参赛赛道：Agent 赛道
核心定位：一个具备感知、规划、行动、反思、学习能力的自主智能体，用于复杂软件项目的端到端缺陷修复。
MetaFix Orchestrator 是一个自主决策型 AI Agent。给它一个 Issue 链接（或问题描述），它会：
- 自主分析：理解项目结构、Issue 上下文、历史修复经验。
- 自主规划：生成修复计划（包含步骤、所需技能、风险、成本预估），并展示给用户。
- 自主执行：动态获取或创建所需技能（从社区拉取），调用 MCP 工具（文件、Git、GitHub），完成代码修复、测试、审查、PR 提交。
- 自主反思：根据执行结果更新内部知识库，优化未来决策。
- 自主处理异常：遇到失败时回滚、重试、请求人工审批或切换策略。
- 固定工作流：A→B→C，无法适应变化。
- 本智能体：每次根据目标、上下文、历史经验，动态生成执行路径，并具备学习能力。
用户只需定义目标（"修复 Issue #999"），智能体全权负责执行。仅在关键节点（如高危操作、计划确认）请求人工审批。
我们把整个系统视为一个智能体，其内部包含以下模块：
| 模块 | 对应能力 | 实现方式 |
|---|---|---|
| 感知模块 | 理解 Issue、项目结构、Wiki、规则 | issue-analyzer + codebase-navigator + RAG |
| 记忆模块 | 短期记忆（当前会话状态）、长期记忆（技能知识库、成功组合） | SharedMemory + SQLite + 向量库 |
| 规划模块 | 生成修复计划、动态拆解任务 | 五级优先级技能获取 + 自由编排引擎 |
| 行动模块 | 执行技能、调用 MCP 工具 | 临时子智能体 + 预置 MCP（filesystem, git, github, logging） |
| 反思模块 | 评估执行结果、更新知识库、调整策略 | 反思日志 + 技能成功率更新 |
| 安全与成本控制 | 技能校验、人工审批、token 预算 | 四阶段校验 + WorkBuddy 集成 + 成本估算 |
| 可观测性 | 日志、追踪、故障恢复 | 结构化日志 + 状态快照 + 重启恢复 |
┌─────────────────────────────────────────────────────────────┐
│ 用户输入目标（Issue #999） │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 1. 感知：加载项目 Wiki、预定义规则，分析 Issue 根因 │
│ - 调用 codebase-navigator 理解代码结构 │
│ - 结合历史记忆（类似 Issue 的修复经验） │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 2. 规划：生成修复计划 │
│ - 列出需要修改的文件、预计步骤、所需技能 │
│ - 预估 token 成本、风险点 │
│ - 展示给用户，等待确认 │
└─────────────────────────────────────────────────────────────┘
│
▼（用户确认）
┌─────────────────────────────────────────────────────────────┐
│ 3. 行动：按计划执行 │
│ - 对于每个步骤： │
│ a. 从本地/远程获取技能（若缺失则自动创建） │
│ b. 安全校验技能 │
│ c. 创建临时子智能体运行技能（通过 MCP 工具操作） │
│ d. 观察结果，记录日志 │
│ - 若某步失败： │
│ * 尝试重试（最多 3 次） │
│ * 若仍失败，触发回滚并重新规划 │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 4. 反思：评估整体结果 │
│ - 比较预期与实际 │
│ - 更新技能知识库（成功率、耗时） │
│ - 若发现更优的技能组合，存入组合知识库 │
│ - 生成反思日志供用户审阅 │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 5. 交付：提交 PR 并通知用户 │
└─────────────────────────────────────────────────────────────┘
关键点：每一步都是智能体自主决策的结果，而非硬编码流程。
- 项目 Wiki：
.meta-fix/wiki/下的 Markdown 文档（架构、常见问题）。 - 预定义规则：
.meta-fix/rules/下的 YAML 文件（编码规范、安全策略、模块偏好）。 - 历史记忆：技能知识库 + 组合知识库（从以往修复中学习）。
- 实时分析：调用 CodeBuddy API 增强根因定位。
智能体不依赖预置工作流，而是动态生成计划。例如 Issue #999（C++ 空指针）：
- 感知到项目主要是 C++/Python 混合，根因在 C++ 层。
- 记忆库显示类似问题常用技能序列：
cpp-debug-skill→cpp-fix-skill→test-writer。 - 计划输出（见 4.3 示例）。
- 技能获取：按照优先级（预制子智能体 → 本地缓存 → 远程拉取 → 自动创建 → 组合）自主决策。
- MCP 集成：预置
filesystem,git,github,logging；技能可声明额外 MCP，智能体自动连接。 - 执行隔离：每个技能在临时子智能体中运行，避免相互污染。
- 每次修复后，智能体生成反思日志，包含：
- 哪些技能有效、哪些无效。
- 实际耗时与预估的偏差。
- 是否遇到意外情况（如依赖缺失）。
- 反思结果更新知识库，影响下次规划。例如：
cpp-fix-skill成功率从 0.8 降至 0.6，则未来会优先尝试其他技能。
- 安全：技能拉取时四阶段校验；高危操作触发人工审批。
- 成本：每次 LLM 调用前估算 token，累计超预算时暂停并请求用户干预。
| 标准 | 本智能体实现 |
|---|---|
| 自主决策 | 动态规划执行路径，而非固定工作流 |
| 环境交互 | 通过 MCP 读写文件、执行 Git、操作 GitHub |
| 目标驱动 | 给定 Issue，自动分解子目标 |
| 学习能力 | 反思机制更新知识库，优化未来决策 |
| 不确定性处理 | 失败时回滚、重试、重新规划 |
| 人机协同 | 关键节点请求审批，而非全自动 |
对比常见工作流引擎：工作流引擎是"如果 A 则 B"，而本智能体是"我理解目标是 X，根据当前情况，我决定做 Y，因为之前 Z 成功了"。
- CodeBuddy：作为代码分析 API，增强感知层。
- WorkBuddy：计划确认、人工审批、日志通知。
- ClawPro：Agent 运行时底座，管理内部子智能体生命周期。
| 维度 | 本智能体得分点 |
|---|---|
| 场景价值与市场潜力 | 面向千亿级软件工程市场，任何有代码仓库的企业都需要自动化缺陷修复。 |
| 效能提升与价值可见度 | 模拟数据：4 小时 → 8 分钟；用户可对比前后耗时。 |
| 功能完整性与可用性 | 九层模块全覆盖，Demo 流畅（可模拟展示计划生成、技能拉取、审批、PR）。 |
| 创新性与技术深度 | 自主规划、反思学习、技能社区动态拉取、全链路安全与成本控制。 |
用户：
/fix https://github.com/vllm-project/vllm/issues/999
智能体思考（内部日志）：
[感知] 加载项目 Wiki... 发现 vLLM 使用 Ascend CANN 后端。
[感知] Issue #999 描述：运行 long sequence 时随机 NaN。
[感知] 调用 CodeBuddy 分析代码，定位到 flash_attention.cpp:342 可能存在 FP16 溢出。
[记忆] 历史类似问题曾使用 cpp-debug-skill → cpp-fix-skill → test-writer 组合，成功率 0.92。
[规划] 生成计划：
- 步骤1：cpp-debug-skill 确认溢出点
- 步骤2：cpp-fix-skill 修改为高精度累加
- 步骤3：test-writer 生成 long_sequence_nan_test.py
- 步骤4：regression-guard 运行回归测试
- 风险：需修改 CMakeLists.txt（触发人工审批）
- 预估 token：1200，成本：$0.002
[行动] 展示计划给用户，等待确认...
用户确认。
[行动] 拉取 cpp-debug-skill（从 GitHub 社区）→ 安全校验通过 → 执行 → 定位到准确行号。
[行动] 拉取 cpp-fix-skill → 需要 filesystem MCP → 写补丁 → 需要 git MCP → 创建分支 → 提交。
[行动] 调用 test-writer（预制子智能体）→ 编写测试。
[行动] 调用 regression-guard → 全部通过。
[行动] 调用 pr-creator → 通过 github MCP 创建 PR。
[反思] 本次修复成功，cpp-fix-skill 成功率升至 0.93，记录组合。
[完成] 输出 PR 链接。
MetaFix Orchestrator 是一个自主决策型 AI Agent，而非简单的工作流编排。它具备感知、规划、行动、反思、学习、安全、成本等完整智能体特征，能够端到端解决复杂软件项目中的缺陷修复问题，完美契合 Agent 赛道要求。
git clone https://github.com/libra-sys/MetaFix-Orchestrator.git
cd MetaFix-Orchestrator
cp .env.example .env
# 编辑 .env 填写配置
docker-compose up -d
# 访问 http://localhost:3000下载 MetaFix-Orchestrator-Portable.zip 解压，双击 MetaFix-Orchestrator.exe 即可。
npm install --legacy-peer-deps
npm run build
npm start
# 访问 http://localhost:3000MetaFix Orchestrator/
├── cli/ # CLI 命令行工具
├── server/ # 后端服务（Express + TypeScript）
│ ├── index.ts # 主入口
│ ├── agents/ # Agent 核心模块（感知/规划/执行/反思）
│ ├── skills/ # 技能管理系统
│ ├── knowledge/ # RAG 知识库
│ ├── mcp/ # MCP 服务器管理
│ ├── cost/ # 成本控制
│ └── security/ # 安全与审批
├── src/ # 前端（React + TypeScript）
├── data/ # 数据目录（SQLite + 向量数据库）
├── Dockerfile
├── docker-compose.yml
└── start.bat / start.sh
| 模块 | 状态 | 说明 |
|---|---|---|
| 核心基础设施 | ✅ 100% | Controller、Perception、Planner、Executor、Reflector 完整实现 |
| 调度器 | ✅ 100% | orchestrator.ts 独立模块，完整实现感知→规划→执行→反思流程 |
| 数据库 | ✅ 100% | SQLite 完整 schema，包含 sessions、messages、skills、reflection_logs、fix_plans、agent_snapshots |
| MCP 集成 | ✅ 100% | filesystem、git、github、logging 全部可用 |
| API 服务器 | ✅ 100% | Express 完整实现，包含聊天、Agent、技能、反思日志等所有 API |
| 子智能体（8个） | ✅ 100% | issue-analyzer、codebase-navigator、upstream-tracker、test-writer、regression-guard、quality-gate、build-system-expert、pr-creator 全部实现 |
| 技能（12个） | ✅ 100% | receiving-code-review、deep-research、analytics-data-analysis、agent-browser、find-skills、create-skill、install-skill-dependency、docx、pdf、pptx、xlsx、content-research-writer 全部实现 |
| 预制数据初始化 | ✅ 100% | 自动初始化所有预制技能和子智能体到数据库 |
| 模块 | 状态 | 说明 |
|---|---|---|
| 前端 UI | 🚧 60% | React + TypeScript 基础框架存在，但需要完善 Agent 状态展示、技能管理界面 |
| 测试 | 🚧 0% | 缺少单元测试和集成测试 |
| 文档 | 🚧 70% | README 完整，但缺少 API 文档和开发者指南 |
| 模块 | 状态 | 说明 |
|---|---|---|
| 部署脚本 | ⏳ 待完成 | Docker 和 Windows 便携版需要完善 |
| 性能优化 | ⏳ 待完成 | 需要添加缓存、并发控制等 |
| 安全加固 | ⏳ 待完成 | 需要完善输入验证、权限控制 |
cd server
npm install
npm run build
npm startcurl http://localhost:3000/api/health
# 预期输出: {"status":"ok","timestamp":"..."}curl http://localhost:3000/api/agent/health
# 预期输出: {"status":"ok","activeAgents":0,"totalSessions":0}# 查看数据库
sqlite3 data/chat.db "SELECT name, version FROM skills;"
# 预期输出: 12 个预制技能
sqlite3 data/chat.db "SELECT name, type FROM sub_agents;"
# 预期输出: 8 个子智能体MIT