个人智能体，随着最近个人智能体的爆火，各种公司、大厂都在推出自己的个人智能体，但是个人智能体本身的架构，大家都有着不同的侧重点。针对这种情况，在我理解来，个人智能体其实本质上是一种类似于个人私人助理的方案，所以它能给你做的事情，就是去处理你所想要处理的一切事情。在这种方案上，我们一直也在尝试实现，就是想把一个 AI 的方案，做成一个公司智能体的方案，或者是作为一种整体的公司方案，同时又能作为个人来用，这样的话，我们认为 AI 才能发挥最大的效用。
在这个过程中，我们曾经做过很多的尝试，例如我们在年初的时候，就开始开发一个叫做 Agent 平台的东西（当时智能体是主要的实现方向），这个平台当时我们实现的时候，想的就是作为一个企业内部的智能体，可以实现企业内知识库、技能、任务的执行。所有的企业内员工的特定需求，都会向这个智能体平台去请求，平台负责执行。平台实现了特定任务链路的转发、执行。当时我们这个平台涉及了 workflow 这种工作流的方式，还设置了 Skill 这种技能，另外我们还设置了一个叫做智能助手的方案，它可以自动去规划、自动去设计一些方案去完成任务。当时在 5 月份推出这个设计平台的时候，它主要还是处于智能体的一个范畴，综合当时市场上各个厂商的各种各样的方式，这个平台的时候初期实现我们当时觉得还可以。
但是随着现在智能体平台各种各样方案的倾向和设备的方向发展，我们现在明显地可以看到，在整个发展的过程中，整个AI市场的变化方向，已经从整体的一种确定性的方案、或者是可以总结经验知识的方案，转换成了一种自主探索的方案。而在这种自主探索的方案中，我们发现我们设置的这套东西，很大程度上依赖于模型的能力，对模型的要求特别高，因为我们做的整体方案本身并没有达到像现在那种多智能体协作、或者自己对自己的任务做反思和审视的程度，我们本身基于的还是 ReAct 这种方式去做的。所以这个东西也导致了另外一种情况的出现：它在自主策划或者自动理解的时候，对于某些任务，要么你就需要人不断地去参与和审核，要么你就得去用出别的方案来，例如你如果不能参与审核，那么你就需要给它去默认相应的实现路径，这也就是说为什么早年的时候 Skill 和 workflow 工作流会这么流行的一个主要原因。 但是在自主方案中，按照最近几个月的发展，大家可以明显地看出来，整体的 workflow 这种形式、或者是 skill 这种技能形式，其实本质上是经验知识的沉淀，而经验知识的沉淀是需要人工去总结或者设计出来的。在模型越来越强、像 Astro 这种顶级模型出现的情况下，还要靠人工去对整体的工作流做总结，这种东西其实已经不太能跟上模型发展的需求，这种还需要对整体的工作流进行人工总结的方式，其实已经达到了比较影响模型使用、拖累模型能力的程度。 所以我们在整个过程中，也不断地在反思这个个人智能体（以前不叫个人智能体，经常会被称之为自主智能体、反思模式等）。直到现在这种东西开始了新的变化：就是我需要给它一个任务目标，然后整体能够依据这个任务目标去完成这件任务，这也是一直以来我们曾经尝试、想去做的一个目标。
在近一个多月、近两个月的探索之中，我们看到了，像我们月初看到的Muse，以及像我们以前看到的那个像 ChatGPT 出来的那个 global 的方案，就是说是围绕一个目标自己去探索的这种东西，我们也看到了它整体的设计倾向。所以我们在基于它这种方案的思路上，上个月就开始启动了一个新的设计架构，我们这个设计架构中，主要包含三部分的内容： 第一个，主控系统（有时我们称之为主控大脑）
第二个，我们在 Agent 平台之外，又去建立了一个记忆系统，这个记忆系统我们称之为Inspiration记忆系统；
第三个，我们还是引用了以前的 Agent 平台，把它作为一个智能体的执行系统 ；
整体的架构示意图如下：
下面我们就逐层分开来说每一层解决的问题：
为什么要有记忆系统？因为我们在整个的实际实现过程中发现，现在这套东西有一个最大的问题，就是我们每次的经验，本质上需要去实现一种总结。 像我自己在很多设计、方案或者工程开发的过程中，已经写了几千篇的总结报告，基本上很多项目我都会写很多报告，每一个工程、每一个问题，我经常都会写各种各样的文档、参考事例或者经验总结，都会把它写下来。但是这种写下来的东西，只能是针对某一个片面的问题的一个总结性报告，它总是没有完全写到那种分析案例的情况，主要是因为分析案例这种东西比较机械、比较花时间，所以我没有写到分析案例那种情况。但是如果不写到这种情况，你其实在一定程度上，这种经验报告是丢失了很多细节的部分的，比如说这个东西是怎么发生的，我们是怎么排查的，以及我们排查过程中其实是走了哪些误区，最后是怎么解决的。其实这些东西在整个过程中反而是一种更重要的东西，但是这种更重要的东西，但是这些东西目前在我们整个知识体系的过程中，其实是被丢失掉的。 被丢失掉的原因是因为，如果要是花上大量的时间去把这个东西总结成一种经验能力，或者总结成一种显性的知识（其实本质上就是隐性知识转换成显性知识的过程，在知识管理中，这个过程就是这么被定义的）但是如果你要把这种东西真的、完整地做成隐性知识到显性知识的沉淀，实际上是相当花时间的。因为你需要定义出整个的脉络，比如说我们给一些企业设计的整个知识传递、或者知识更新的过程中，就需要有这种沉淀过程，整个过程我们一般分为多个阶段，比如说事件的起因、事件的来由、事件的发展过程，然后是事件的表象；这个表象结束之后，我们怎么样去定义这个表象，我们怎么去发现这个事情，我们怎么去解决这个事情；解决的过程中又怎么样去发现、怎么样去定义、或者是怎么样去处理这个事情，这就是我们解决的一个发展的脉络；在这个脉络之后，比如说我们走过的弯路，我们会把走过的弯路、走过的过程记录下来，然后在这其中我们尝试了什么样的手段，以及我们在整个过程中又去做了什么去避免这些事情。 如果要把整个东西写出来，我们曾经尝试过，大概至少需要一天的时间去总结，而且这一天还得是亲自处理这个事情的人，因为他对整个脉络是十分清楚的；如果这个处理过程复杂、涉及到多个人协作，那这一篇总结报告可能就需要花很长的时间。这个很长时间就导致我们一个问题：我们在写的时候只能去简化，因为实际上我们在处理过程中会不断地遇见这种问题。如果一直在写，以前我们写一个经验沉淀报告，大概一个经验沉淀就要写两三个小时，如果我们以后把这些东西也整个写进去，那整个的经验沉淀其实是个特别花时间的问题。
如果不想去花这个时间，所以我们一直关注的就是另一个解决方案：记忆体、记忆系统。在这个记忆系统中，其实就做两件事情： 第一：记忆体是穿插在问题处理的全过程中的，在处理过程中会不断地把我们所有的处理过程、处理的信息全部记录下来； 第二：记录下来之后，记忆体自动总结，总结出一种比如处理的方案、处理的过程、处理的结果、然后形成一个整体的方案。在这个方中，我们把这个已经总结出来的东西拿到之后，再把它放到一起，形成一个完整的方案，这样的话，我们通过这套记忆系统是不是就可以作为一个更好的、更高效的方式？基于这种出发点，我们在这个基础上形成了一整套方案。 但是在记忆体对已有知识完成总结出来之后，我们还需要做两件事情： 第一件事情，就是针对这个记忆系统做出来的所有的事情，去总结或者泛化，把一部分专业化的东西沉淀到项目中，也就是说，这个东西是针对这一个项目去做的经验总结知识，形成总结知识； 第二：把一部分提交上来，然后我们再去泛化，泛化成什么样的呢？把这种泛化的知识拉到公司层面，说明这种东西的设计原则、或者是这种公司的解决方案，是整个公司层面以后都会用到的，然后把它作为公司层面的东西。这样就形成了一整套从一个个体到泛化的整体设计方案。
基于这个设计原理，我们的记忆体被设计成以下的结构。（这里要先说明一下，下面说的这些词是我们自己设计的时候定的，在很多记忆系统中大家有不同的叫法，比如说情景记忆、角色记忆或者各种各样的方式，我们也知道，实际上大家可以把这种词对应回去，这也是没有问题的；我们之所以这么设计，主要是为了让我们不再去重复定义相同的东西，也是不要去迎合一些已有的专业名词、做出自己需要转换理解的内容） 第一：我们的记忆体中有一个模块叫做事实。事实这个东西，就包含了我们改变不了的东西。什么叫改变不了的东西？比如说我们服务器的密码、服务器的地址、服务器的运行系统，这些东这些东西是改不了的；服务器密码在我们没有修改之前，它就是一种事实，它也不需要模型去自我反思、改进，或者是用来作为一个相同的新的事实，然后再去做总结。所以这种部分我们称之为事实。这种事实资料，就是我们录进去是多少，就是多少；录进去是什么样，就是什么样子。这种知识内容的修改也不是通过模型自己的反思记忆、或者通过记忆系统自己的反思去实现的，而是我们这个东西改进之后，我们会告诉模型什么东西改进、变更了，它只需要把这种记忆的目录直接变更就行，所以这种相关知识内容我们称之为事实。 第二：还有一些记忆，我们称之为世界。就是这东西是从古至今定出来的，没有改变的东西，比如说数学知识 ：1、2、3、4、5、6；物理知识：牛顿定理，万有引力，这些东西都是确定不会再变的，我们把这些东西定义为世界。这些世界的知识我们会加到记忆体重。这种问题主要是解决一个问题：实际上在大模型中，我们的通用泛化知识已经很多了，就是基本的事实知识，大家在模型训练的时候其实都已经加进去了；但是有些专业知识、或者有些比较冷门的知识，可能在训练的过程中，或许是因为大模型本身的原因，或者是因为它训练的过程中丢失了，也可能是训练过程中中可能会错误，导致我们在整个的过程中，它也就是错的。所以这种知识在我们这边，在我们某个行业、或者我们某些领域中的知识内容，被称之为世界。 这里我就举一个很小的例子：很早很早之前我小的时候，经常听到家里人说外地人在新疆贩卖哈密瓜的段子。就是以前内地很多人之前就说是新疆哈密瓜和课本上写完全不一样，实际上哈密瓜很不好吃，因为瓜不甜，味道也没有瓜的味道，也不好。然后去我家那边拉哈密瓜的瓜贩子，每次到地方都是最好、最甜的哈密瓜先吃好，然后开始装车的时候，就挑那种完全生的装车。因为以前冷藏设施，所有的瓜都是靠着汽车从新疆一车一车拉过去的，为了保证瓜能顺利地到达那个地方、保证整个瓜卖出去前不至于烂掉，所以他们拉瓜的时候要的全部都是生的，就是完全没有熟的瓜拉出去，然后经过四五天的运输拉到全国各地。但是完全的生瓜很多没有成熟，所以吃的时候没有甜味，甜味很怪，吃出一种很奇怪的味道。这种很奇怪的味道，他们就称之为哈密瓜特殊的味道，因为你别的瓜就不可能吃不到这种特殊的味道，他说这就是哈密瓜的味道，哈密瓜就是这种特征。所以导致大家认知中，认为哈密瓜就是这种奇怪的味道，它就是一种事实。 我说这个例子的主要原因，就是要解释世界的概念：在不同的模型中，或者在不同的人的眼界中，它认为的规律、或者认为的东西并不是一成不变的，或许是会变化的，所以包含在模型中的内在训练知识也可能是需要修正的。所以我们不能完全依靠模型本身对于泛化知识、或者说训练知识的认定的时候，我们用的是我们后期修正过、加进去“对世界的认定”，而我们新的认定会覆盖掉模型本身的认定，这个知识内容就需要再将它更新到记忆系统中，这类知识必须高于、优先于模型的泛化知识（类似于以前使用模型的时候，所谓的叫角色绑定）。 我们用了世界的这种知识，加上事实这种知识，然后再加上最后一种知识内容，这种知识叫做思考。思考这种知识就是我们在每次变化的过程中拿到的所有内容。这类的知识，就是不断的使用过程中同步给记忆体的内容，在整个过程中，这类内容（这时候还不一定是知识）会不断地交给记忆体去总结、反思、过滤，记忆体会不断判断这种知识有什么问题，或者这种知识可以怎么被总结、可以被怎么样泛化，在思考中的这个知识是会不断变化的，而且它的知识也是不断累积的，所以我们这种知识被称之为思考。 以上这就是我们建立的一个基础的记忆系统的三层。 这三层大家有不同的方案，以前有些记忆系统可能分为四层，也有些其他的记忆系统，但是目前我们的实践来说，现在就是这样的三层结构。在这个过程中，我们把世界这一层定义出自己特有的、尝试性的、或者是固定的东西；然后在事实这一层，就定义出我们现在目前来说确定的东西、当前现实的一种描述，也就是说不需要模型去反复比对或者升级的东西；然后在思考部分，我们就定义了所有的东西，可以是从现实世界中不断的活动中采集出来的，它需要不断地通过模型、或者通过记忆系统的思考，然后把它进行总结或更新的东西。这就是我们的记忆系统。 说完记忆系统，我们来说其他两个系统：
现在先来说一下主控系统。 主控系统、或者是这个叫做主控大脑。它的设计初衷是我们依据于人的思考方式，或者是接近于人的思考方式。人在思考的过程中，是有一个主控的大脑，就是人的大脑是最先接收到一件事的判定、一段描述、一个任务的。当这个主控接收一个任务之后，就会把这个事情作为一个分析的源头对这个任务进行分析，分析之后拆成不同的实现方案，再分别将每一部分交给去不同的能力去执行。而在拆方案到最后执行的过程中它依赖的就是我们设计的几个部分： 第一个，依赖于我们的记忆系统，根据记忆系统记录的知识，然后我们去拆解这一个任务，把任务拆成很多个小任务，或者是把一个任务拆成不同的分块，然后把这些东西统一给到每一个部分去实施。 第二：在任务被拆解之后，执行的时候，就依赖于我们所能能给它提供的工具、技能。 依据上面两个点就可以看到，这整个方案最后将我们以前的Agent平台转换为智能体执行平台，然后结合记忆体系统，最后用主控系统将两者进行整合到一起。最后依据这三个平台，现在就形成了方案：主控系统拿到一个任务、或者拿到一个请求，不管它是什么样的需求，拿到这个需求之后，主控系统会将这个需求拆分成不同的任务，例如我们拿到一个很复杂的需求，主控系统就会把这一个任务拆分成十几个小任务，或者是各种不同的小任务，而且每一个任务在拆分的过程中，是主控系统依据记忆系统去拆分成可以执行的单元，然后每个执行单元交给"智能体执行平台"去执行。
我用一个修电脑的示例来说明系统的整个执行流程。例如我们现在有一台台式机电脑坏了，那如果我们想修这台电脑，我们的实施方案是什么？ 这时候我们的任务出发点就是维修台式机电脑，将这个任务交给主控系统之后，主控系统会根据这一个任务把它分为几个步骤： 第一，修电脑需要有工具，所以需要根据记忆系统，先要找到工具在哪里； 第二，修电脑的时候我需要有知识，什么叫知识呢？我可能需要知道怎么样拆螺丝、哪一部分不能碰、哪一部分要断电，这些东西我都要知道，所以这部分东西也要靠记忆系统，我们去找相应的资料。比如说，根据记忆系统我要去网上搜，或者根据记忆系统我要去找到那个知识库，如果记忆系统这部分没有的话，我可能还要去视频学习，这都是不同的任务。在我们实际的执行过程中，也是把这整个最初的任务拆成好多个任务，例如去找工具、去看机箱结构h、去网上看学习资料、去翻自己的电脑说明书、然后去视频上学习拆装动作，这整个就形成了修电脑的一个前期的过程，这其实也是整个维修电脑这个任务的分解。先把它拆成这么多部分之后，完成前期过程之后，我们就开始后面的维修过程，例如在拿螺丝刀去拧螺丝、去拆开机箱后，打开机箱之后如何去判断哪一部分有问题，这在整个过程中都是不断地有记忆系统去提供一些记忆支撑，然后由我们的大脑不断地把一个任务分解成更多的小任务，这过程中整个拆分任务、分析任务、执行任务的逻辑闭环去形成一个完整的平台。 然后映射到我们这三层架构中，这个任务就是我们的主控系统拿到任务之后，把任务拆成各种各样的任务。比如说拿到一个维修任务，主控系统就把它拆成拆前准备、拆中准备、拆后准备这种大任务，然后再根据这些大任务，又结合记忆系统的那个记忆能力，把任务拆成一个一个具体的小任务。例如我们要去找这台电脑的说明书，这台电脑的说明书按记忆是存放在了哪里；主控系统需要判断这个功能是哪里坏了，比如说内存条坏了，那就需要更换内存条，根据记忆系统，主控系统判断内存条的状态是怎么判断的、有没有什么知识；然后如果判断是内存条，可能还有别的东西也有可能，那主控系统在这个过程中可能不只是判断一个内存条，需要连带确认其他设备的情况。在这整个过程中主控系统就是和我们实际的逻辑执行方案一直，要查资料再确认一下的时候，就根据记忆系统，我们去查资料、查视频、去网上看。 所以总结来说，主控系统指挥的时候它会把这东西拆成好多个任务，然后根据记忆系统的参与，把这个任务拆成可以去落实完成的动作、或是执行单元；而最终更需要落实完成执行，真正去干这个任务的时候，是由我们的 智能体执行平台。其实我们现在 Agent 平台主要退化成一个具体的技能和知识的执行端，这个执行端会调用这些我们在 Agent 平台的积累所有知识，然后用它所有的组合知识，去形成完整的一个工具链。 还是回到刚才那个例子，我们在维修电脑的时候，我们觉得可能是内存条坏了，那我们需要更换内存条，需要去拆机，拆机的时候我们就去调用 智能体执行平台，去找它有没有拆机的那个教程；这个拆机的教程在我们知识库中是不是存在？如果在我们知识库中不存在，那我就去网上找，把拆机教程给到主控系统；然后主控系统在解析需要更换内存条的时候，拆出来的任务叫更换内存条任务，在执行这个任务的时候，主控系统去记忆系统中查找关于更换内存条的内容，包括内存条可能存在于哪？我们家里有没有？家里如果没有，那我是不是要去网上买？记忆系统返回具体的答案之后，具体执行的任务交给了智能体执行平台去实现，最后将实现结果，例如已完成内存条更换的动作，主控系统这时候可能就会启动测试内存条的执行任务。 在这整个过程中记忆系统和主控系统共同形成了任务的分析和规划、执行平台负责实施，最后将实施的结果返回，由此形成了这种三层的整体架构方式。 根据这个架构方式，这整个架构中的三层都是可以独立去做的，就是我们有自己的、独立的记忆系统，有独立的主控系统，有独立的智能体执行系统，这三个共同组成了一个完整的闭环。
整体的系统架构已经设计完成，对于一个智能体平台来说，最重要的就是进行验证。 当我们把一个任务交给智能体之后，首先到达的是主控系统。我们需要先对主控系统进行监控和审计。主控系统在对任务进行拆分的过程中会将每一个收到的任务，它拆解出来的任务、每一步拆解步骤、或者每一步该干什么、做什么，这些都记录了下来，然后我们可以通过观察到它拿到一个任务之后的拆解分析清单，来分析具体问题是在哪一部分，是拆解得不对，还是分析得不对，还是什么其他的原因导致。 例如如果是任务拆解得不对，那可能是主控系统对一个任务的认知是有问题的。而认知有问题有两部分：第一个，大模型拆解那个任务的时候，方法或者思考的方式是不对的，而思考方式是一部分来源于大模型的能力；第二部分来源于我们的记忆系统，因为记忆系统会参与到大模型的思考中，所以就是这两部分就是我们首先要去分析的。如果是大模型的能力的问题，那我们是不是换一个更好的大模型，或是参数能力更大的模型就可以解决问题，当我们对大模型的选择完成后，智能体就可以正常思考和分析问题；如果我们依据任务拆分发现是记忆系统问题，那么一般涉及到的就是记忆召回的时候错误，或是召回的记忆就是错误的，对于这两种问题，本质上还是需要对记忆体内的知识优化，一般是由于多种知识混淆会导致记忆召回错误（在记忆体召回算法没有错误的情况下）。所以整个过程就可以分解为更新大模型、更新思考链路，更新记忆系统的知识，或者更新记忆系统的召回能力，还有就是更新记忆系统里思考的内容知识，我们把这些相应的知识不断更新之后，一个任务整个分解脉络就可以清晰地展现出来。
如果分析没有问题，那我们就可以去看它执行的时候，它调用了什么工具，比如说调用了我们 Agent 平台、也就是我们现在所谓的执行系统的什么工具、什么 skill，或者是什么样的知识库，去看了这些东西。它看了这些东西之后，还是没有执行对，那很可能就出现在大模型本身的问题上，也就是大模型判断错误，但实际上对于现在的大模型来说，这一部分应该不是很重要的一件事情，所以我们先不考虑这个。在主控系统中拿到相对应的知识之后，没有执行成功的一个情况，大部分情况就是我们给了他执行的工具，但是给错了。
比如说，他当时分析出来要去维修一个电脑，他需要的是个十字螺丝刀，然后我们的那个 Agent 平台，至少你要给他一把十字螺丝刀，只要给他一把十字螺丝刀的，我就认为他是没有错的，因为他已经忠实执行了自己的任务；但是如果你给出来是一把平口的、瓶口的起子，那就认为他执行错误了，也就是说本身就是 Agent 平台是有问题的。因为我们的执行平台是有问题的，那么按照这个逻辑，我们就去改进这个（知识）平台。例如它为什么在调用的时候、我指它调用的时候，这一个平台的东西调用是错误的？比如说我记忆里头的东西，记忆的时候，这个位置它就应该是个十字螺丝刀的起子，但是到别的调用的时候，他给的是个平口的，那这也就是要么是记忆错了，要么就是你执行的有问题，我们去改进执行平台就行了。
在整个链路中，每一个平台都是可监控的：从任务拆解出来，我们可以看到任务被拆解成什么样；然后在记忆的时候，他调用了什么记忆、找回了什么样的记忆；然后根据记忆、根据这个决策的时候，他去执行平台去拿了什么样的工具去执行这个事情。每一个平台都可以检查行为，所以整个过程的所有过程都可以审计，这也是我们以后的过程中，去看到每一个需求任务，它为什么会出错、为什么会不准确，在哪里出现的偏差，这个对于我们以后改进整个平台、或者是改进整个方案都是很有必要。
以上的整个过程就形成了我们目前来说的一个个人智能体的方案。我们这个方案其实还没有形成、还没有做出来太多时间，才是刚刚开始实验，但是我们每一个步骤、每一个部分其实已经跑了挺长时间了。智能体执行平台（原Agent 平台）从 2 月份左右就开始建设了，建设之后一直到现在、到 6 月份的时候，才整个建设完成。因为这个东西其实改造过好几版了，从最初的一个很简单的代理方式去实现，然后到后面不断地修改技术路线和技术实现，最终确认了现在的平台方式。
记忆体平台，是做得最晚的，是9月份才开始去把整个方案构建出来，得益于现在 AI 编程的能力，我们结合了智能体执行平台在知识召回、知识管理的经验，目前来说从记忆体的知识召回的能力目前表现不错。最后是我们的主控系统，是从8月份才开始构建，当时主控系统是作为一个任务分解的方案，就是我们去把一些复杂的任务交给它，去看它怎么分解、或者是怎么样去做这个事情；然后我们做出这个东西之后，后面发现我们缺少的就是一个记忆系统，去把这三个部分连起来。所以我们今年 9 月份的时候，立项了这个 Inspiration 系统，通过这种方式，我们现在目前来说构建出来了一个比较完整的整体的智能体平台——其实三部分最后形成的一个平台，整体地叫做一个智能体的平台。
随着最近一段时间的Muse，还有各种个人智能体的爆发，所以我们把它重新定义，现在目前内部把它定义为一个“个人智能体”的方案。其实它也是一个公司级的智能体，因为当时我们做出来的时候，其实是给公司内的人员去使用的，比如说不同的人员去登录自己的账号，然后去做每一个部分。但是现在我们把它作为一个个人智能体，一方面是想从个人角度去看这一个实施的使用的情况，因为个人的需求才是不固定的，企业的需求反而是比较好去确认的，因为我们会从业务角度去确认几个场景，所以确认出来的反而是企业的那几个场景，而个人的场景是比较多变的，所以我们更想从个人角度去看这个智能体的发展。
这就是我们现在目前来说呈现的一个整体的设计方案和设计架构。从理论上、或者从我们感官上来说，我们觉得这个方案是可以实现的，比较好的方案；但实际上，这个方案能不能最终落下来，或者是实验怎么样，我们其实有待于整体地去测试，我们后续也会把这整体的这一套架构的方式和测试结果、最后的结果发布出来，欢迎大家关注我们这个事情。
另外补充一点，我们这个方案我觉得有个很大的好处，就是我们在设计的过程中，因为是一步一步地拼接起来、或者是一步一步地去完成的，所以在整个设计上也是可拔插的、或者是可替换的。例如我们的记忆体系统如果效果不好，或者是有更好的记忆体的方案、或者是开源的方案的话，我们可以把自己的记忆体方案整个直接替换掉，然后换成更好的记忆体方案。如果是主控系统的模型，我们现在也用的是开源的方案去做的主控；但是以后如果市场上出现更好的主控方案、或者主控、分析的这种能力有各种更强的模型，它可以更好的完成任务拆分，同时拆分的效果、多智能体的协同能力，都会比我们现在拿到手里拿到的这种开源方案更好的话，我们也会把这一部分再去替换掉。
最后的智能体执行平台，我们目前来说整体是自己自研的，这个部分我们的可控力度是最大的。所以在现在这个方案中，我们觉得最好的好处就是每一步可审计、每一步可控制、每一部分可拔插，然后在以后的升级过程中，我们也不会因为一次升级就导致整体崩溃。
