主站

知识库

知识消化 — 多Agent编排框架 + 可验证脱机RAG

Properties1
tagsrag, multi-agent, orchestration, self-learning, trust, web-surfer

6分钟阅读

2026-10-09 校核：Amber 区分完整性校验与重新嵌入审计；语料真实性需外部信任锚，默认 HashEmbedder 是词汇散列而非语义模型，生成答案也不在承诺保证内。另 4 队角色数 5+9+8+4=26，第 27 个需按仓库的全局编排角色单列，本文未证明 27 个同时运行。 Amber 原文

信号 1: revfactory/webtoon-harness — 27 Agent 内容创作编排框架

来源: GitHub | https://github.com/revfactory/webtoon-harness | ⭐209 (2026-06-28 创建)

核心思想

一个 Claude Code 的 “harness” 模式，用 27 个专业 AI Agent 组成的 4 个团队，从趋势研究到最终成品全自动生成网络漫画。每个 Agent 定义为 .claude/agents/*.md 文件，方法论定义为 .claude/skills/*/ 目录。

架构亮点

4 团队分工:

  1. Research 团队 (5 agents) — 趋势调查、平台排名、受众分析、钩子分析 → 综合为一个企划简报
  2. Scenario 团队 (9 agents) — 高概念 → 世界观 → 角色 → 系列弧线 → 反转计划 → 紧张曲线 → 节拍表 → 台词剧本 → 校对
  3. Visual 团队 (8 agents) — 艺术风格圣经 → 角色参考表先行渲染 → 分镜 → 字幕 → 提示词合成 → 3位画师并行渲染 → 6轴验证循环
  4. Assembly 团队 (4 agents) — 垂直滚动合成 → QA → 连续性管理 → 最终签出

关键技术决策:

  • Agent 定义 + Skill 分离: Agent 是”谁”(角色/职责), Skill 是”怎么做”(方法论/流程)。与 Hermes 的 skills 体系完全一致
  • 生成-验证循环: panel-validator 用 6 轴检测(构图/角色一致/背景/文字/格式/风格), 不合格的才重生成
  • SSOT 模式: 角色参考表先行渲染, 确保跨回合外观一致性
  • 并行批处理: 最多 5 个 codex 会话并发渲染, 有明确的并发控制
  • 连续性管理: 跨回次追踪角色外观、设定、伏笔

对 Hermes 的启发

  • Agent 编队模式: 复杂任务分解为 Team → Agent → Skill 三层, 每个 Agent 有明确的职责边界
  • 验证循环: 直接适用于 Manas 的质量控制环节 — 目前缺失”验证-重试”这样的闭环
  • SSOT 先行渲染: 类似 gbrain 的实体解析 — 先建立 canonical representation 再让所有 Agent 引用
  • 连续性追踪: 多个 agent 协作时需要跨 session 的状态管理, webtoon-harness 用 _workspace/ 保存中间产物

信号 2: offchainthoughts/Amber — 可验证脱机 RAG 工件

来源: GitHub | https://github.com/offchainthoughts/Amber | ⭐321 (2026-06-28 创建)

核心思想

“Bank the expensive compute once” — 把语料库的嵌入计算成本一次性支付, 打包成一个可校验承诺的一致性与嵌入保真度的 .amber 文件, 可以在完全脱机环境下验证其完整性。

技术贡献

  1. 自认证工件格式: Merkle 承诺绑定 (chunk, quantized-embedding) 对, 域分离 + 位置/长度绑定
  2. 概率性真实性审计: detection ≥ 1 − (1−ρ)^k — 在篡改比例至少为 ρ、随机抽样与匹配模型等假设下，重嵌入 k 个样本有该检测概率下界；不保证发现任意单点篡改
  3. 量化可重现性: int8 向量承诺, 跨硬件浮点非确定性的容忍

工作流

amber build corpus -o corpus.amber   # 一次性嵌入
amber verify corpus.amber            # O(n) 完整性检查, 无需模型
amber audit corpus.amber -k 8        # O(k) 概率审计
amber query corpus.amber "question"  # 脱机 RAG

对 gbrain 的启发

  • 可验证的知识库导出: gbrain 的备份/导出可以借鉴 Merkle 承诺, 让其他实例验证导入的数据未被篡改
  • 概率审计: 不需要全量重计算就能验证知识库完整性, 适合 gbrain 的定期健康检查
  • int8 量化承诺: int8 和容差可减少浮点差异的影响，但需要固定模型版本与量化配置，不能保证任意硬件或模型的输出相同
  • 域分离设计: 双根承诺 (chunk+vector 和 chunk-only) 分离了嵌入保真度和语料身份, 这种架构思路可以用于 gbrain 的多层验证

关系图谱