LLM + Dataset ≡ Lambda Calculus

核心命题

LLM + 数据集构成的计算系统（LDS），与概率 Lambda 演算在计算能力上等价。

这不只是理论推导。我们发现：现有的 Agent 配置文件（如 YAML）已经在不自觉地使用 Lambda 演算的结构。本研究做的是揭示这一隐藏的数学等价，并将其显式化为可执行的 DSL。

理论:  LDS ≡ 概率 Lambda 演算
实证:  60/60 Church 原语实验全部通过
实例:  agent-config.yml 每一行都对应一个 Lambda 构造
工具:  lambdagent DSL — ~11,300 行 Python，81 个导出符号
       11 核心构造 + 5 多智能体构造 + 4 Skill 构造
       + MCP Client + A2A Protocol + RAG + Checkpoint + Sandbox

一、为什么这个问题重要

LLM 正在改变软件工程的实践，但缺乏理论基础：

Lambda 演算 → 函数式编程的理论基础
Turing 机 → 命令式编程的理论基础
LLM + Dataset → ？

业界已经在用 YAML/JSON 配置文件来"编程" Agent，但没有人意识到这些配置文件本质上是 Lambda 表达式的序列化。Prompt 工程师在写函数体，Agent 架构师在组合高阶函数——只是缺少了形式化的语言来表达这一点。

本研究的目标：揭示这一等价性，并提供可执行的工具。

二、一个真实案例：agent-config.yml 就是 Lambda 项

以下是一个真实的 Agent 配置文件（agent-cofig.yml）：

agentId: seeCoderManus
type: react
model:
  provider: dashscope
  name: qwen3-max-2026-01-23
  temperature: 0.7
  maxTokens: 4096
systemPrompt: |
  你是 SeeCoderManus，一个智能编程助手...
react:
  maxSteps: 20
mcp:
  onlineTool:
    example-mcp-server:
      - everything_get_sum
      - chat_improve_prompt
  localTools:
    - terminate
memory:
  strategy: redis
  size: 20
  ttl: 7200

这个 YAML 就是一个 Lambda 表达式：

SeeCoderManus = Memory(                          ← memory: {redis, size=20}
    Loop(                                         ← type: react
        think >> act >> observe,                   ← ReAct 三步循环
        max_steps = 20                             ← react.maxSteps
    ),
    store = redis(size=20, ttl=7200)
)

where:
    think   = Lam("SeeCoderManus",                ← agentId
                  prompt = "你是 SeeCoderManus...", ← systemPrompt
                  model = qwen3-max,               ← model.name
                  temperature = 0.7)               ← model.temperature

    act     = Route(think_output, {                ← mcp 配置
                  "everything_get_sum": Tool(MCP),  ← onlineTool
                  "chat_improve_prompt": Tool(MCP),
                  "terminate": Tool(λx.x)           ← localTools: 恒等函数 = 递归终止
              })

逐字段对应：

YAML 字段	Lambda 演算概念	说明
`model` + `systemPrompt`	λ 抽象 `λx.body`	模型参数 = 求值引擎，prompt = 函数体
`agent(input)`	函数应用 `(f x)`	将输入送入 Agent = β-规约
`type: react`	Y 组合子	ReAct = 反复 think-act-observe 直到终止
`react.maxSteps: 20`	Y 展开次数上界	最多 β-规约 20 步
`temperature: 0.7`	概率选择 `⊕_p`	0 = 确定性 Lambda，>0 = 概率 Lambda
`mcp.onlineTool`	Tool（外部 Oracle）	外部函数提升为 Lambda 项
`localTools: [terminate]`	恒等函数 `λx.x`	Y 组合子的 base case — 停止递归
`memory: redis`	环境扩展 `Γ' = Γ ∪ store`	持久化的变量绑定
`memory.ttl: 7200`	变量生命周期	绑定存活 2 小时后过期
`rag`	外部存储（无界纸带）	突破上下文窗口限制

关键发现：terminate 工具就是恒等函数 λx.x——它不做任何变换，只是返回输入本身。这正是 Y 组合子的 base case：没有 base case，ReAct 循环将无限展开。这不是巧合，这是递归终止条件的数学本质。

意义：行业已经在不自觉地使用 Lambda 演算结构来设计 Agent。YAML 配置就是 Lambda 项的声明式序列化。我们的理论不是在创造新的东西，而是在命名和形式化已经存在的实践。

三、理论框架

3.1 五环论证链

第一环：Church 编码——数据即计算

c_n = λf.λx. f^n(x)

数据被表示为函数的行为。LLM 也是如此：它不存储"3"这个符号，而是通过训练数据学习"3"的行为模式。

第二环：LLM 作为函数学习器

LLM 在数据集 D 上训练/提示后，学习到映射 F_{M,D} : Input → Output。

两种绑定方式：

训练时绑定：梯度下降 → θ_D（编译时）
运行时绑定：Few-shot prompt（运行时 / 动态作用域）

第三环：构造 Lambda 原语

用 LDS 实现所有 Church 编码原语：

原语	Lambda 定义	LDS 实现	实验结果
SUCC	`λn.λf.λx. f(n f x)`	7 个示例 → 泛化到 255	✓ 8/8
TRUE/FALSE	`λa.λb. a` / `λa.λb. b`	各 5 个示例	✓ 8/8
AND/OR/NOT	逻辑运算	2-4 个示例	✓ 10/10
IF	`λc.λt.λe. c t e`	6 个示例	✓ 6/6
PAIR/FST/SND	Church 对	3-4 个示例	✓ 8/8
函数组合	`λx.g(f(x))`	DOUBLE ∘ SUCC	✓ 6/6
递归	Y 组合子	CoT 展开 FACTORIAL	✓ 6/6
Church 数	`λf.λx. f^n(x)`	add1/double 重复应用	✓ 8/8
总计			60/60

第四环：组合封闭性

串行组合 f >> g：DOUBLE ∘ SUCC 6/6 通过
有序对 + 解构：Pair(SUCC, DOUBLE) >> Fst() 通过
递归展开：FACTORIAL 10! = 3,628,800 正确

第五环：等价性定理

LDS → Lambda（平凡）：LLM 是可计算函数的组合
Lambda → LDS（利用已有结果）：Schuurmans 2024 证明自回归 LLM = Turing 完备

3.2 关键理论难题与解法

难题	解法	对应到 agent-config.yml
近似 vs 精确	概率 Lambda 演算（Dal Lago 2012），仍 Turing 完备	`temperature: 0.7` = 概率参数
有限上下文	自回归 = 无界带（Schuurmans 2024）	`memory: redis` = 外部存储增强
训练 vs 编程	指称语义（说明做什么）vs 操作语义（说明怎么做）	`systemPrompt` = 声明式规约

四、从理论到实践：lambdagent DSL

4.1 设计思想

既然 YAML 配置已经是 Lambda 项的序列化形式，那么我们可以设计一个 DSL，让这种对应显式化、可执行、可验证。

# agent-config.yml 用 lambdagent DSL 表达：

from lambdagent import Lam, Tool, Loop, Memory, Route

think = Lam("SeeCoderManus",
            prompt="你是 SeeCoderManus...",
            model="qwen3-max",
            temperature=0.7)

tools = Route(think, {
    "everything_get_sum":   Tool("sum", mcp_call),
    "chat_improve_prompt":  Tool("improve", mcp_call),
    "terminate":            Tool("terminate", lambda x: x),  # λx.x = base case
})

react = Loop(think >> tools, max_steps=20)      # Y 组合子，最多展开 20 次
agent = Memory(react, store={"redis": True})     # 环境扩展 Γ ∪ store

4.2 DSL 构造与 Lambda 对应

11 个核心构造（Lambda 演算）：

#	DSL 构造	Lambda 演算	语法
1	`Lam(name, prompt)`	λ 抽象 `λx.body`	创建 Agent
2	`agent(input)`	函数应用 `(f x)`	β-规约
3	`f >> g`	组合 `λx.g(f(x))`	管道
4	`If(cond, a, b)`	Church 条件	分支
5	`Loop(body, cond)`	Y 组合子	递归/CoT
6	`Pair(f, g)`	PAIR `λa.λb.λf. f a b`	并行+打包
7	`Fst()` / `Snd()`	投影	解构
8	`Tool(name, fn)`	原语/Oracle	外部工具
9	`Route(cls, routes)`	广义 Church 布尔 CASE	N 路分发
10	`Guard(agent, P)`	依赖类型 `{x:T\\|P(x)}`	输出约束
11	`Memory(agent, store)`	环境扩展 `Γ'=Γ∪s`	持久状态

5 个多智能体构造（扩展至 π-演算）：

#	DSL 构造	进程演算对应	语法
12	`Channel` + `Send` + `Receive`	π-calculus 通道 `c!(v)` / `c?(x)`	Agent 间通信
13	`SharedMemory`	共享环境 `Γ_shared`	多 Agent 共享状态
14	`GroupChat`	`Y_n(Loop + Route)`	多 Agent 群组对话
15	`Handoff`	动态 CASE（运行时路由）	动态委派
16	`AsyncPar`	并发 β-规约	线程池真并行

4 个 Skill 系统构造：

构造	Lambda 语义	说明
`Skill(name, term)`	`let name = term in ...`	命名的可复用 Lambda 项
`SkillPack`	`{name_i: skill_i}`	技能集合（类似 package）
`SkillRegistry`	`Gamma_skills: Name -> Skill`	全局注册表（可发现、可搜索）
`SkillAgent`	`lambda x. discover(x) >> execute`	自动发现技能的 Agent

协议集成层：

模块	说明	Lambda 语义
`MCPServer` / `MCPTool`	MCP 协议客户端 (HTTP + stdio)	`Tool(name, lambda x. mcp_call(x))`
`AgentCard` / `A2AServer` / `A2AClient`	Google A2A 协议	Skill 发布/发现/远程调用
`RAGTool` / `AgenticRAG`	检索增强生成	`Tool("rag", lambda x. retrieve(store, x, k))`
`Checkpoint` / `CheckpointManager`	状态序列化与恢复	`save(Gamma, trace) / load(path)`

4.3 三层对应：YAML ↔ DSL ↔ Lambda

agent-config.yml          lambdagent DSL              Lambda 演算
════════════════          ══════════════              ══════════════

model + systemPrompt  →   Lam("name", prompt)     →   λx. body
type: react           →   Loop(body, cond)         →   Y(λself.λx. ...)
react.maxSteps: 20    →   Loop(max_steps=20)       →   Y 展开上界
mcp.onlineTool        →   Tool("name", fn)         →   原语 / Oracle
localTools: terminate →   Tool("t", λx.x)          →   λx.x (base case)
memory: redis         →   Memory(agent, store)     →   Γ' = Γ ∪ store
temperature: 0.7      →   Lam(temperature=0.7)     →   概率选择 ⊕₀.₇
rag                   →   (外部存储扩展)             →   无界纸带

这三层对应说明：YAML 配置是 Lambda 表达式的声明式语法，DSL 是过程式语法，Lambda 演算是语义。

4.4 DSL 实验结果

实验 A：Church 原语验证（真实 API 调用）

SUCC, TRUE/FALSE, AND/OR/NOT, IF, PAIR, 组合, Tool, Church 数
总计: 29/29 通过，43 步 β-规约

实验 B：多步研究 Agent

decompose >> map_research >> synthesize >> Loop(critique/refine)
总计: 15 步 β-规约，输出 5 段高质量研究报告

实验 C：从 YAML 构建 Agent

agent-cofig.yml → from_config() → 可执行 Lambda 项
ReAct 循环 = Loop(think >> act >> observe)
3 步 β-规约完成模拟执行

4.5 from_config()：YAML → Lambda 的编译器

from lambdagent import from_config, describe_config

# 将 YAML 编译为 Lambda 项
agent = from_config("agent-cofig.yml")

# 打印 Lambda 结构
print(describe_config("agent-cofig.yml"))
# 输出:
# SeeCoderManus = Memory(Loop(think >> act >> observe, max_steps=20), redis)
# where: think = Lam(...), tools = [Tool(MCP), Tool(λx.x)]

# 执行 = β-规约链
ctx = Context()
result = agent("帮我写一个快速排序", ctx)
ctx.print_trace()  # 打印每步 β-规约

from_config() 本质上是一个编译器：从 YAML 声明式语法到 Lambda 项的语义表示。

五、文献支撑

计算完备性

Pérez et al. (2021) Attention is Turing Complete. JMLR.
Giannou et al. (2023) Looped Transformers as Programmable Computers. ICML.
Schuurmans (2023) Memory Augmented LLMs are Computationally Universal.
Schuurmans et al. (2024) Autoregressive LLMs are Computationally Universal.
Merrill & Sabharwal (2023/2024) 现实 Transformer ⊆ TC⁰，CoT 提升至 ≥ P.

近似性与概率性

Cybenko (1989) / Hornik (1991) 万能近似定理。
Dal Lago & Zorzi (2012) 概率 Lambda 演算，Turing 完备。
Valiant (1984) PAC 学习框架。

In-Context Learning

Xie et al. (2022) ICL = 隐式贝叶斯推断。ICLR.
Garg et al. (2022) Transformer 可 ICL 整个函数类。NeurIPS.

直接相关

Flach et al. (2023) Towards a Neural Lambda Calculus.
Wei et al. (2022) Chain-of-Thought Prompting. NeurIPS.

六、推论与意义

推论 1：数据策展 = 编程

选择数据集 D  ⟺  编写 Lambda 项
训练/提示 LLM ⟺  编译程序
推理          ⟺  执行程序

推论 2：Prompt Engineering 有精确语义

System Prompt  = 全局环境 Γ            ← agent-config.yml 的 systemPrompt
Few-shot 示例  = 运行时 Lambda 绑定    ← Dataset 的 examples
CoT 提示       = Y 组合子展开策略      ← type: react
Temperature    = 概率参数 ⊕_p          ← model.temperature

推论 3：Agent 配置文件 = Lambda 程序

这是本研究最具实践意义的推论。

现有的 Agent 配置格式（YAML/JSON/TOML）已经是 Lambda 项的序列化——只是没有人用这个视角看待它。一旦认识到这一点：

Agent 架构设计 = 组合 Lambda 项（有严格的代数定律）
Agent 调试 = 追踪 β-规约链（Context.trace）
Agent 正确性 = Lambda 项的等价性（可形式化验证）
Agent 优化 = Lambda 项的规约策略（惰性求值 vs 急切求值）

推论 4：ReAct/CoT/Tool Use 都是 Lambda 构造

现有概念	Lambda 本质	为什么有效
ReAct	`Loop(think >> act >> observe)`	Y 组合子提供无界计算
Chain-of-Thought	Y 组合子的逐步展开	每步 β-规约降低问题复杂度
Tool Use	`Tool(name, fn)` — 外部 Oracle	将不可计算/效率低的部分外包
terminate	`λx.x` — 恒等函数	Y 组合子的 base case
Memory / RAG	`Γ' = Γ ∪ store` — 环境扩展	突破有限上下文 = 无界纸带
Multi-Agent	高阶函数组合	Agent 作为参数传递给其他 Agent
Routing	广义 Church 布尔	分类器选择下游函数
Output Validation	依赖类型 `{x : T \\| P(x)}`	约束输出满足谓词

推论 5：AI 对齐 ≅ 程序验证

如果 LDS 是编程模型，则：

规约 = 定义 F_{M,D} 应满足的性质
验证 = 证明 F_{M,D} 满足规约（Hoare 逻辑 / 依赖类型）
测试 = 在关键输入上检验 F_{M,D}（红队测试）

七、研究路线图

Phase 1: 形式化 [THEORY.md — ✅ 已完成]
    ├── 定义 LDS 计算模型（定义 1-5）
    ├── 建立与 Lambda 项的对应关系
    └── 陈述等价性定理

Phase 2: 实验验证 — ✅ 已完成
    ├── Church 原语实验 60/60 通过（CLI），51/51 通过（API）
    └── 分析正确率、泛化能力、组合稳定性

Phase 3: Agent DSL [lambdagent/] — ✅ 已完成
    ├── 11 个核心构造，严格对应 Lambda 演算
    ├── 5 个多智能体构造（π-演算: Channel, SharedMemory, GroupChat, Handoff, AsyncPar）
    ├── Skill 系统（Skill, SkillPack, SkillRegistry, SkillAgent, @skill 装饰器）
    ├── MCP Client（MCPServer, MCPTool, HTTP + stdio 传输）
    ├── A2A Protocol（AgentCard, A2AServer, A2AClient — Google A2A v0.3）
    ├── RAG（RAGTool, AgenticRAG, SimpleVectorStore, ChromaDB 后端）
    ├── Checkpoint（Checkpoint, CheckpointManager, save/load_context）
    ├── Church 原语 29/29 通过（DSL + 真实 API）
    ├── 多步研究 Agent 成功运行（15 步 β-规约）
    ├── from_config()：YAML → Lambda 编译器 (v1 + v2 with lint)
    ├── Sandbox（SandboxedTool, SandboxPolicy, SecureExecutor, ResourceLimiter, @sandboxed）
    └── ~11,300 行 Python，81 个导出符号，4 项专利

Phase 4: 真实案例验证 [agent-cofig.yml] — ✅ 已完成
    ├── 逐字段建立 YAML ↔ Lambda 对应
    ├── 发现 terminate = λx.x（Y 组合子 base case）
    ├── 证明现有 Agent 配置已是 Lambda 项的序列化
    └── YAML → DSL → Lambda 三层对应

Phase 5: 严格证明 [进行中]
    ├── 方向一（LDS → Lambda）：LLM 是可计算的
    ├── 方向二（Lambda → LDS）：利用 Schuurmans 2024
    └── 处理近似性：概率 Lambda 演算 + PAC 框架

Phase 6: 论文撰写
    ├── 标题："Agent Configuration as Lambda Calculus:
    │         Theory, DSL, and Industrial Evidence"
    └── 投稿方向：ICML / NeurIPS / AAAI

Phase 7: 应用扩展
    ├── 类型系统（Agent 输入/输出类型推导）
    ├── 形式化验证工具
    ├── 异步并行（Par + asyncio）
    ├── Sandbox 进程隔离 — ✅ 已完成
    │   ├── SandboxedTool（pickle IPC + 子进程隔离）
    │   ├── SandboxPolicy 预设（strict / default / permissive）
    │   ├── SecureExecutor（递归包裹 Term 树中所有 Tool）
    │   ├── ResourceLimiter（RLIMIT_CPU / AS / NOFILE / NPROC）
    │   └── @sandboxed 装饰器 + 异常体系
    └── 与 LangChain/DSPy 的基准对比

八、开放问题

Church-Turing-LDS 论题：是否所有"自然可计算"函数都是 LDS-可计算的？
LDS 复杂性理论：模型参数量、数据集大小、上下文长度对应什么计算复杂性类？
最小 LDS：实现给定函数的最小数据集规模是多少？（类比 Kolmogorov 复杂性）
LDS 等价性判定：两个 LDS 是否计算同一函数？（类比 Lambda 项等价性不可判定）
YAML 配置的形式化验证：能否自动检查一个 agent-config.yml 是否满足给定规约？
Agent 配置的等价变换：两个不同的 YAML 配置是否定义了语义等价的 Agent？这对应 Lambda 项的 α-等价和 β-等价。

九、项目文件

Paper08/
├── IDEA.md                          ← 本文件：完整研究框架
├── PLAN.md                          ← 实验计划与结果记录
├── THEORY.md                        ← 形式化理论（定义、定理、证明）
├── RUNTIME_SPEC.md                  ← 运行时规格文档
├── FROM_CONFIG_SPEC.md              ← YAML → Lambda 编译器规格
├── EXPERIMENT_REPORT.md             ← 详细实验报告
├── agent-cofig.yml                  ← 真实 Agent 配置（Lambda 项实例）
│
├── experiment_church_primitives.py  ← 原始实验代码（API 版，51/51）
├── run_experiment.py                ← 原始实验代码（CLI 版，60/60）
├── experiment_results.json          ← 实验原始数据
│
├── lambdagent/                      ← Agent DSL 包（~11,300 行，46 个 .py 文件，62 个导出符号）
│   ├── core.py                         Term, Context, TraceEntry
│   ├── primitives.py                   Lam, Compose, If, Loop, Pair, Fst, Snd, Tool
│   ├── extensions.py                   Par, Route, Memory, Guard
│   ├── dataset.py                      Dataset 类
│   ├── from_config.py                  YAML → Lambda 编译器 (v1)
│   ├── fromconfig/                     YAML → Lambda 编译器 (v2, 带 lint)
│   ├── agentruntime/                   运行时：β-规约引擎、ReAct、LLM 适配器
│   ├── cli/                            命令行界面
│   ├── multiagent.py                   Channel, Send, Receive, SharedMemory,
│   │                                   GroupChat, Handoff, AsyncPar
│   ├── skills.py                       Skill, SkillPack, SkillRegistry, SkillAgent, @skill
│   ├── mcp_client.py                   MCPServer, MCPTool, mcp_tools (MCP 协议)
│   ├── checkpoint.py                   Checkpoint, CheckpointManager, save/load_context
│   ├── a2a.py                          AgentCard, A2AServer, A2AClient (Google A2A)
│   ├── rag.py                          RAGTool, AgenticRAG, SimpleVectorStore, create_rag
│   └── sandbox.py                      SandboxedTool, SandboxPolicy, SecureExecutor,
│                                       ResourceLimiter, @sandboxed, SandboxViolation
│
├── examples/                        ← 8 个示例文件 + 1 个 YAML 配置
│   ├── ex01_church_primitives.py    ← Church 原语验证（29/29）
│   ├── ex02_research_agent.py       ← 多步研究 Agent（15 步 β-规约）
│   ├── ex03_from_yaml.py            ← YAML → Lambda 解读与执行
│   ├── ex04_generalization.py       ← 泛化能力测试
│   ├── ex05_failure_boundary.py     ← 失败边界探索
│   ├── demo_advanced.py             ← 高级功能演示
│   ├── nl2agent_demo.py             ← 自然语言→Agent 演示
│   └── quick_start.py               ← 快速入门
│
└── patents/                          ← 4 项专利
    ├── patent-01-lint/               ← YAML → Lambda 静态分析
    ├── patent-02-trace/              ← β-规约追踪
    ├── patent-03-compiler/           ← YAML → Lambda 编译器
    └── patent-04-cli/                ← 命令行界面

十、核心结论

现有的 Agent 配置文件已经是 Lambda 表达式——只是没有人用这个视角看待它。

systemPrompt 是 λ 抽象的 body。type: react 是 Y 组合子。terminate 是恒等函数 λx.x。memory 是环境扩展 Γ'。temperature 是概率参数 ⊕_p。

我们的工作不是创造新的东西，而是命名和形式化已经存在的实践。

编程范式的三次转变：

1930s  Lambda 演算 / Turing 机     → 理论计算
1950s  高级编程语言                 → 代码即程序
2020s  LLM + Dataset + YAML 配置   → 配置即程序（= Lambda 项的声明式序列化）

lambdagent DSL 和 from_config() 编译器是这一认知的可执行证明：

# YAML 配置 → Lambda 项 → 可执行 Agent → β-规约追踪
agent = from_config("agent-cofig.yml")
result = agent("帮我写一个快速排序", ctx)
ctx.print_trace()  # 每步 β-规约可见、可调试、可验证

附录 A：YAML Agent Configuration Schema 完整参考

from_config("agent-config.yml") 编译器接受的 YAML 配置格式完整说明。每个字段标注：类型、是否必填、默认值、约束、对应的 Lambda 构造、相关 lint 规则。

A.1 根级元数据

字段	类型	必填	默认值	Lambda 语义	说明
`agentId`	string	否	`"agent"`	Term 标识符	Agent 唯一标识
`name`	string	否	同 agentId	Term.name	显示名称
`description`	string	否	`""`	—	描述性文本
`type`	enum	是	—	决定顶层 Lambda 构造	`simple` \| `react` \| `chain` \| `router` \| `parallel`

Schema 规则: S001 (type 缺失 → ERROR), S002 (type 非法值 → ERROR)

Lint 规则: L000 (框架检测, 自动识别 crewai/autogen/langchain/dify/lambdagent)

A.2 Agent 类型与 Lambda 映射

type	Lambda 构造	公式	说明
`simple`	Lam	`λx. LLM(prompt, x)`	单次 LLM 调用
`react`	Loop (Y combinator)	`Y_n(λself.λstate. think >> route >> observe)`	ReAct 循环，n = maxSteps
`chain`	Compose	`λx. step_N(... step_2(step_1(x)))`	顺序管道
`router`	Route (CASE)	`λx. CASE(classifier(x)) [(l₁,a₁), (l₂,a₂), ...]`	条件分派
`parallel`	Par (PAIR)	`λx. PAIR(a₁(x))(a₂(x))`	并行执行

A.3 systemPrompt — Lambda 函数体

字段	类型	必填	默认值	Lambda 语义
`systemPrompt`	string (多行)	type=simple/react 时是	`"You are a helpful assistant."`	`λx. body` 中的 body

Schema 规则: S003 (simple/react 缺失 → ERROR) Lint 规则: L001 (空 prompt → ERROR, CrewAI 允许用 role+goal+backstory 替代)

systemPrompt: |
  你是一个编程助手。
  你能使用工具解决问题。

A.4 model — LLM 参数 (概率 Lambda 参数)

字段	类型	必填	默认值	Lambda 语义	约束
`model.provider`	string	否	`"anthropic"`	LLM 后端选择	`anthropic` \| `openai` \| `dashscope` \| `ollama`
`model.name`	string	否	按 provider 默认	模型 ID	Anthropic 默认 `claude-sonnet-4-20250514`，OpenAI 默认 `gpt-4o`，DashScope 默认 `qwen-max`
`model.temperature`	float	否	`0.0`	`⊕_p` 概率参数	`[0.0, 2.0]`
`model.maxTokens`	int	否	`1024`	输出长度上限	`> 0`
`model.topP`	float	否	—	核采样参数	`(0.0, 1.0]`
`model.stopSequences`	list[string]	否	`[]`	停止序列	—
`model.baseUrl`	string	否	`""`	自定义 API 端点	完整 URL

Schema 规则: S009 (temperature 超范围 → WARN) Lint 规则: L002 (无 model → ERROR), L007 (temperature > 1.5 → WARN), L014 (temperature=0 → INFO)

Provider 默认模型解析 (_resolve_model()):

provider=anthropic, name="" → "claude-sonnet-4-20250514"
provider=openai,    name="" → "gpt-4o"
provider=dashscope, name="" → "qwen-max"
provider≠anthropic, name有值 → "{provider}/{name}"

子 Agent 继承: chain.steps / router.routes / parallel.agents 中的子 Agent 若未指定 model，继承父级 model 配置。

model:
  provider: dashscope
  name: qwen3-max-2026-01-23
  temperature: 0.7
  maxTokens: 4096

A.5 react — ReAct 循环配置 (Y 组合子参数)

仅当 type: react 时生效。

字段	类型	必填	默认值	Lambda 语义	约束
`react.maxSteps`	int	否	`10`	Y 组合子展开上限 `Y_n`	`> 0`，建议 `<= 1000`
`react.observationEnabled`	bool	否	`true`	是否将工具输出注入状态	—
`react.toolTimeout`	int	否	`30`	单个工具调用超时 (秒)	`> 0`
`react.verbose`	bool	否	`false`	打印每步 β-规约详情	—

Schema 规则: S004 (maxSteps <= 0 → ERROR) Lint 规则:

L003 (maxSteps=0 → ERROR: Y_0(g) = ⊥)
L004a (无 terminate 工具且无替代终止 → ERROR)
L004b (无 terminate 但有有界回退 → WARN)
L004c/d (框架内置终止机制 → INFO)
L010 (maxSteps > 50 → WARN: 高成本)
L011 (无工具仅 terminate → WARN: 纯推理)
L017 (未显式设置 maxSteps → WARN)
L018 (maxSteps > 100 → WARN: 近似无界)
L022 (有 terminate 但无 maxSteps 回退 → WARN)

编译行为 (_compile_react()):

systemPrompt + model → Lam("agent.think", prompt, model)
MCP + localTools → Dict[str, Tool] (经 ToolGateway 包装)
生成 react_step 闭包 (包含 state 压缩、隐式终止检测、工具缓存)
包装为 Loop(body=react_step, condition=stop_condition, max_steps=N)

内置优化:

P0 状态压缩: 仅保留最近 3 步完整内容，旧步骤摘要为 action+observation 前 120 字符
P1 隐式终止: 检测 LLM 输出中的终止信号 ("final answer:", "task complete" 等 11 个中英文模式)
P2 工具缓存: LRU 缓存 (64 条目)，相同 tool+input 不重复调用
P2 观察截断: 工具输出超过 800 字符自动截断

react:
  maxSteps: 20
  observationEnabled: true
  toolTimeout: 30
  verbose: true

A.6 chain — 管道配置 (函数组合)

仅当 type: chain 时生效。

字段	类型	必填	默认值	Lambda 语义
`chain.steps`	list[object]	是	—	`Compose(step1, step2, ...)`
`chain.steps[].name`	string	否	`"step_{i}"`	步骤名称
`chain.steps[].prompt`	string	是	`""`	`λx. body`
`chain.steps[].model`	object	否	继承父级	可覆盖模型
`chain.steps[].guard`	object	否	—	步骤级 Guard

Schema 规则: S005 (steps 为空 → ERROR) Lint 规则: L006 (空 steps → ERROR), L024 (重复 agent name → WARN)

type: chain
chain:
  steps:
    - name: researcher
      prompt: "研究以下主题..."
    - name: writer
      prompt: "基于研究结果撰写报告..."
      model:
        temperature: 0.8

A.7 router — 路由配置 (CASE 分派)

仅当 type: router 时生效。

字段	类型	必填	默认值	Lambda 语义
`router.classifier`	object	是	—	分类器 Lam
`router.classifier.prompt`	string	是	`"Classify the input."`	分类 prompt
`router.classifier.model`	object	否	继承父级	可覆盖模型
`router.routes`	Dict[string, object]	是	—	`{label: sub_agent}`
`router.default`	object	否	`None`	默认路由 (未匹配时)

Schema 规则: S006 (routes 为空 → ERROR), S007 (classifier 缺失 → ERROR) Lint 规则: L005 (空 routes → ERROR), L013 (无 default → WARN), L023 (空 target → ERROR)

type: router
router:
  classifier:
    prompt: "将输入分类为 'code' 或 'writing'"
  routes:
    code:
      type: react
      systemPrompt: "你是代码专家..."
    writing:
      type: simple
      systemPrompt: "你是写作专家..."
  default:
    type: simple
    systemPrompt: "通用助手..."

A.8 parallel — 并行配置 (PAIR)

仅当 type: parallel 时生效。

字段	类型	必填	默认值	Lambda 语义
`parallel.agents`	list[object]	是 (>=2)	—	`Par(a1, a2, ...)`
`parallel.merge`	enum	否	`"tuple"`	结果合并策略
`parallel.mergePrompt`	string	否	`"Synthesize..."`	merge=custom 时的合并 prompt

merge 取值:

tuple: 返回原始元组 (result1, result2, ...)
concat: 拼接所有结果 "\n\n".join(results)
custom: 用 mergePrompt 的 Lam 合并 Par >> format >> Lam(mergePrompt)

Schema 规则: S008 (agents < 2 → ERROR)

type: parallel
parallel:
  agents:
    - type: simple
      name: analyst
      systemPrompt: "分析市场趋势..."
    - type: simple
      name: researcher
      systemPrompt: "调研竞品..."
  merge: custom
  mergePrompt: "综合以上分析，给出结论..."

A.9 mcp — 工具配置 (Tool / Oracle)

字段	类型	必填	默认值	Lambda 语义
`mcp.onlineTool`	Dict[server, list[tool_name]]	否	`{}`	`Tool(name, mcp_caller)`
`mcp.localTools`	list[string]	否	`[]`	本地工具列表
`mcp.policy.mode`	enum	否	`"auto"`	工具策略
`mcp.policy.retryOnFail`	int	否	`0`	MCP 调用重试次数

mcp.policy.mode 取值: auto | force | intelligence | disable mcp.localTools 特殊值: terminate 编译为 Tool("terminate", λx.x) (恒等函数 = Y 组合子基 case)

Lint 规则: L004 系列 (react 无 terminate), L011 (无工具仅 terminate), L026 (远程依赖检测)

mcp:
  onlineTool:
    example-mcp-server:
      - search_tool
      - calculate_tool
  localTools:
    - terminate
  policy:
    mode: auto
    retryOnFail: 1

A.10 app.mcp.custom.nodes — MCP 服务器连接配置

字段	类型	必填	默认值	说明
`app.mcp.custom.nodes.{server_name}.url`	string	是	`""`	MCP 服务器 URL
`app.mcp.custom.nodes.{server_name}.endpoint`	string	否	`""`	API 路径 (拼接在 url 后)
`app.mcp.custom.nodes.{server_name}.headers`	Dict[string, string]	否	`{}`	请求头 (支持 `${ENV_VAR}` 引用)
`app.mcp.custom.nodes.{server_name}.timeout`	int	否	`30`	超时秒数
`app.mcp.custom.nodes.{server_name}.retry`	int	否	`0`	重试次数

app:
  mcp:
    custom:
      nodes:
        my-server:
          url: https://mcp.example.com
          endpoint: /mcp/v1
          headers:
            Authorization: "${MCP_AUTH_TOKEN}"
          timeout: 30

A.11 memory — 记忆配置 (环境扩展 Γ')

字段	类型	必填	默认值	Lambda 语义
`memory.enabled`	bool	否	`false`	是否启用 `Memory(agent, store)`
`memory.strategy`	enum	否	`"local"`	存储后端
`memory.size`	int	否	`20`	最大条目数 (LRU)
`memory.ttl`	int	否	`3600`	条目过期秒数

memory.strategy 取值: local (内存 dict) | redis (分布式) | sqlite (持久化)

Lint 规则:

L008 (ttl=0 → WARN: 绑定永不过期)
L009 (size=0 → WARN: 记忆无效)
L015 (启用 → INFO: 显示策略参数)

编译行为: 编译为 Memory(agent, store) 包装在最外层（Guard 之后）

memory:
  enabled: true
  strategy: redis
  size: 20
  ttl: 7200

A.12 guard — 输出验证 + 安全策略 (依赖类型 `{x:T | P(x)}`)

字段	类型	必填	默认值	Lambda 语义	说明
`guard.validator`	string (Python expr)	否	`"True"`	谓词 `P(x)`	eval 执行，可用变量: `x, len, str, int, float`
`guard.retry`	int	否	`0`	验证失败重试次数	—
`guard.fallback`	enum	否	`"error"`	最终失败策略	`error` \| `empty` \| `last`
`guard.maxOutputLength`	int	否	`0` (不限)	输出长度上限	超限 → 触发 retry 或 truncate
`guard.dangerousCommandBlock`	bool	否	`false`	启用 ToolGateway	CRITICAL/HIGH 命令自动阻止
`guard.highRiskConfirmation`	bool	否	`false`	HIGH 需确认	触发 confirm_callback

Lint 规则: L012 (retry > 5 → WARN), L025 (有 guard 但无 retry → WARN)

编译行为:

dangerousCommandBlock / highRiskConfirmation / maxOutputLength → 构建 ToolGateway(GatewayPolicy) → 所有 Tool 包装为 GatedTool
validator / retry / fallback → 构建 Guard(agent, validator_fn, retry, on_fail) 包装在 Memory 之前

ToolGateway 风险分级 (50+ regex 规则):

级别	示例命令	默认行为
CRITICAL (22 规则)	`rm -rf /`, `curl\\|sh`, `cat ~/.ssh/*`, fork bomb	始终 BLOCK
HIGH (18 规则)	`sudo`, `rm -r`, `pip install`, `kill -9`, `git push --force`	`dangerousCommandBlock` → BLOCK；`highRiskConfirmation` → CONFIRM
MEDIUM (10 规则)	`mv`, `sed -i`, `git rebase`, `cp -r`	LOG_ONLY
LOW	文件写入, MCP 远程调用	ALLOW + log
SAFE	`ls`, `cat`, `git status`, `terminate`	ALLOW

guard:
  validator: "len(x) > 10 and 'error' not in x.lower()"
  retry: 2
  fallback: last
  maxOutputLength: 3000
  dangerousCommandBlock: true
  highRiskConfirmation: true

A.13 rag — 检索增强生成

字段	类型	必填	默认值	Lambda 语义
`rag.enabled`	bool	否	`false`	是否启用 RAG
`rag.source`	string	否	`""`	数据源路径
`rag.topK`	int	否	`5`	检索返回条数
`rag.chunkSize`	int	否	`500`	分块大小
`rag.backend`	enum	否	`"simple"`	向量存储后端
`rag.minScore`	float	否	`0.0`	最低相关度阈值

rag.backend 取值: simple (TF-IDF, 零依赖) | chroma (ChromaDB)

Lint 规则: L016 (启用 → INFO)

rag:
  enabled: true
  source: ./docs/
  topK: 5
  backend: simple

A.14 完整示例

# === 完整 Agent 配置示例 ===

agentId: seeCoderManus
name: SeeCoderManus
description: 智能编程助手
type: react

model:
  provider: dashscope
  name: qwen3-max-2026-01-23
  temperature: 0.7
  maxTokens: 4096

systemPrompt: |
  你是 SeeCoderManus，一个智能编程助手。
  你能够帮助用户解决编程问题。

react:
  maxSteps: 20
  observationEnabled: true
  toolTimeout: 30
  verbose: true

mcp:
  onlineTool:
    example-mcp-server:
      - search_tool
  localTools:
    - terminate
  policy:
    mode: auto

app:
  mcp:
    custom:
      nodes:
        example-mcp-server:
          url: https://mcp.example.com
          endpoint: /mcp/v1
          headers:
            Authorization: "${MCP_AUTH_TOKEN}"

memory:
  enabled: true
  strategy: redis
  size: 20
  ttl: 7200

guard:
  dangerousCommandBlock: true
  highRiskConfirmation: true
  maxOutputLength: 3000
  validator: "len(x) > 0"
  retry: 1
  fallback: last

rag:
  enabled: false

A.15 编译流程总览

YAML 文件
    │
    ▼
[yaml.safe_load()] ← 安全加载，禁止 yaml.load()
    │
    ▼
[validate_schema(cfg)] ← S001-S009 规则
    │ 有 ERROR → 抛出 SchemaError
    ▼
[build_agent(cfg, overrides)]
    │
    ├─ [_build_gateway(guard_cfg)] → ToolGateway (如有安全字段)
    │
    ├─ 按 type 分派:
    │   ├─ simple  → _compile_simple()  → Lam
    │   ├─ react   → _compile_react()   → Loop(react_step, condition, maxSteps)
    │   ├─ chain   → _compile_chain()   → Compose(*steps)
    │   ├─ router  → _compile_router()  → Route(classifier, routes, default)
    │   └─ parallel→ _compile_parallel()→ Par(*agents) [>> merge]
    │
    ├─ [_compile_guard(agent, guard_cfg)] → Guard(agent, validator, retry, on_fail)
    │
    └─ [_compile_memory(agent, memory_cfg)] → Memory(agent, store)
    │
    ▼
  Term (可执行 Lambda 项)

A.16 Schema 校验规则汇总

ID	级别	触发条件
S001	ERROR	缺失 `type` 字段
S002	ERROR	`type` 值不在 simple/react/chain/router/parallel 中
S003	ERROR	simple/react 缺失 `systemPrompt`
S004	ERROR	`react.maxSteps <= 0`
S005	ERROR	`chain.steps` 为空
S006	ERROR	`router.routes` 为空
S007	ERROR	`router.classifier` 缺失
S008	ERROR	`parallel.agents` 少于 2 个
S009	WARN	`temperature` 不在 [0, 2.0] 范围

A.17 Lint 规则汇总 (L001-L026)

ID	级别	触发条件	Lambda 含义
L000	INFO	始终	框架检测结果
L001	ERROR	空 systemPrompt	`λx. ⊥` 函数体未定义
L002	ERROR	无 model 配置	无法执行 β-规约
L003	ERROR	maxSteps=0	`Y_0(g) = ⊥`
L004a	ERROR	react 无 terminate 且无替代终止	Y 组合子无基 case，潜在无限循环
L004b	WARN	无 terminate 但有有界回退	有回退但无优雅终止
L004c/d	INFO	框架内置终止	框架运行时提供基 case
L005	ERROR	router 空 routes	CASE 无分支
L006	ERROR	chain 空 steps	空组合链
L007	WARN	temperature > 1.5	高熵，输出不稳定
L008	WARN	memory.ttl=0	Γ' 绑定永不回收
L009	WARN	memory.size=0	Γ' = Γ ∪ ∅ = Γ
L010	WARN	maxSteps > 50	`Y_{n>50}` 高成本
L011	WARN	react 无工具仅 terminate	纯推理循环
L012	WARN	guard.retry > 5	过多重试
L013	WARN	router 无 default	CASE 不完备
L014	INFO	temperature=0	确定性 Lambda
L015	INFO	memory 启用	显示策略参数
L016	INFO	rag 启用	外部知识 Oracle
L017	WARN	未显式设置 maxSteps	Y_n 的 n 由框架隐式决定
L018	WARN	maxSteps > 100	`Y_{>100} ≈ Y` 近似无界
L019	INFO	is_termination_msg 检测到	AutoGen 字符串匹配终止
L020	WARN	allow_delegation 但无 peer	委派目标未定义
L021	ERROR	多 Agent 无终止条件	GroupChat Y 无基 case 且无界
L022	WARN	有 terminate 但无 maxSteps	LLM 不调 terminate 则无限循环
L023	ERROR	router 路由目标为空	CASE 分支 → ⊥
L024	WARN	chain 中重复 agent	`f >> g >> f` 冗余组合
L025	WARN	guard 无 retry	验证失败无恢复
L026	INFO	远程依赖检测	Oracle 依赖外部服务

A.18 运行时覆盖 (overrides)

from_config(path, **overrides) 支持以下运行时覆盖：

Override	覆盖字段	说明
`model="gpt-4o"`	`model.name`	替换模型
`temperature=0.5`	`model.temperature`	替换温度
`max_steps=30`	`react.maxSteps`	替换最大步数
`tools={"search": fn}`	MCP 工具实现	注入自定义工具函数
`memory_store={"key": "val"}`	Memory 初始值	注入初始记忆
`_confirm_callback=fn`	ToolGateway 确认回调	HIGH-risk 时调用
`_audit_log_path="audit.jsonl"`	审计日志路径	持久化审计记录

agent = from_config("config.yml",
    model="gpt-4o",
    temperature=0.5,
    max_steps=30,
    tools={"search": my_search_fn},
    memory_store={"user_name": "Alice"}
)

idea.md 41 KB Permalink Histórico Raw