Equip AI Agent（工程设备边缘AI智能助手）

Equip AI Agent 是一款面向工程设备现场的智能体助手，可完全离线运行、数据不出场。只需用自然语言发问，即可完成设备状态查询、故障诊断与处置建议；方案经确认后执行，执行后自动复核。从"发现异常"到"恢复生产"，全流程在一轮对话里闭环。

问一句，状态即答 —— 燃油、工时、故障码、保养周期，一句话说清
查故障，有据可依 —— 检索本地设备手册，结论附出处与置信度
给方案，确认后执行 —— 处置步骤经确认后执行，完成后自动复核

Equip-AI-Agent.mp4

项目背景

目前现状

工程机械的现场运维长期依赖"老师傅经验 + 纸质手册 + 专家到场"：

故障响应慢 — 设备异常时操作员只能凭经验判断，疑难故障要等专家到场或远程会诊，停机时间被不断拉长。
资料查找难 — 维修手册、安全公告、保养计划分散在纸质文档或不同系统里，现场难以按机型/故障码快速检索。
经验难沉淀 — 老师傅的诊断经验随人员流动流失，新人上手周期长。
现场网络受限 — 矿山、工地等作业现场网络不稳定，依赖云端的方案经常不可用，设备数据上传还有隐私顾虑。

本项目的解决思路

Equip AI Agent 把"问状态、查故障、给方案"装进一台部署在设备侧的助手，操作员用日常聊天工具就能完成从发现异常到恢复生产的完整闭环：

🔒 完全离线运行 — 状态查询、故障检索、诊断分析全流程在设备侧完成，不依赖云端，数据不出设备。
💬 自然语言入口 — 操作员在 QQ / 微信 / Telegram 等常用 IM 或语音入口直接用自然语言提问，无需学习新系统。
🔁 任务闭环 — 观测 → 检索 → 诊断 → 方案 → 人工确认 → 执行 → 复核，全流程在对话中完成，处置动作必须经操作员确认。
🧾 结论可追溯 — 每条诊断结论附手册出处与置信度，关键过程全程留痕，可回放、可审计。

技术路线选型

环节	选型	考量
语言模型	`DemoRuleBasedModel`（离线规则）/ OpenAI 兼容端点（vLLM / Ollama / AXLLM）	无模型开箱即用；接入真实模型获得 LLM 规划能力
任务规划	规则规划 + LLM Tool Calling 双路线	LLM 规划失败自动退回离线规则，边缘小模型也可用
知识检索	本地手册，按机型/故障码加权检索	离线可用，答案附出处
推理框架	axllm / vLLM / Ollama（OpenAI 兼容 API）	统一 `/chat/completions` 接口，可对接任意兼容服务
数据存储	JSONL 追加式存储（原型实现）	零第三方依赖；生产环境可替换为 SQLite 或独立服务
硬件平台	可选 AXera AXLLM 边缘 NPU	4B 级端侧模型部署，已针对边缘推理运行时适配

应用场景

领域	典型场景	核心价值
🏗️ 工程机械运维	现场设备状态问答、故障初诊、处置建议	操作员自助排查，缩短停机时间
🚚 机队管理	多设备状态汇总、保养提醒、风险优先级排序	一个入口管理分散在现场的各台设备
🎓 新人带教	按机型/故障码检索手册、故障场景演练	老师傅经验沉淀为可检索的知识
📞 远程支持	专家通过 IM 渠道接入，基于证据链给出建议	减少专家到场成本，加速疑难故障处理

核心特性

🚀 功能特性

设备状态问答 —— 实时读取遥测快照，生成可读状态摘要；简单事实查询走确定性快速通道，不经过生成模型
本地知识检索 —— 按机型/故障码检索本地手册，回答引用来源，离线可用
诊断分析 —— diagnostic.agent 汇聚遥测、操作员报告与手册证据，生成有界诊断结论
处置建议与审批 —— action.propose 生成操作员审阅的处置方案，用户确认后按同一计划执行
多 IM 渠道 —— QQ / 微信 / Telegram / Discord / Slack / 飞书 / 钉钉，webhook 免 SDK 接入
语音网关 —— 替换 ASR/TTS 两个端口即可接入语音交互，低置信度自动返回澄清话术
语音网关 —— 替换 ASR/TTS 两个端口即可接入，低置信度自动返回澄清话术

🔧 技术特性

离线规则模型兜底 —— 无模型配置时自动使用内置 DemoRuleBasedModel，全部功能开箱即用
六边形架构 —— 端口定义在领域层，遥测/知识/模型/存储等任何 Adapter 可整体替换
DAG 任务编排 —— TaskPlan 步骤依赖图 + PlanExecutor 逐步执行，Tool Calling 规划失败自动退回规则规划
边缘运行时适配 —— 自动剥离 <think> 推理、截断越轮输出、从纯文本恢复 <tool_call>，适配 AXLLM / llama.cpp 等边缘推理端点
Artifact 证据链 —— 步骤间传递带来源/置信度/观测时间的 Artifact，而非拼接文本
声明式能力发现 —— Provider 通过 auto_select + trigger_terms 声明条件，Planner 零硬编码分支
插件系统 —— 按归属方跟踪资源，依赖检查与受控卸载，支持配置驱动加载
全程审计 —— 关键过程追加写入事件日志，支持回放、评测与故障追溯

系统架构

架构总览

主链路遵循"接入 → Turn 边界 → 计划 → 逐步执行 → 响应投递"：

用户请求 → AgentLoop（实时 MachineSnapshot）→ TaskOrchestrator → TaskPlanner 生成 TaskPlan → PlanExecutor（PolicyEngine 检查 → CapabilityRegistry 调度 → Provider 执行 → 收集 Artifact）→ AssistantResponse → 渠道投递

普通请求由 TaskPlanner 生成新的 TaskPlan；确认请求沿用同一 Session 中暂存的计划，以 approved=true 重新执行。实时遥测是设备状态的权威来源，会话历史与长期记忆仅作上下文提示。

分层职责

层	目录	职责	关键类型
领域层	domain/	端口与纯数据模型，无任何实现细节	`MachineTelemetryPort`、`KnowledgePort`、`LanguageModelPort`、`CapabilityDescriptor`、`Artifact`
应用层	application/	循环、编排、策略、上下文与生命周期	`AgentLoop`、`TaskOrchestrator`、`PolicyEngine`、`BoundedAgentRunner`、`CapabilityRegistry`、`PluginManager`
适配层	adapters/	端口的具体实现，可整体替换	`OpenAICompatibleModel`、`ScenarioTelemetry`、`JsonlEventStore`、内置能力 Provider
接入层	channels/	各 IM 平台的收/发适配	`OneBotV11Channel`、`WeChatWebhookChannel`、`WebhookServer`、`ChannelBridge`

文件目录

src/cat_assistant/
├── domain/              # 端口与核心模型，无外部依赖
│   ├── ports.py         # 遥测 / 知识 / 会话 / 记忆 / 模型 / 事件 / 语音 / 追踪端口
│   ├── models.py        # Utterance、MachineSnapshot、TurnRecord、DomainEvent …
│   ├── capabilities.py  # CapabilityDescriptor、Artifact、CapabilityResult
│   └── plans.py         # TaskStep、TaskPlan、StepResult
├── application/         # 编排与策略
│   ├── loop.py          # AgentLoop：外层循环、会话锁、超时、持久化
│   ├── orchestration.py # TaskPlanner / PlanExecutor / PolicyEngine / TaskOrchestrator
│   ├── runner.py        # BoundedAgentRunner：有界内层循环
│   ├── capabilities.py  # CapabilityRegistry + Schema 校验
│   ├── context.py       # ContextBuilder：有界上下文组装
│   ├── tools.py         # ToolRegistry：只读白名单工具
│   ├── plugins.py       # PluginManager / PluginContext / ServiceRegistry
│   ├── query.py         # DeterministicQueryService：确定性快速通道
│   ├── voice.py         # VoiceGateway：语音边界
│   ├── events.py        # EventRecorder：审计事件记录
│   └── tracing.py       # Tracer / TraceNode 端口实现与 span() 上下文管理
├── adapters/            # 端口实现（可替换）
│   ├── model.py         # DemoRuleBasedModel / OpenAICompatibleModel
│   ├── telemetry.py     # InMemoryTelemetry（4 台演示设备）
│   ├── simulation.py    # 3 个确定性故障场景 + ScenarioTelemetry
│   ├── knowledge.py     # InMemoryKnowledge：故障码加权检索
│   ├── memory.py        # JsonlSessionStore / JsonlMemoryStore
│   ├── capabilities.py  # 8 个内置能力 Provider
│   ├── control.py       # SimulatedMachineControl：机器控制占位执行器
│   ├── tools.py         # MachineStatusTool / ManualSearchTool：只读诊断工具
│   ├── plugins.py       # 内置插件：cat.readonly-equipment-tools
│   ├── speech.py        # Utf8TestRecognizer / Utf8TestSynthesizer：语音端口测试实现
│   ├── tracing.py       # LangfuseTracer / TracedLanguageModel / RecordingTracer
│   ├── runtime_config.py# 原子 JSON 配置存储与校验
│   └── events.py        # JsonlEventStore
├── channels/            # QQ / 微信 / Telegram / Discord / Slack / 飞书 / 钉钉 + WebhookServer
├── ui/                  # 调试 UI 静态资源
├── bootstrap.py         # 组合根：build_demo_app()
├── __main__.py          # CLI 入口（equip）
└── debug_ui.py          # 调试 UI 入口（equip-ui）
config/                  # runtime-config（含 axllm 模板）与 cloudflared 配置模板
docs/architecture.md     # 架构说明与设计决策
scripts/                 # qq-channel.py、cloudflare-tunnel.sh
tests/                   # 99 项测试

任务编排

请求先由 Planner 拆解成 TaskPlan（一个小的步骤依赖 DAG），再由 PlanExecutor 按依赖顺序执行。典型步骤链：

observe → retrieve → infer → propose → approve → act → verify

ToolCallingTaskPlanner（默认路线）：把所有已启用能力的名称、描述与输入 Schema 映射为模型可用的 Function Tools，由 LLM 挑选完成请求所需的最小工具集合并给出参数；这些调用先转换为顺序依赖的 TaskStep DAG。模型无响应、未选择任何能力或返回未知工具时，自动退回规则规划器。
RuleBasedTaskPlanner（离线路线）：基于关键词与能力注册表的 auto_select / trigger_terms 发现机制分解请求，无模型也完整可用。
例如"查看当前状态，查询 E123 手册，给出方案，确认后停机"会形成：

telemetry.read → telemetry.summarize → knowledge.search
→ diagnostic.agent → action.propose → 审批门 → machine.control → telemetry.read

上下文与记忆

四类信息严格分离处理，共同进入 ContextBuilder：

MachineTelemetryPort ──▶ MachineSnapshot（当前权威事实）
SessionStorePort    ──▶ 最近 8 轮会话 Turn + 可选外部摘要
MemoryPort          ──▶ 按机器/操作员隔离的显式记忆
EventStorePort      ──▶ 不可变审计事件，不会自动回填进 Prompt
                            │
                     ContextBuilder（字符预算 12,000，逐层裁剪）
                            │
                     BoundedAgentRunner

超预算时优先丢弃最早的历史对话，系统规则与当前机器快照始终保留
记忆按机器/操作员隔离，标注为"非权威设备状态"，不覆盖实时遥测
模型不能自主写入长期记忆：remember() 只接受受信任流程校验过的 MemoryRecord；clear_session() 只清会话历史与摘要，显式记忆不受影响

能力系统

所有可扩展能力实现统一的 CapabilityProvider 契约：

CapabilityProvider
  ├── descriptor   名称、版本、Schema、风险、来源、触发词、消费/产出类型
  ├── execute()    执行并返回 CapabilityResult（含 Artifact）
  ├── startup()    可选启动钩子，由 Registry 调用且保证只调用一次
  ├── shutdown()   可选关闭钩子，应用关闭时全部执行
  └── health()     可选健康检查

CapabilityRegistry 负责注册、启停、按归属方（owner）卸载、Schema 校验、超时与机型适配检查；enabled 与 started 独立——注册不建立连接，start_all() 或首次执行前才真正启动。model_selectable=False 的能力（管道步骤、确定性回答、niche 观察器）保持可用但不进入模型工具菜单，让边缘小模型面对更短的工具列表。

步骤之间不传递任意 Python 返回值或拼接文本，而是传递带来源的 Artifact：

Artifact
  ├── artifact_type      领域含义（如 machine_snapshot、indicator_report）
  ├── data               载荷
  ├── source_capability  产生者
  ├── confidence         置信度
  ├── provenance         来源说明（传感器 / 操作员 / 手册）
  └── observed_at        观测时间

Planner 无 if capability == ... 硬编码分支：Provider 通过 auto_select + trigger_terms 声明发现条件。如操作员说"指示灯亮、报警声响"，observation.user_report 自动生成置信度 0.5 的 indicator_report 与 audio_alarm_report；未来接入真实传感器后，注册相同领域含义、更高置信度的 Provider 即可自动插入证据链，无需改 Planner。

内置能力清单

能力	kind	说明	关键属性
`telemetry.read`	observe	读取本轮权威设备快照	产出 `machine_snapshot`
`telemetry.summarize`	infer	生成可读状态摘要	对用户可见
`observation.user_report`	observe	采集操作员报告的视/听症状	`auto_select`，置信度 0.5，非权威
`knowledge.search`	retrieve	按机型/故障码检索本地手册	`auto_select`（故障/问题触发词），产出 `knowledge_evidence`
`response.compose`	summarize	简单事实的确定性快速通道	不经过生成模型
`diagnostic.agent`	infer	汇聚证据生成有界诊断	超时绑定整轮预算 `turn_timeout_seconds`（默认 120s），内部调用 `BoundedAgentRunner`
`action.propose`	propose	生成操作员审阅的处置方案	消费 `diagnostic_assessment`
`machine.control`	act	经 Safety Gateway 改变设备状态	风险 critical，需审批，当前为占位执行器

带副作用的能力由 PolicyEngine 执行前校验：未获批准一律返回 approval_required，计划按 Session 暂存，用户回复"确认 / 同意 / yes / proceed"后以 approved=true 重跑。machine.control 由 SimulatedMachineControl 占位执行器承接：apply() 返回 ControlOutcome，确认后携带新 MachineSnapshot 写回内存遥测；未接入执行器（如场景回放模式）时默认拒绝写入。

快速开始

1. 安装

pip install -e .

2. CLI 演示

# 无模型配置时自动使用内置规则模型，完全离线
equip

3. 本地调试 UI

# 启动后访问 http://127.0.0.1:8765/
equip-ui

4. 运行确定性故障模拟

equip-ui --scenario hydraulic-pressure-drift
equip-ui --scenario coolant-overheat --phase 2
equip-ui --scenario fuel-and-service-due

5. 运行测试

PYTHONPATH=src pytest tests/     # 99 passed

使用指南

模型接入、运行配置、调试控制台、IM 渠道、语音网关与插件开发的使用说明。

模型接入

模型通过 LanguageModelPort 接口接入，内置两种实现：

DemoRuleBasedModel —— 离线规则模型，检索本地知识并引用来源，无任何外部依赖，默认启用
OpenAICompatibleModel —— 纯标准库实现的 OpenAI 兼容 /chat/completions 客户端，支持 Function Calling，可对接 vLLM、Ollama、AXera AXLLM 或任何兼容端点

provider 支持的取值：

provider	默认 base_url	说明
`demo`	—	离线规则模型，无需部署
`vllm`	`http://127.0.0.1:8000/v1`	vLLM 推理服务
`ollama`	`http://127.0.0.1:11434/v1`	本地 Ollama
`openai_compatible`	需显式配置	任意 OpenAI 兼容端点
`axllm`	需显式配置	AXera AXLLM 边缘推理（爱芯边缘 · Qwen），运行示例见 AX8850 运行示例

针对边缘推理运行时的适配（OpenAICompatibleModel 内置）：

disable_thinking —— 在系统提示注入 Qwen3 /no_think 软开关，跳过思考阶段（对不识别该指令的模型无副作用）
stop —— 显式下发停止词：边缘运行时经常漏注册 <|im_end|> 停止词，模型会越过本轮回合并开始生成下一轮 ChatML，停止词可截断这类失控输出
越轮输出截断 —— 响应中出现 <|im_start|> / <|im_end|> / <|endoftext|> 时只保留第一个控制符之前的文本，伪造的下一轮不会到达操作员或诊断上下文
纯文本工具调用恢复 —— AXLLM、llama.cpp 或未启用 tool-call 解析的 vLLM 常把 <tool_call> 块以纯文本形式放进 content；结构化 tool_calls 为空时自动从文本恢复调用，畸形块静默跳过并降级为"未选择能力"
finish_reason 与 usage 审计 —— 记录停止原因与 token 用量（含 reasoning_tokens），可分辨"模型耗尽预算思考而未产出工具调用"（finish_reason=length）这类边缘故障

planning_mode 三种取值：

模式	行为
`auto`	配置了非 demo 模型时走 Tool Calling 规划，否则规则规划
`tool_call`	强制 Tool Calling 规划（模型异常时仍退回规则规划）
`rule`	始终使用离线规则规划器

配置参考

默认读取 runtime/runtime-config.json，模板见 config/runtime-config.example.json。完整配置项：

{
  "version": 1,
  "model": {
    "provider": "demo",              // demo | vllm | ollama | openai_compatible | axllm
    "model": "Qwen/Qwen3-4B",
    "base_url": "http://127.0.0.1:8000/v1",
    "api_key": "",
    "api_key_env": "CAT_API_KEY",    // 密钥建议引用环境变量名，配置中不保存明文密钥
    "temperature": 0.1,
    "max_tokens": 1024,
    "timeout_seconds": 30,
    "max_steps": 4,                  // 1–12
    "planning_mode": "auto",         // auto | tool_call | rule
    "disable_thinking": false,       // 注入 Qwen3 /no_think 软开关
    "stop": [],                      // 停止词，如 ["<|im_end|>", "<|im_start|>"]
    "model_call_timeout_seconds": 60.0,
    "tool_call_timeout_seconds": 30.0,
    "turn_timeout_seconds": 120.0
  },
  "mcp_servers": [                   // transport: streamable_http | sse | stdio
    { "id": "mcp-1", "name": "docs", "transport": "stdio",
      "command": "mcp-server", "arguments": [], "env_keys": ["MCP_TOKEN"],
      "tool_allowlist": ["*"], "enabled": false }
  ],
  "plugins": [
    { "id": "plugin-1", "name": "my-plugin", "version": "1.0.0",
      "reference": "my_package.module:factory", "config": {}, "enabled": false }
  ]
}

RuntimeConfigStore 提供原子读写（临时文件 + rename）与逐字段校验；保存的是声明，而不是正在运行的实例——配置中的 MCP / 插件在宿主校验并加载前一直处于"configured"（已配置）状态。远程 MCP（streamable_http / sse）需要 endpoint，stdio 需要 command。

调试 UI

equip-ui 启动零依赖本地 Web 控制台（默认 http://127.0.0.1:8765/），支持对话、事件流查看、场景切换/推进、模型与 MCP/插件配置编辑（模型参数含 provider、disable_thinking、stop 等）：

接口	说明
`GET /api/health`	健康检查
`GET /api/state`	运行时状态（模型适配器、能力清单等）
`GET /api/events`	读取审计事件流
`GET /api/simulations` / `/api/machines`	场景目录 / 设备列表
`GET /api/config`	读取运行时配置
`POST /api/turn`	发送一轮对话
`POST /api/remember`	写入显式记忆
`POST /api/session/delete`	清除会话
`POST /api/config/model` `/mcp` `/plugin`	保存配置（含删除接口）

UI 静态资源在 ui/（index.html / app.js / style.css）。远程分享可用 scripts/cloudflare-tunnel.sh：quick 模式走临时隧道，named 模式需要 CLOUDFLARE_TUNNEL_TOKEN，生产环境建议命名隧道 + Access 访问策略。

IM 渠道接入

所有渠道适配器实现 MessageChannel（handle_update + send_text），经 ChannelBridge 接入 AgentLoop。会话隔离策略：session_id = channel:chat_id，operator_id = channel:sender_id，历史不会在用户之间泄漏；machine_id 可以是固定设备，也可以传入一个按消息动态解析的函数。

渠道	类	说明
QQ	`OneBotV11Channel`	OneBot v11 HTTP 反向事件，群聊/私聊，免 SDK
微信	`WeChatWebhookChannel`	企业微信机器人 webhook / 自建网关（可注入自定义发送器 sender）
Telegram / Discord / Slack / 飞书 / 钉钉	对应 Channel 类	webhook 出站 + `WebhookServer` 入站

WebhookServer 是零依赖的 JSON webhook 服务端，把 /qq、/wechat 等任意路径路由到渠道适配器；默认只绑定 127.0.0.1，暴露公网前必须在反向代理层加认证与 TLS。

QQ 接入示例：

ONEBOT_API_URL=http://127.0.0.1:5700 \
ONEBOT_TOKEN=... \
CAT_MACHINE_ID=cat-306-demo \
CAT_CONFIG_PATH=runtime/runtime-config.json \
python scripts/qq-channel.py
# webhook: http://127.0.0.1:8088/qq （在 OneBot 端配置反向 HTTP 事件指向此地址）

语音网关

VoiceGateway 是语音输入的接入层：SpeechRecognizerPort.transcribe() → 置信度低于 0.65 时返回澄清话术 → 否则走 AgentLoop.handle() → SpeechSynthesizerPort.synthesize() 合成语音。替换两个语音端口即可接入流式 ASR/TTS，无需改动循环与编排。

插件系统

插件实现 Plugin 契约（manifest + register() + shutdown()），由 PluginManager 统一管理加载、依赖检查与卸载：

manifest = PluginManifest(
    name="my.capability-plugin",
    version="1.0.0",
    description="...",
    dependencies=(),          # 依赖未加载则拒绝加载
)

def register(self, context: PluginContext) -> None:
    # context.tools / context.capabilities / context.services / context.events
    context.capabilities.register(MyProvider(), owner=self.manifest.name)

资源按归属方跟踪：插件卸载时先关闭其 Provider 再移除；仍有插件依赖它时不允许卸载
PluginManager.load_object("package.module:factory") 支持配置驱动的插件加载；入口点组为 cat_assistant.plugins（生产环境应使用显式白名单）
内置插件 cat.readonly-equipment-tools 提供 get_machine_status 与 search_manual 两个只读诊断工具

AX8850 运行示例

AX8850 上运行 Equip AI Agent 有两种方式：

分离部署 —— AX8850 只跑 AXLLM 推理服务，Equip AI Agent 运行在同网主机上，base_url 指向 AX8850 的局域网地址（适合开发调试）
全量部署 —— Equip AI Agent 本体与推理服务同机运行在 AX8850 上，base_url 指向 127.0.0.1，状态查询、诊断、处置全流程离线闭环

1.下载模型 Qwen3.5-4B

2.在 AX8850 侧启动推理服务（OpenAI 兼容 /v1/chat/completions）：

axllm serve /path/to/Qwen3-4B --host 0.0.0.0 --port 8000

3.将 config/runtime-config.axllm.example.json 复制为 runtime/runtime-config.json，按需修改后照常启动：

{
  "version": 1,
  "model": {
    "provider": "axllm",
    "model": "Qwen3-4B",
    "base_url": "http://192.168.1.100:8000/v1",
    "planning_mode": "rule",
    "disable_thinking": true,
    "stop": ["<|im_end|>", "<|im_start|>"],
    "model_call_timeout_seconds": 90,
    "turn_timeout_seconds": 120
  },
  "mcp_servers": [],
  "plugins": []
}

4.启动

equip      # CLI 对话
equip-ui   # 调试 UI：http://127.0.0.1:8765/

base_url —— 全量部署填 http://127.0.0.1:8000/v1，分离部署换成 AX8850 的局域网地址
model —— 必须与 axllm 服务实际暴露的模型名一致
disable_thinking / stop —— 边缘运行时适配，作用见上文"针对边缘推理运行时的适配"

Name		Name	Last commit message	Last commit date
config		config
scripts		scripts
src/cat_assistant		src/cat_assistant
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
image-1.png		image-1.png
image-3.png		image-3.png
image.png		image.png
pyproject.toml		pyproject.toml

Navigation Menu

Uh oh!

Repository files navigation

Equip AI Agent（工程设备边缘AI智能助手）

目录

项目背景

目前现状

本项目的解决思路

技术路线选型

应用场景

核心特性

🚀 功能特性

🔧 技术特性

系统架构

架构总览

分层职责

文件目录

任务编排

上下文与记忆

能力系统

内置能力清单

快速开始

1. 安装

2. CLI 演示

3. 本地调试 UI

4. 运行确定性故障模拟

5. 运行测试

使用指南

模型接入

配置参考

调试 UI

IM 渠道接入

语音网关

插件系统

AX8850 运行示例

About

Releases

Packages

Contributors

Languages

Uh oh!

Latest commit

History

Folders and files

Repository files navigation

Equip AI Agent（工程设备边缘AI智能助手）

目录

项目背景

目前现状

本项目的解决思路

技术路线选型

应用场景

核心特性

🚀 功能特性

🔧 技术特性

系统架构

架构总览

分层职责

文件目录

任务编排

上下文与记忆

能力系统

内置能力清单

快速开始

1. 安装

2. CLI 演示

3. 本地调试 UI

4. 运行确定性故障模拟

5. 运行测试

使用指南

模型接入

配置参考

调试 UI

IM 渠道接入

语音网关

插件系统

AX8850 运行示例

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages