minimal-agent 0.6.5 → 0.6.6

package/plugins/workflow-runner/src/stepExecutors/agent.js

@@ -0,0 +1,72 @@
+/**
+ * ============================================================
+ *  plugins/workflow-runner/src/stepExecutors/agent.ts —— agent step 执行
+ * ------------------------------------------------------------
+ *  「受工作流指导的 TAOR」一等公民。作者在 yaml 里 inline 描述一步开放任务
+ *  （agent: "..."），本执行器起一个**有界 TAOR agent**（miniReAct）随机应变完成：
+ *  思考 → 用工具 → 观察 → 反思 → 再来，直到把这一步要的结果做出来。
+ *
+ *  与 skill: 节点的分工：
+ *    - skill: 跑一个**外部 SKILL.md 定义的、可复用的**完整 agent（runQuery，maxTurns 50，流式）
+ *    - agent: 跑一个**inline 描述的、一次性的**有界 agent（miniReAct，白名单工具 + output_schema
+ *             + 验证闸门），轻、收敛快、产出受验证
+ *
+ *  与 onError:'recover' 共享 agentCommon 的系统提示词纪律与验证闸门——同一个脑子。
+ *
+ *  失败语义：agent 放弃 / 空产出 → interpretMiniReActResult 判 ok:false → 本执行器 throw，
+ *  走 dispatchActionStep 的正常失败路径，由 step.onError 接管（halt/continue/recover）。
+ *  —— 与其它动作 step 完全一致：agent 节点自己也能声明 onError:'recover' 被再救一次。
+ *
+ *  流式：execAgentStep 是 AsyncGenerator，`yield* runMiniReAct(...)` 把子 agent 的
+ *  text / reasoning / tool_start / tool_end 事件透传到 runWorkflow → UI，内层思考实时可见。
+ * ============================================================
+ */
+import { ALL_TOOLS } from '../../../../src/plugin-sdk.js';
+import { buildWorkflowAgentSystem, describeCaptureContract, interpretMiniReActResult, } from '../agentCommon.js';
+import { interpolate } from '../expressions.js';
+import { runMiniReAct } from '../miniReAct.js';
+const AGENT_OPENING = `你是一名资深工程师。一个工作流把其中**一步开放任务**交给你自主完成。
+你受工作流的总目标与已知上下文指导，但具体怎么做由你用工具随机应变决定——把这一步要的结果真正做出来。`;
+const AGENT_NODE_SYSTEM = buildWorkflowAgentSystem(AGENT_OPENING);
+export async function* execAgentStep(step, vars, ctx) {
+    if (typeof step.agent !== 'string') {
+        throw new Error(`step ${step.id}: 缺少 agent 字段`);
+    }
+    const task = interpolate(step.agent, vars);
+    const goalLine = ctx.goal ? `工作流总目标：${ctx.goal}\n\n` : '';
+    const captureLine = describeCaptureContract(step);
+    // 可选 context_files：列出 path + hint，让 agent 用 Read 按需取（不 inline 内容）。
+    let filesLine = '';
+    if (step.context_files && step.context_files.length > 0) {
+        const list = step.context_files
+            .map((f) => `- ${interpolate(f.path, vars)}${f.hint ? ` — ${f.hint}` : ''}`)
+            .join('\n');
+        filesLine = `\n\n以下文件可用，按需用 Read 读取：\n${list}`;
+    }
+    const userMsg = `${goalLine}` +
+        `你这一步要完成的任务：\n${task}` +
+        `${filesLine}${captureLine}\n\n` +
+        `请用工具把它做出来；确实做不成就按约定输出放弃标记。`;
+    // 工具集：默认全量 ALL_TOOLS（真 agency）；step.allowed_tools 收窄。
+    const allowed = step.allowed_tools;
+    const tools = allowed && allowed.length > 0
+        ? ALL_TOOLS.filter((t) => allowed.includes(t.name))
+        : ALL_TOOLS;
+    const result = yield* runMiniReAct({
+        messages: [
+            { role: 'system', content: AGENT_NODE_SYSTEM },
+            { role: 'user', content: userMsg },
+        ],
+        tools,
+        output_schema: step.output_schema,
+        provider: ctx.provider,
+        signal: ctx.signal,
+        maxTurns: step.maxTurns ?? 12,
+    });
+    const outcome = interpretMiniReActResult(result, step.output_schema !== undefined);
+    if (!outcome.ok) {
+        // 放弃 / 空产出 → 抛错，交给 dispatchActionStep 的失败路径 + step.onError 处置。
+        throw new Error(`agent 未完成任务：${outcome.reason}`);
+    }
+    return outcome.value;
+}

package/plugins/workflow-runner/src/stepExecutors/llm.js

@@ -1,6 +1,6 @@
 /**
  * ============================================================
- *  src/workflows/stepExecutors/llm.ts —— llm step 执行
+ *  plugins/workflow-runner/src/stepExecutors/llm.ts —— llm step 执行
  * ------------------------------------------------------------
  *  单轮 LLM 生成。关键设计：
  *    - tools: [] —— 不开任何工具（工具调用应该写成 tool: step）
@@ -54,7 +54,7 @@ export async function* execLlmStep(step, vars, ctx) {
         if (allowedTools.length === 0) {
             throw new Error(`step ${step.id}: context_files 启用但 allowed_tools=${JSON.stringify(allowedNames)} 没有匹配的可用工具`);
         }
-        return await runMiniReAct({
+        return yield* runMiniReAct({
             messages: [
                 { role: 'system', content: LLM_STEP_SYSTEM_WITH_TOOLS },
                 { role: 'user', content: augmented },

package/workflows/adaptive-research.yaml

@@ -0,0 +1,41 @@
+name: adaptive-research
+description: |
+  演示「受工作流指导的 TAOR」：确定性骨架 + 两处随机应变。
+  - research 步是 agent: 节点 —— 把一个开放任务（调研主题、整理笔记落盘）交给有界子 agent
+    自主用工具完成（思考→搜→写→自我验证）。
+  - count_lines 步是确定性 tool，但声明 onError: recover —— 万一路径/前置不对，
+    不整条崩，临时起恢复 agent 把这一步救回。
+  最后 assert 守门。这就是「指导 + 随机应变」按节点滑动的旋钮。
+version: "0.1"
+
+inputs:
+  - name: topic
+    type: string
+    required: true
+    description: "调研主题"
+
+steps:
+  # 1. agent 节点：开放式调研，自主决定怎么做，产出笔记并自我验证
+  - id: research
+    agent: |
+      调研主题「${inputs.topic}」：用你手上的工具搜集 3-5 个关键要点，
+      整理成简洁的中文 markdown，写到 ./out/notes.md（目录不存在就先创建）。
+      写完后用 Read 自检文件确实写好了再收尾。
+    capture:
+      content: notes
+
+  # 2. 确定性工具，但带 onError: recover —— 出意外就地自愈，而非崩停
+  - id: count_lines
+    tool: Bash
+    args:
+      command: "wc -l ./out/notes.md"
+    onError: recover
+    recover_hint: "文件不存在或路径不对，就先用 Glob/Read 定位 notes.md 再统计行数"
+    capture:
+      content: line_report
+
+  # 3. 守门 assert
+  - id: verify
+    type: assert
+    condition: 'fileExists("./out/notes.md")'
+    onFail: "调研笔记 ./out/notes.md 未生成，检查 research 步"