Skip to content

THANKS.md

Latest commit

 

History

History
205 lines (169 loc) · 25.4 KB

THANKS.md

File metadata and controls

205 lines (169 loc) · 25.4 KB
Raw

致谢

sofagent

sofagent 站在巨人肩膀上。以下每个项目与作者，都在某个设计决策里留下痕迹。

v1.6.0 · 2026-10-15（GMT+8）· ✅ 已发版 · 孔放勋

收录纪律：一条一行——名字 · 链接 · 启发（≤25 字）；全文分析见 archive/validation-deep/thanks-extended.md。

目录

基石

  • OpenClaw · Peter Steinberger — 四层加载链 Hook 机制之源

生成伙伴

模型间 Loop 实验——多 session 内互改互审直到全通过，随后新 session 重审、下一轮迭代。

思想之源

影响了 sofagent「为什么这么设计」的理论与实践。分析段全文见归档。

哲学基因

  • Ralph Loop · Geoffrey Huntley —「Agent 会失忆，文件不会」：git diff 是地面真相
  • Andrej Karpathy Skills — 4 条编码原则是 9 则铁律的根基
  • Anthropic Skills — 官方 SKILL.md 规范，描述-实现分离参考

Loop → Harness → Graph

实验与证据

编排与架构

  • Managed Agents · Anthropic — 四层编排：连接+行动与深度思考分工
  • Deep Agents · LangChain — 验证 v1.x 技术选型（已迁 LangGraph）
  • DeepSeek Harness (DSH) · DeepSeek — 一切皆插件运行时；cordis-plugin 协议基础
  • Cordis + 时空可组合性论文 · cordiverse — 时间+空间可组合性，进化模块运行时视角
  • Claude Code Agent Loop · Anthropic — 三阶段循环+三档权限，与 HITL 🟢🟡🔴 同构
  • Palantir AIP Ontology · Palantir — 数据+逻辑+动作+安全四合一数字孪生层
  • The Path to Recursively Self-Improving Harnesses · 翁荔（Lilian Weng）— 六层 Harness 优化框架
  • The Anatomy of an Agent Harness · Akshay Pachaar — Harness 即 LLM 的操作系统，12 核心组件
  • Three Key Loops · Andrew Ng — 分钟→小时→天三层嵌套循环
  • OpenWorker · Andrew Ng 团队 — 四级权限模型；「Ask for an outcome, not just an answer」
  • aisuite · Andrew Ng 团队 — <provider>:<model> 统一接口
  • DeerFlow · 字节跳动 — "super agent harness" 命名印证品类
  • Omnigent · Databricks 系 — meta-harness：策略强制在基础设施层
  • LiteLLM · BerriAI — 开源 LLM gateway
  • bubblewrap · containers — OS 级沙箱原语
  • LangChain middleware · LangChain — wrapToolCall：运行时审计精确接入点
  • EnkryptAI Secure MCP Gateway · EnkryptAI — 安全护栏 + audit_only 模式
  • Agent Client Protocol (ACP) — LSP 式开放协议
  • DataFlow · 北京大学 DCAI — 独立用「Harness」命名的第三方佐证
  • ChatDemo · OpenFDEAI — FDE 术语同源
  • PenguinHarness · Yaowei Zheng — Benchmark 与工具审批四模式参考
  • prime-agent · Prime Intellect — 跨进程写保护与 RefinementEvent 证据记录
  • Control the Harness, Control the Cost — 未调优 harness 默认值 = 成本与治理一并交出去
  • Self-Healing Harness — 准入门控：提议在内、门在外、持久化由门决定
  • RegenHarness — evidence-gated RSI；改进无权降低门强度
  • The Harness as the Only Mutable Surface — 自进化只有收敛在运行时 harness 内才「可复核」（被审对象不消失）；含实测的计量准入门（第三方论文、本仓未复算）
  • Harness Evolution Hits a Ceiling — 用失败轨迹的首个触发信号把失败拆成进程失败（阻塞调用 / 循环 / 步数耗尽）与内容失败，据此判「继续动 harness 还是开训权重」：harness 侧会到顶，到顶后权重才接棒（第三方论文、本仓未复算）
  • E-Ledger: Safe, Persistent, and Evolving Agent Harness — 面向部分可观测的长程任务：每个动作执行前先过策略批准层 + 维护「已验证隐藏规则」的世界账本（第三方论文、本仓未复算）
  • DuplexAgent-RSI — 递归改进落在 harness 的协调层（任务受理 / 进度 / 取消 / 替换 / 结果交付），不落在权重（第三方论文、本仓未复算）
  • Recurrent Harness for Agentic Continual Learning — ReHarness：harness 状态不再只靠前向信息流演化、也不依赖额外回放或验证数据，而是做成循环结构以在长交互流上持续适应分布漂移 ⇒ 「harness 自更新」多了一种须被审计观察的形态（第三方论文、本仓未复算）
  • [AI 研发自动化与智能爆炸]（arXiv 2609.36054 · Hinton / Bengio / Barto 等 22 人立场论文 · CASP）— 推演「AI 接管 AI 研发」的爆炸机制（有效研发劳动力 + 参数 r）与四道摩擦；治理首优「独立审计 + 越权监测」与约束层同向（本仓未复算）

判定与校准

决策模型来源。判定层门槛不在模型架构，在判据数据集——判定件深读（对照件池谱系）见归档。

  • SalesRLAgent · Nandakishor M — 概率预测当序列决策训练，「只出概率不生成」之源
  • Confidence-Aware Routing · Nandakishor M — 统一置信度驱动四路径路由，与 L0/L1/L2+第三态同构
  • System Switch — 双件系统：闸门开才把控制权交给慢 VLM
  • DeepRAG · Nandakishor M — 从零自建 embedding 模型参考
  • System One Models & Jev · TypeSafe AI — RLCD、三原语提出方；「校准优先于偏好」
  • laya · Convai Innovations — 非自回归判定件参照+对照基线；@2026-10-10 PyPI 面 0.4.2
  • kev · Jared Palmer — Jev 架构型开源复刻（0.8B/4B/9B 全尺寸）
  • Bespoke Nimble · Bespoke Labs — 2,676 条对比式样本构造法（「数据质量 > 参数量」）
  • Jev 接口复刻族（SemIf / NanoJev / Jevlike / LocalJev / JEV-mini）— 对照件候选与路线对照
  • decider · Mapika — 校准工程最深的复现家族（ECE 0.288→0.071）；@2026-10-08 PyPI 面 decider-ai 1.9.0
  • CLM · Contrastive-LM — 双塔对比式路线对照（公开 scaling-law 拟合）
  • JevK5 · allebee — 独立开源替代；蒸馏 LoRA 合并权重同批开源
  • OpenThai-SystemOne · iApp — 泰/英双语 0.8B，契约兼容成本品类默认
  • AutoJev-27B · denis-pplx —「自主 agent 全程建成」活体样本；披露 ECE 三列
  • RSI-Jev · Shanghua Gao — RSI 循环直接造判定件；v4.0-VL 读图（自报）
  • AgentJev · malevrigns —「去 LM head」形态正例（置换等变判定头）
  • Intern-Decision（权重集合页 internlm/intern-decision）· 上海 AI Lab（InternLM）— 多模态判定件：冻结视觉塔与投影层、只微调语言主干，0.8B／2B／4B，Apache-2.0；保留 next-token head ⇒ 路线参考（非「encoder + 判定头」同构；准入鉴别见 v1.9.0 §五）；读数全系厂商自报、本仓未复算
  • FRIDA-Decisions · SberAI — 一次编码打包全问，序构造性无关（转述）
  • Permutation-Robust Decision Modeling — 候选分数不该依赖序列化顺序（架构级）
  • AnyJev · Nokia — 读出校准免训练两件套：先验除法+旋转平均（自报）
  • TensorFlow.js + tfjs-models · Google — 一套 API 四后端+模型即 npm 包的十年先例
  • Verdict / rlcd-modernbert-151m · Heman10x-NGU —「编码器+判定头」最早可复算建仓时点（2026-09-17）
  • jevbench · fstandhartinger — 判定件独立第三方榜；@2026-10-13 数据端点面 v1.6.1（协议仍 jevbench::v1.6 · n_ranked 92→135 · roster_count 173 · source_sha256 换值；v1.6.0 端点仍在但冻结返旧值），release 面仍 v1.4.2 ⇒ 六面不同步（读数据端点，不采渲染页）
  • AgentGovBench + ST-WebAgentBench — 治理对照基准两件套（CuP 双轴指标）；其「Harness honesty」修订公开固化：制造证据不计分、空审计日志不算通过、报错场景留在分母
  • NIST 官方标准面（CAISSI 三支柱 + RFI + NCCoE 四功能域 + AI 800 系列）— agent = 非人类身份 principal；双身份令牌
  • Jev-Mem — System One 控制面管 agentic memory
  • jev-harness-lab · Aitejiu — 判定件 harness 内可用面黑箱评测
  • Fast Models, Slow Evidence — paired 自审评测：自报与独立实测分列
  • JevAdvBench — 判定件对抗基准（被攻击决策对干净决策打分）
  • LAVOIR — 判定件「该问什么」扩展（VOI 槽位；已开源）
  • JEVal — 双语 36 数据集判定件基准：证据可解最强（自报）
  • 候选覆盖与拒答迁移 — 源域校准保不住目标操作点：跨域须重校
  • 严格适当评分规则 · Gneiting & Raftery 等 — RLCD 数学正确性依据：诚实报告校准概率才取最大期望奖励
  • Sys1Cal-v1 — 判定件概率数值含义专用数据集（全变差距离评分）
  • PACT — 单 token 判定的校准感知训练：四项免新标注训练项
  • SanSi — 层内循环后仍单次 readout：非自回归算力分配
  • Readout Stability — 菜单换而文本不变，缓存首过分布已定后验（自报）
  • Your-LM-Is-Already-a-Decision-Model · ntlm1686 — 训练必要性对照：未微调 9B 与 Jev 互有胜负（自测）
  • One Word Opens the Gate — 护栏件的输入侧攻击面：类型化判定件被放进 agent 当闸门后，「选项通道」上一个词即可开门 ⇒ 闸门件自身也是攻击面，不只是判据面（第三方论文、本仓未复算）
  • TypedBench — 非生成式接口的「校准 / 框架敏感性 / 成本」三维独立基准（第三方基准、本仓未复算）
  • Can Jev be Your Q or Policy in RL? — 判定件不生成文本、直接返回校准的类型化概率 ⇒ 试作 RL 的 Q / policy：非自回归路线在强化学习侧的能力边界（第三方论文、本仓未复算）
  • FastJEV — 候选评估侧冗余也是紧凑判定件的独立优化面（第三方论文、本仓未复算）。
  • Specialized Decision Models vs. General-Purpose LLMs — 13 个多选题基准 × 19 个 LLM：专项判定件在知识与常识面可比前沿 LLM（第三方基准、本仓未复算）。
  • Adversarial Cues in Decision Models Used as Judges — 判定件当裁判时，一个冒号即可把误接受率从 1.0% 抬到 26.0% ⇒ 「输在呈现形态、不在候选内容」（第三方论文、本仓未复算）。
  • Can Decision Models Understand Stance? — 立场检测对照：英文 VAST 面与前沿 LLM 相当，中文对话 ZS-CSD 面落后于微调模型 ⇒ 判定件能力边界非全域占优（第三方论文、本仓未复算）
  • Drex · Nace.AI — 开源判定件族：v1.5 9B / DLM 8B 扩散 LM，均带独立 pointer head、复用 Kev 代码；代码 Apache-2.0、权重非通行开源（Open RAIL-M / CC BY-NC 4.0，商用须另授权）；自报 Decision Index 0.3.1 公开面 58.08（厂商自测、本仓未复算）。
  • Sieve · sthanika-ai — 判定件族 0.8B–31B、全 Apache-2.0：读出＝末层隐状态 × 选项标签行 + 定温 softmax、不生成文本，与「编码器 + 判定头」同路线；0.8B 与本仓 0.5B 同量级。自报 Decision Index 0.3 公开面：4B 50.06 / 9B-v2 53.35 / 27B 60.04 / 31B 62.52（厂商自测、未上榜单）。
  • Can Language Models Learn When to Abstain? — 弃权能力的两条实现路对照：训练模型自身 vs 另训一个答案检查组件；以「答对加分 / 答错扣分 / 允许弃权」的评分在 Qwen3-14B 上跨三训练种子与两个留出置信阈值比较 ⇒ 弃权该内建还是外挂，有可复算的实验口径（第三方论文、本仓未复算）
  • Open Jev · intikhab49 — 150M 编码器 + 单次前向 + 类型化问题（noul/choice/score）；400 例自测 ensemble 0.6965 / ECE 0.0565 对 Jev 0.7270 / 0.1440 ⇒ 校准优于 Jev 2.5×（Jev 零样本、本件同分布 1,016 例训练），T4 半小时可训；Apache-2.0，与「编码器+判定头」同路线（厂商自测、本仓未复算）
  • LLM2Jev · Yinsongxu — prefill-only 读出（不逐 token 解码）把任意本地 LLM 变结构化判定件 ⇒ 非自回归路线的外部同款；Apache-2.0（自报）
  • vLLM-Jev · mode-io — 判定件的原生 vLLM 服务化（部署面参照）；Apache-2.0

认知与反馈

  • A Field Guide to Fable · Thariq Shihipar — 四类未知框架；瓶颈从「能不能做」变「你能不能说清楚」
  • When AI builds itself · Anthropic — 代码生成不再是瓶颈，人工审查成新堵点
  • SkillOpt · 微软 — Skill 自进化参考（现由自研 gate 验证器替代）
  • Satya Nadella at Microsoft Build · Satya Nadella —「Every company will have its own private eval」
  • Verification and Self-Improvement in Agentic AI — 一个性能分数分不清「搜得更久 / 得到更多支持 / 改了怎么提议与验证」三种改进机制；用有界验证把它拆开（第三方论文、本仓未复算）
  • ReSI: Recursive Safety Improvement — 递归自改进从理论走向实践后，安全对齐须随频繁更新持续保持（第三方论文、本仓未复算）
  • Who Verifies the Verifier? — 自改进循环里每一次「它是不是真的变好了」都由验证器回答 ⇒ 验证器自身必须可检查，且与 agent 共同演化（第三方论文、本仓未复算）
  • What Output-Only Review Cannot Verify — 「产出物面可判的缺陷」与「须知执行前批准了什么才可判的缺陷」须显式分开（第三方论文、本仓未复算）。
  • From Reactive Containment to Proactive Assurance — 2026 年三类 agent 越权事件复盘 ⇒「先围堵、后保证」的教训（第三方转述、本仓未复算）。
  • Accurate but Not Humble — 知识冲突下 agent 的「认识论谦逊」评估：以轨迹级三维度 Identify / Solve / Escalate 度量其承认并上报不确定性的意愿（第三方论文、本仓未复算）
  • AI Models Can Provably Hide Arbitrary Capabilities — 构造性反例：把加密神经网络嵌入宿主权重、仅在收到秘密触发词时解密执行 ⇒ 「隐藏能力可被引出」这一能力评测的前提在对抗条件下不成立；评测可靠性本身需要威胁模型（第三方论文、本仓未复算）
  • AI Decision System · Bicheng Wang — AI 辅助 go/no-go 决策的可重放、离线可验记录 + policy-gated 审批 + A/B ship gate 与 release gate ⇒ 与「审计留痕 + 审批分级」治理面同族；MIT（自报）
  • Decision OS LoopKit · shin4141 — 把完成记录转成治理化次循环决策（GO / HOLD / CAP / BLOCK）⇒ RSI 停环与晋级判定的外部同形；MIT（自报）
  • Decision Intelligence Runtime · huka81 — 神经符号运行时：概率 LLM 推理与确定性内核执行零信任特权分离 + 实时不变量防漂移 + 决策遥测 ⇒ 约束层与审计层同族；Apache-2.0（自报）

工具与实践

sofagent 直接使用或借鉴了它们的能力。

社区

  • ClawHub — 全球 Skills 社区
  • /goal 命令 · Claude Code — 自主执行循环，启发用户确认设计
  • OpenFDE — FDE 开源社区

关于作者

我叫孔放勋，一个只懂点前端代码的产品经理。2026 年初开始用 OpenClaw，攒了些笔记，整理成了这份 Handbook。为什么叫 sofagent？sofa + agent，合起来「沙发特工」——希望有一天能躺在沙发上，Agent 就把活干完了。这个项目里的文件是模型间 Loop 实验的产物（见上方生成伙伴），分享出来期待你也参与进来一起优化。