call-result emission (for receiveTeammateCallResult callId parameter)
         // - Enables frontend to attach result INLINE to the calling section
         // - NOT used for teammate tellasks (which use calleeDialogId instead)
         this._currentCallId = null;
@@ -164,19 +164,19 @@ class Dialog {
         this._lastUserLanguageCode = language;
     }
     /**
-     * Get the current callId for tool-call correlation
+     * Get the current callId for tellask call correlation
      *
      * Call Types:
-     * - Tool Call (`!?@tool_name`): callId is set during tool_call_start_evt, used for inline result
-     * - Teammate Tellask (@agentName): Uses calleeDialogId, not callId
+     * - Tellask call block (`!?@...`): callId is set during teammate_call_finish_evt, used for inline result correlation
+     * - Teammate tellask (@agentName): Uses calleeDialogId, not callId
      *
-     * @returns The current callId for tool correlation, or null if no active tool call
+     * @returns The current callId for call correlation, or null if no active call
      */
     getCurrentCallId() {
         return this._currentCallId;
     }
     /**
-     * Set the current callId (called during tool_call_finish_evt for tool calls)
+     * Set the current callId (called during teammate_call_finish_evt for tellask call blocks)
      *
      * @param callId - The correlation ID from TellaskEventsReceiver.callFinish()
      */
@@ -625,15 +625,15 @@ class Dialog {
         await this.dlgStore.callingBodyFinish(this);
     }
     async callingFinish(callId) {
-        // Store callId for tool call correlation
+        // Store callId for inline call-result correlation
         this.setCurrentCallId(callId);
         await this.dlgStore.callingFinish(this, callId);
     }
     /**
-     * Receive tool response with callId for inline correlation
+     * Receive call result with callId for inline correlation
      */
-    async receiveToolResponse(responderId, headLine, result, status, callId) {
-        return await this.dlgStore.receiveToolResponse(this, responderId, headLine, result, status, callId);
+    async receiveTeammateCallResult(responderId, headLine, result, status, callId) {
+        return await this.dlgStore.receiveTeammateCallResult(this, responderId, headLine, result, status, callId);
     }
     /**
      * Receive teammate response (separate bubble for @teammate tellasks)
@@ -944,9 +944,9 @@ class DialogStore {
     sayingFinish(_dialog) { }
     async receiveFuncResult(_dialog, _funcResult) { }
     /**
-     * Receive tool response with callId for inline correlation
+     * Receive call result with callId for inline correlation
      */
-    async receiveToolResponse(_dialog, _responderId, _headLine, _result, _status, _callId) { }
+    async receiveTeammateCallResult(_dialog, _responderId, _headLine, _result, _status, _callId) { }
     /**
      * Receive teammate response (separate bubble for @teammate tellasks)
      */

package/dist/docs/OEC-philosophy.zh.md

@@ -161,21 +161,21 @@ OEC 代表了一种系统化的日常管理方法，强调**"日事日毕、日
 - **DevOps 实践**：持续集成和部署反映了日常改进
 - **知识管理**：系统化捕获和利用组织学习
 
-## OEC 在代理 DevOps 上下文中的应用
+## OEC 在智能体 DevOps 上下文中的应用
 
-在代理 DevOps 工作中，快速清除至关重要。OEC 原则直接转化为自动化系统管理：
+在智能体 DevOps 工作中，快速清除至关重要。OEC 原则直接转化为自动化系统管理：
 
-### **对话轮次管理**
+### **多进程对话**
 
-- **每日重置**：使用更新的任务文档和新的聊天日志开始新的对话轮次
-- **清除上下文**：确保所有代理在最佳清晰度和更新信息下工作
+- **每日重置**：使用更新的任务文档和空对话历史（主要是大篇幅、过时的工具调用结果）开启新一程对话
+- **清除上下文**：确保所有智能体在最佳清晰度和更新信息下工作
 - **即时解决**：在同一操作周期内解决问题和异常
 
-### **代理问责**
+### **智能体问责**
 
-- **每人**：每个代理有明确的操作参数和成功指标
+- **每人**：每个智能体有明确的操作参数和成功指标
 - **每事**：每项流程、决策和结果都有日志记录且可追溯
-- **每日**：代理绩效的持续监控和改进
+- **每日**：智能体绩效的持续监控和改进
 
 ### **系统优化**
 

package/dist/docs/cli-usage.zh.md

@@ -114,7 +114,7 @@ dominds webui -C ./my-workspace
 dominds read [options] [member-id]
 ```
 
-读取代理系统提示词与工作区配置，常用于排查团队设置问题与核对当前生效配置。
+读取智能体系统提示词与工作区配置，常用于排查团队设置问题与核对当前生效配置。
 
 **参数：**
 
@@ -214,8 +214,8 @@ dominds read
 每个对话目录通常包含：
 
 - `dialog.yaml` - 对话元数据
-- `latest.yaml` - 当前轮次 + lastModified 跟踪
-- `course-001.jsonl`（以及更多对话程）- 流式消息文件
+- `latest.yaml` - 当前进程编号 + lastModified 跟踪
+- `course-001.jsonl`（第 1 程对话，后续还可以有编号递增的多程）- 流式消息文件
 - `subdialogs/` - 嵌套子对话
 
 ## 错误处理

package/dist/docs/context-health.md

@@ -1,7 +1,7 @@
 # Context Health Monitor
 
 This document specifies a **context health monitor** feature for Dominds: a small, always-on signal
-that helps the agent (and user) avoid degraded performance when the conversation’s prompt/context is
+that helps the agent (and user) avoid degraded performance when the dialog’s prompt/context is
 getting too large relative to the model’s context window.
 
 ## Current Code Reality (as of 2026-01-28)
@@ -177,11 +177,6 @@ Note (zh UI copy):
 - `caution` → “吃紧”
 - `critical` → “告急”
 
-### Q4H(kind=context_health_critical) send gating
-
-This kind is retained as a reserved discriminator, but v3 no longer uses Q4H for critical context
-health remediation by default.
-
 ## Implementation Outline
 
 1. Refactor LLM provider wrappers to return token stats after each generation (including prompt

package/dist/docs/context-health.zh.md

@@ -1,6 +1,6 @@
 # 上下文健康监控器
 
-本文档为 Dominds 指定了一个**上下文健康监控器**特性：一个常驻的小型信号，帮助代理（和用户）在对话的提示词/上下文相对于模型的上下文窗口变得过大时避免性能下降。
+本文档为 Dominds 指定了一个**上下文健康监控器**特性：一个常驻的小型信号，帮助智能体（和用户）在对话的提示词/上下文相对于模型的上下文窗口变得过大时避免性能下降。
 
 ## 当前代码现状（截至 2026-01-28）
 
@@ -17,7 +17,7 @@ Dominds 已具备以下功能：
 - 当对话上下文"过大"时，执行简短的、可执行的、可回归测试的 **v3 恢复**工作流：
   - 在 **caution（警告）** 级别，记录一条自动插入的 **role=user prompt** 作为正常的、持久化的用户消息（UI 可见并渲染为正常的用户指令）。
   - 在 **critical（严重）** 级别，通过**倒计时恢复**（最多 5 轮）强制执行稳定性：
-    - 每轮注入一条**记录的角色为 user 的 prompt**（UI 可见为用户 prompt），指示代理整理提醒项（`update_reminder`/`add_reminder`），然后执行 `clear_mind`。
+    - 每轮注入一条**记录的角色为 user 的 prompt**（UI 可见为用户 prompt），指示智能体整理提醒项（`update_reminder`/`add_reminder`），然后执行 `clear_mind`。
     - prompt 包含倒计时信号（在进行自动 `clear_mind` 之前还剩多少轮）。
     - 当倒计时归零时，Dominds **自动**执行 `clear_mind`（无需 Q4H；无需暂停）以保持长期运行的自主性。
 
@@ -113,7 +113,7 @@ Dominds 计算比率：
 
 - 进入 `caution` 时，Dominds 插入一次提示（入口注入）。
 - 保持在 `caution` 状态时，Dominds 按节奏重新插入（默认：每 **10** 次生成；可按模型配置）。
-- 每次插入的提示都要求代理**整理提醒项**（至少一次调用）：
+- 每次插入的提示都要求智能体**整理提醒项**（至少一次调用）：
   - `update_reminder`（首选）/ `add_reminder`
   - 在提醒项内维护接续包草稿
   - 当可扫描/可操作时执行 `clear_mind`
@@ -122,7 +122,7 @@ Dominds 计算比率：
 
 当 `level === 'critical'` 时，驱动程序进入**倒计时恢复**（最多 **5** 轮）：
 
-- 每轮，驱动程序记录一条 **role=user prompt**（持久化为用户消息），在 UI 中作为用户 prompt 可见。此提示告诉代理：
+- 每轮，驱动程序记录一条 **role=user prompt**（持久化为用户消息），在 UI 中作为用户 prompt 可见。此提示告诉智能体：
   - 通过 `update_reminder` / `add_reminder` 整理提醒项（尽力而为的接续包），然后调用 `clear_mind` 开始新一程。
 - 提示包含倒计时：经过 **N** 轮后系统将自动清空。
 - 当倒计时归零时，驱动程序**自动调用** `clear_mind`（带空参数；不要求 `reminder_content`），开始新一程且无需暂停。
@@ -153,14 +153,10 @@ Dominds 计算比率：
 - `caution` → "吃紧"
 - `critical` → "告急"
 
-### Q4H(kind=context_health_critical) 发送门控
-
-此 kind 保留为预留的鉴别符，但 v3 默认不再使用 Q4H 进行关键上下文健康恢复。
-
 ## 实现大纲
 
 1. 重构 LLM 提供商包装器以在每次生成后返回 token 统计（包括提供商报告时的提示词 token 计数）。
-2. 将使用统计传入对话状态（与对话程一起持久化）。
+2. 将使用统计传入对话状态（与每程对话一起持久化）。
 3. 实现上下文健康监控计算并每次生成持久化。
 4. 实现 v3 恢复（持久化的 role=user 提示插入 + 警告提醒整理节奏 + 严重倒计时 + 自动 clear_mind）。
 5. 为 v3 行为添加最小回归防护（类型 + 门控）。
@@ -172,6 +168,6 @@ Dominds 计算比率：
   - 未配置时 `optimal_max_tokens` 默认为 `100_000`。
   - 未配置时 `critical_max_tokens` 默认为 `floor(modelContextLimitTokens * 0.9)`。
 - v3 恢复：
-  - `caution`：驱动程序插入持久化的 role=user prompt（UI 可见的用户指令）。进入 `caution` 时插入一次；保持在 `caution` 状态时按节奏重新插入（默认：每 10 次生成；可按模型配置）。每次代理必须至少调用 `update_reminder` / `add_reminder` 之一并维护接续包草稿，然后在就绪时执行 `clear_mind`。
+  - `caution`：驱动程序插入持久化的 role=user prompt（UI 可见的用户指令）。进入 `caution` 时插入一次；保持在 `caution` 状态时按节奏重新插入（默认：每 10 次生成；可按模型配置）。每次智能体必须至少调用 `update_reminder` / `add_reminder` 之一并维护接续包草稿，然后在就绪时执行 `clear_mind`。
   - `critical`：驱动程序使用**记录的角色为 user 的 prompt** 运行倒计时恢复（最多 5 轮）。每次提示包含倒计时并指示提醒整理 + `clear_mind`。当倒计时归零时，驱动程序自动执行 `clear_mind` 并开始新一程（无 Q4H，无暂停）。
 - UI 显示上下文健康状态：绿色/黄色/红色（以及使用情况不可用时的"未知"处理）。

package/dist/docs/design.md

@@ -71,7 +71,7 @@ This fundamental problem manifests in several ways:
    - Redundant information and circular conversations
 
 2. **Context Pollution**
-   - Accumulated chat history that obscures current priorities
+   - Accumulated dialog history that obscures current priorities
    - Outdated information that conflicts with current state
    - Mixed signal-to-noise ratio in conversation threads
 
@@ -335,19 +335,19 @@ Agent: [Clean mental state + Taskdoc only] + Specific sub-problem
 Main Dialog (Root Dialog)
 ├── Taskdoc Reference → tasks/feature-auth.tsk/ (Workspace Taskdoc package)
 ├── Reminders (Working Memory)
-├── Chat Messages (Ephemeral)
+├── Dialog Messages (Ephemeral)
 └── Subdialogs (Tree-Structured, Stored Flat Under Main Dialog)
 ├── Specialized Agent A
 │ ├── Taskdoc Reference → tasks/feature-auth.tsk/ (Same Taskdoc package)
 │ ├── Parent Call Context
 │ ├── Local Reminders
-│ └── Local Chat Messages
+│ └── Local Dialog Messages
 │ └── Sub-Subdialogs (Further Nesting Possible)
 └── Specialized Agent B
 ├── Taskdoc Reference → tasks/feature-auth.tsk/ (Same Taskdoc package)
 ├── Parent Call Context
 ├── Local Reminders
-└── Local Chat Messages
+└── Local Dialog Messages
 
 ```
 
@@ -371,7 +371,7 @@ Main Dialog (Root Dialog)
    - Can link to other product documentation and evolve as project requirements change
 2. **Reminders**: Semi-persistent, dialog-scoped, survives conversation cleanup
 3. **Parent Call Context**: Inherited context for subdialogs
-4. **Chat Messages**: Ephemeral, subject to cleanup for mental clarity
+4. **Dialog Messages**: Ephemeral, subject to cleanup for mental clarity
 
 #### Workspace-Persistent Memory (DevOps Lifecycle)
 

package/dist/docs/design.zh.md

@@ -1,16 +1,16 @@
-# Dominds：AI 代理的社会分工
+# Dominds：AI 智能体的社会分工
 
 ## 概述
 
-Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理清晰实践来管理认知过载的系统性方法。本文档概述了我们防止代理迷失方向和在 AI-人协作环境中保持高效专注的综合框架。
+Dominds 为 AI 智能体实现了**社会分工**——一种通过战略性心理清晰实践来管理认知过载的系统性方法。本文档概述了我们防止智能体迷失方向和在 AI-人协作环境中保持高效专注的综合框架。
 
-**核心问题**：LLM 代理很容易迷失方向，远在技术上下文窗口完全填满之前。问题从来不是 token 太多，而是方面和关注点太多——它们像人类一样遭受心理过载。
+**核心问题**：LLM 智能体很容易迷失方向，远在技术上下文窗口完全填满之前。问题从来不是 token 太多，而是方面和关注点太多——它们像人类一样遭受心理过载。
 
-**关键设计原则**：代理在**自主 "YOLO 模式"** 下运行，配备**新靴推理**——通过战略性上下文重置和以任务为中心的专注架构，以干净的心理状态做出独立决策。
+**关键设计原则**：智能体在**自主 "YOLO 模式"** 下运行，配备**新靴推理**——通过战略性上下文重置和以任务为中心的专注架构，以干净的心理状态做出独立决策。
 
 ## 目录
 
-1. [问题：代理迷失方向](#问题代理迷失方向)
+1. [问题：智能体迷失方向](#问题智能体迷失方向)
 2. [社会分工解决方案](#社会分工解决方案)
 3. [新靴推理框架](#新靴推理框架)
 4. [架构模式](#架构模式)
@@ -20,29 +20,29 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 
 ---
 
-## 问题：代理迷失方向
+## 问题：智能体迷失方向
 
-### 核心问题：AI 代理的认知过载
+### 核心问题：AI 智能体的认知过载
 
-> LLM 代理很容易迷失方向，远在技术上下文窗口完全填满之前
+> LLM 智能体很容易迷失方向，远在技术上下文窗口完全填满之前
 
 这个根本问题以几种方式表现：
 
 **1. 上下文碎片化**
 
-- 代理在扩展交互中难以保持连贯的推理线索
+- 智能体在扩展交互中难以保持连贯的推理线索
 - 重要的上下文被累积的对话历史埋没
 - 决策质量随着对话长度增加而下降
 
 **2. 注意力稀释**
 
-- 代理将认知资源分散到太多相互竞争的优先事项上
+- 智能体将认知资源分散到太多相互竞争的优先事项上
 - 相关信息在过去交互的噪音中丢失
 - 重点从主要目标转移到次要细节
 
 **3. 心理状态退化**
 
-- 代理的"心理模型"变得混乱和不一致
+- 智能体的"心理模型"变得混乱和不一致
 - 之前的假设即使上下文已改变仍然存在
 - 推理路径变得越来越复杂
 
@@ -52,14 +52,14 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 
 **Token 容量 vs. 认知容量**
 
-- 尽管有大量的 token 限制，人类式的工作记忆限制仍然适用于 AI 代理
+- 尽管有大量的 token 限制，人类式的工作记忆限制仍然适用于 AI 智能体
 - 推理质量在达到 token 限制之前很久就会下降
 - 上下文窗口不是瓶颈——认知带宽才是
 
 **多方面的注意力分散**
 
-- 每个对话程添加新的约束、目标和考虑因素
-- 代理必须保持对项目范围、用户偏好、技术约束等的认识
+- 对话的每一程添加新的约束、目标和考虑因素
+- 智能体必须保持对项目范围、用户偏好、技术约束等的认识
 - 认知负荷随交互复杂性呈指数级增长
 
 ### 心理开销的来源
@@ -86,7 +86,7 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 
 ### 上下文压缩：效果有限
 
-> 上下文压缩？这对代理迷失方向来说是一个相当糟糕的缓解措施
+> 上下文压缩？这对智能体迷失方向来说是一个相当糟糕的缓解措施
 
 **上下文压缩实际做了什么**
 
@@ -112,7 +112,7 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 
 - 摘要创建僵化的、过时的快照
 - 应该演变的上下文变得石化
-- 代理失去对当前动态状态的意识
+- 智能体失去对当前动态状态的意识
 
 **4. 累积压缩损失**
 
@@ -124,7 +124,7 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 
 > 经常改变想法，经常清除脑海中的噪音
 
-**核心哲学：AI 代理的心理卫生**
+**核心哲学：AI 智能体的心理卫生**
 
 **1. 有意的上下文重置**
 
@@ -160,7 +160,7 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 
 **1. 减少认知负荷**
 
-- 代理专注于一个中央文档
+- 智能体专注于一个中央文档
 - 无需解析对话历史
 - 当前任务和历史上下文之间清晰分离
 
@@ -221,7 +221,7 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 **传统问题解决：**
 
 ```
-代理：[现有对话历史，当前状态，任务文档] + 问题
+	智能体：[现有对话历史，当前状态，任务文档] + 问题
 → 尝试同时解决所有方面
 → 遭受认知过载
 → 产生次优结果
@@ -230,11 +230,11 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 **新靴推理：**
 
 ```
-代理：[干净的心理状态 + 仅任务文档] + 特定子问题
+	智能体：[干净的心理状态 + 仅任务文档] + 特定子问题
 → 专注于单一方面
 → 应用不带包袱的新鲜推理
 → 产生清晰、有针对性的解决方案
-→ 将洞察返回给主代理
+→ 将洞察返回给主智能体
 ```
 
 ### 新靴机制
@@ -247,13 +247,13 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 
 **2. 新上下文创建**
 
-- 将代理的"心理状态"重置为初始任务理解
+- 将智能体的"心理状态"重置为初始任务理解
 - 仅加载必要的任务文档和子问题
 - 清除所有累积的对话上下文
 
 **3. 专注推理会话**
 
-- 代理以全部认知带宽攻击子问题
+- 智能体以全部认知带宽攻击子问题
 - 没有其他任务方面的干扰
 - 纯粹的问题解决，没有上下文污染
 
@@ -267,7 +267,7 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 
 #### 多透镜方法
 
-**概念**：使用不同的"透镜"或视角来检查同一个问题，每个都有新鲜的代理实例。
+**概念**：使用不同的"透镜"或视角来检查同一个问题，每个都有新鲜的智能体实例。
 
 **实现：**
 
@@ -299,16 +299,16 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 
 **新鲜度级别：**
 
-1. **级别 0**：当前代理状态
-2. **级别 1**：干净代理 + task_doc（标准新靴）
-3. **级别 2**：完全重置的代理，只有问题陈述
-4. **级别 3**：具有不同训练重点的新代理实例
+1. **级别 0**：当前智能体状态
+2. **级别 1**：干净智能体 + task_doc（标准新靴）
+3. **级别 2**：完全重置的智能体，只有问题陈述
+4. **级别 3**：具有不同训练重点的新智能体实例
 
 ### Dominds 中的新靴实现
 
 **自主触发：**
 
-- 代理检测认知过载何时影响性能
+- 智能体检测认知过载何时影响性能
 - 自主发起的复杂子问题新鲜推理会话
 - 自动会话管理和结果整合
 
@@ -318,9 +318,9 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 - 确保多个专注推理尝试的一致性
 - 允许认知重置的同时保持连续性线索
 
-**多代理新鲜协调：**
+**多智能体新鲜协调：**
 
-- 不同代理可以从不同角度对同一问题运行新鲜会话
+- 不同智能体可以从不同角度对同一问题运行新鲜会话
 - 并行新鲜推理加速复杂问题解决
 - 结果自动整合到共享任务上下文中
 
@@ -336,13 +336,13 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 ├── 提醒项（工作记忆）
 ├── 聊天消息（临时）
 └── 子对话（树结构，扁平存储在主对话下）
-    ├── 专业代理 A
+    ├── 专业智能体 A
     │   ├── 任务文档引用 → tasks/feature-auth.tsk/（相同的任务文档包）
     │   ├── 父调用上下文
     │   ├── 本地提醒项
     │   └── 本地聊天消息
     │   └── 子子对话（可进一步嵌套）
-    └── 专业代理 B
+    └── 专业智能体 B
         ├── 任务文档引用 → tasks/feature-auth.tsk/（相同的任务文档包）
         ├── 父调用上下文
         ├── 本地提醒项
@@ -379,17 +379,17 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
    - **共享标准**：编码约定、架构决策和最佳实践
    - **项目历史**：重要决策、里程碑和上下文演变
 
-6. **代理个体记忆**：跨所有对话每个代理持久化的个人知识
-   - **个人专长**：个体代理的专业知识和技能
+6. **智能体个体记忆**：跨所有对话每个智能体持久化的个人知识
+   - **个人专长**：个体智能体的专业知识和技能
    - **个人经验**：个人学习和适应模式
-   - **角色特定上下文**：代理特定职责和操作知识
+   - **角色特定上下文**：智能体特定职责和操作知识
    - **性能模式**：个人优化策略和偏好
 
 **记忆特征：**
 
 - **透明度**：所有记忆对人类透明并可通过人类监督调整
-- **自主演进**：记忆由代理团队随时间自主持续改进
-- **生命周期持久性**：团队和代理记忆在整个 DevOps 生命周期中持久化
+- **自主演进**：记忆由智能体团队随时间自主持续改进
+- **生命周期持久性**：团队和智能体记忆在整个 DevOps 生命周期中持久化
 - **人类可访问性**：人类可以随时检查、修改和指导记忆演进
 
 ### 信息流
@@ -413,7 +413,7 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 - **层次对话架构**：具有扁平存储和自主管理的树结构对话
 - **记忆层**：具有自主演进的对话范围和工作区持久化记忆
 
-该实现强调自主代理操作，使代理能够独立管理其认知状态、创建和管理子对话，并在最少的人工监督下进行协调。
+该实现强调自主智能体操作，使智能体能够独立管理其认知状态、创建和管理子对话，并在最少的人工监督下进行协调。
 
 ---
 
@@ -472,7 +472,7 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 - 减少问题解决时间
 - 最终解决方案质量更高
 
-### 对于以自主模式运行的 AI 代理
+### 对于以自主模式运行的 AI 智能体
 
 #### 主动清晰度管理
 
@@ -495,15 +495,15 @@ Dominds 为 AI 代理实现了**社会分工**——一种通过战略性心理
 
 #### 架构原则
 
-1. **自主优先架构**：设计使能并鼓励自主代理行为而非需要持续人工监督的系统
+1. **自主优先架构**：设计使能并鼓励自主智能体行为而非需要持续人工监督的系统
 
-2. **自我管理工具**：为代理提供支持自主认知状态管理和决策的工具和模式
+2. **自我管理工具**：为智能体提供支持自主认知状态管理和决策的工具和模式
 
-3. **清晰的自主边界**：建立清晰的运营边界，允许代理独立运行同时保持系统一致性
+3. **清晰的自主边界**：建立清晰的运营边界，允许智能体独立运行同时保持系统一致性
 
-4. **自主反馈循环**：设计代理可以自主评估自己的绩效并相应调整行为的系统
+4. **自主反馈循环**：设计智能体可以自主评估自己的绩效并相应调整行为的系统
 
-5. **独立协调模式**：创建无需中央控制即可工作的协调机制，实现自主多代理协作
+5. **独立协调模式**：创建无需中央控制即可工作的协调机制，实现自主多智能体协作
 
 ---
 
@@ -600,35 +600,35 @@ workspace/
 ### 增强自主能力
 
 - **高级自我评估**：开发更复杂的自主认知负荷评估算法
-- **预测性清晰度管理**：使代理能够预测何时需要清晰操作并主动准备
-- **自主学习**：允许代理根据自己的性能模式学习和调整清晰度策略
+- **预测性清晰度管理**：使智能体能够预测何时需要清晰操作并主动准备
+- **自主学习**：允许智能体根据自己的性能模式学习和调整清晰度策略
 - **自优化层次结构**：使对话层次结构能够自主重组以获得最佳性能
 
-### 自主多代理协调
+### 自主多智能体协调
 
-- **分布式自主共识**：开发自主代理就任务方向变化达成共识的协议
-- **自组织代理网络**：使代理能够根据任务要求自主形成和解散协作网络
-- **独立冲突解决**：创建无需人工干预的自主代理解决冲突的机制
+- **分布式自主共识**：开发自主智能体就任务方向变化达成共识的协议
+- **自组织智能体网络**：使智能体能够根据任务要求自主形成和解散协作网络
+- **独立冲突解决**：创建无需人工干预的自主智能体解决冲突的机制
 
 ### 高级自主上下文管理
 
-- **智能自主上下文压缩**：开发代理自主压缩和保留基本上下文的算法
-- **自我导向上下文共享**：使代理能够自主确定跨对话边界共享什么上下文
-- **自主记忆优化**：允许代理独立优化其记忆使用和保留策略
+- **智能自主上下文压缩**：开发智能体自主压缩和保留基本上下文的算法
+- **自我导向上下文共享**：使智能体能够自主确定跨对话边界共享什么上下文
+- **自主记忆优化**：允许智能体独立优化其记忆使用和保留策略
 
 ### 研究机会
 
 #### 自主认知负荷指标
 
-- **自我评估算法**：代理评估自己认知状态和决策质量的定量措施
+- **自我评估算法**：智能体评估自己认知状态和决策质量的定量措施
 - **性能相关性**：自主上下文质量与独立任务绩效之间的关系
-- **最优自主清晰时机**：研究代理应独立触发清晰操作以获得最大益处的时机
+- **最优自主清晰时机**：研究智能体应独立触发清晰操作以获得最大益处的时机
 
-#### 自主多代理协作
+#### 自主多智能体协作
 
-- **独立协调**：自主代理如何在没有中央控制的情况下有效协调
-- **自组织心理模型**：自主代理在无需显式同步的情况下保持一致理解的技术
-- **自主信任网络**：在自主代理决策中建立信心和可靠性
+- **独立协调**：自主智能体如何在没有中央控制的情况下有效协调
+- **自组织心理模型**：自主智能体在无需显式同步的情况下保持一致理解的技术
+- **自主信任网络**：在自主智能体决策中建立信心和可靠性
 
 #### 可扩展性和自主性能
 
@@ -640,10 +640,10 @@ workspace/
 
 ## 结论
 
-AI 代理有效性的未来不在于更大的上下文窗口，而在于更智能的上下文管理。通过拥抱主动上下文清除和新靴推理等概念，我们可以构建在扩展交互中保持清晰和专注的代理。
+AI 智能体有效性的未来不在于更大的上下文窗口，而在于更智能的上下文管理。通过拥抱主动上下文清除和新靴推理等概念，我们可以构建在扩展交互中保持清晰和专注的智能体。
 
-AI 代理的社会分工代表了从传统单体方法到认知架构的根本转变。dominds 系统表明，系统化的心理清晰实践不仅仅是锦上添花的功能，而是实现自主、高效和可靠 AI 辅助的核心架构原则。
+AI 智能体的社会分工代表了从传统单体方法到认知架构的根本转变。dominds 系统表明，系统化的心理清晰实践不仅仅是锦上添花的功能，而是实现自主、高效和可靠 AI 辅助的核心架构原则。
 
-关键洞察是，AI 代理和人类一样，从心理卫生实践中受益匪浅。定期的认知清理和专注的问题解决会话可以显著提高代理推理的质量和效率。新靴推理将管理大量对话上下文的挑战转化为优势，允许代理通过中央任务文档保持整体项目连续性的同时，对复杂问题的每个方面带来新鲜、专注的注意力。
+关键洞察是，AI 智能体和人类一样，从心理卫生实践中受益匪浅。定期的认知清理和专注的问题解决会话可以显著提高智能体推理的质量和效率。新靴推理将管理大量对话上下文的挑战转化为优势，允许智能体通过中央任务文档保持整体项目连续性的同时，对复杂问题的每个方面带来新鲜、专注的注意力。
 
-随着 AI 系统变得更加复杂并部署在更具挑战性的环境中，本文中概述的原则和模式对于成功将变得越来越重要。未来属于能够清晰思考、自主运行并通过系统化认知管理方法有效协作的 AI 代理。
+随着 AI 系统变得更加复杂并部署在更具挑战性的环境中，本文中概述的原则和模式对于成功将变得越来越重要。未来属于能够清晰思考、自主运行并通过系统化认知管理方法有效协作的 AI 智能体。