Mifer — AI Agent Bot

基于 CloudWeGo Eino 构建的智能 AI Agent，支持多 Agent 编排、流式对话、工具调用与 CLI / Web 双模交互。

一句话定位： 一个可编程、可扩展的桌面级 AI 助手，既提供开箱即用的终端对话体验，也为开发者提供 Agent 编排与 MCP/Skills 扩展框架。

项目亮点

多 Agent 编排与模型路由

基于 CloudWeGo Eino ADK 构建了 4 子 Agent + 1 Orchestrator 的协作体系，按任务类型和复杂度自动路由到不同模型：

Agent	职责	后端（agent_backends）
Mifer	编排器，协调子 Agent，由模型自主控制迭代次数	`agent_backends.mifer`
PlanAgent	计划制定助手（只读工具：file_reader/file_viewer/web_search/web_fetch/knowledge_search）	`agent_backends.plan_agent`
HabitGraph	用户习惯总结（异步、fire-and-forget）	`agent_backends.habit_summarizer`
Compressor	上下文压缩	`agent_backends.context_compressor`

所有 Agent 后端由配置文件 ai.agent_backends 映射到 ai.backends 中用户自由命名的后端，不再硬编码模型名。后端名称完全由用户定义（如 main、fast-model、claude-opus 等）。

RAG 检索增强（一）：懒加载 + 工具闭包注入

知识库检索以可选工具形式接入——LLM 在对话中自主判断何时检索、何时入库，不需要预设规则。

懒加载层 (LazyService)：

Init() → NewLazyService()   // 仅创建 embedder / loader / chunker，无网络调用，即时返回
         ↓
首次工具调用 → ensureReady()  // 此时才连接 Qdrant，创建 indexer / retriever
         ↓                 // Mutex 保护，失败后下次调用可重试
         组装为完整 Service

工具闭包注入 (tools.KnowledgeTools(ragSvc))：

func New(ragSvc rag.RAGService) (tool.InvokableTool, error) {
    return utils.InferTool("knowledge_search", "检索知识库...", func(ctx, input) {
        docs, _ := ragSvc.RetrieveWithContext(ctx, query, ctxSize) // 闭包捕获 ragSvc
        return KnowledgeSearchOutput{Results: ragSvc.FormatDocs(docs)}
    })
}

设计要点：

RAG 不是框架强制的依赖，而是 AI 可选的工具——Agent 初始化时 KnowledgeTools(ragSvc) 为 nil 时静默返回空工具列表
懒初始化零等待：启动时 NewLazyService() 不触碰网络；用户不触发知识库功能就永远不连接 Qdrant
失败可恢复：ensureReady() 用 sync.Mutex 而非 sync.Once，上次连接失败后下次调用可重试
AI 自主决策：工具通过闭包持有 RAG 接口，LLM 在对话中判断何时检索——不需要开发者预设规则

RAG 检索增强（二）：上下文分块扩展检索

在基础语义检索之上，实现了上下文窗口扩展机制——检索到匹配分块后，自动获取其前后各 N 个相邻分块，合并去重后按文档和位置排序返回。

语义检索命中 chunk[i] → 查询同文档 chunk[i-N ... i+N] → 去重合并 → 排序输出

核心实现 (RetrieveWithContext)：

首次语义检索获取 TopK 匹配分块
对每个匹配分块，按 source_document + chunk_index 范围查询相邻分块
通过 seen map 去重，避免重复分块
最终结果按源文档 + 分块序号排序，保证上下文连贯性
LLM 可通过 context_size 参数控制扩展窗口大小（默认 0 不扩展）

这一设计解决了传统 RAG "只见树木不见森林"的问题——检索到的分块带有前后文，LLM 能理解完整语境而非孤立片段。

对话回退（Reback）

支持将对话回退到历史任意轮次后重新生成。底层在 JSONL 文件中按索引截断，AgentService.Reback(ctx, index) 统一接口，同时清理内存中的 Agent 状态，保证回退后对话连续性。

文件快照（Snapshot）

基于内容寻址 + SHA256 哈希的增量文件快照系统，在每轮对话后自动保存项目文件状态，支持对话回退时恢复文件。

存储模型：

_snapshots/
├── objects/{前2位sha256}/{完整sha256}   ← 文件内容仓库（去重）
├── r0/manifest.json                    ← 路径→hash 索引
├── r1/manifest.json
└── ...

关键设计：

按需写入 — SaveRound 通过 size + mtime 快速判断未变更文件（复用旧哈希），若本轮无任何文件变更则跳过 manifest 写入，避免无操作对话产生大量空快照目录
最近快照查找 — RestoreToRound(targetRound) 通过 findNearestRound 降序查找 ≤ targetRound 的第一个可用快照，兼容 SaveRound 跳过的轮次
内容去重 — 相同内容的文件在 objects 池中仅存一份，多轮快照通过 manifest 共享引用
回退恢复 — Reback 时按 manifest 从 objects 池恢复文件，并清理工作目录中不在清单的多余文件
孤儿 GC — RemoveRound 自动扫描所有剩余 manifest，清理无引用的孤儿 objects，对 SaveRound 跳过的轮次静默容错
基线保证 — InitBaseline 自动创建 r0 基线快照，作为回退底线；自动检测并迁移旧版全量快照目录
零依赖纯库 — pkg/snapshot/ 不依赖项目内任何包，仅通过返回 error 与上层通信
单会话假设 — 快照按 {sessionID}_snapshots/ 隔离存储，但操作同一个 workdir。多个并发会话各自回退可能互相影响文件状态，设计上假设同一 workdir 同时只有一个活跃会话

配置热重载

/reload 命令或 POST /api/admin/reload 接口触发，运行时重新加载 YAML 配置、命令白名单和 MCP Server 配置，无需重启服务。适用于动态切换模型、调整参数等场景。

多模态与工具生态

文件查看器：使用 Eino EnhancedInvokableTool + *schema.ToolResult 返回图片数据（base64 + MIME），图片以 UserInputMultiContent 直接注入 LLM 上下文，LLM 原生识别多模态内容，无需独立的多模态模型。支持 PDF / Word / Markdown / 纯文本的加载与读取，自动 MIME 检测
知识库工具：knowledge_search 检索（含上下文扩展）+ knowledge_store 入库，文档自动切分（递归分块 + SHA256 去重）与向量化

系统提示词管理

运行时通过 API 动态读取 / 修改 / 重置系统提示词，修改后立即生效于后续对话。支持多提示词模板管理，与记忆上下文自动拼接。

工具回调（Per-Invocation）

callback.NewHandler(cb) 工厂函数按请求构建 Eino callback handler，callback 通过闭包捕获而非 context 注入。每次 Runner.Run() 通过 adk.WithCallbacks(handler) 按调用注入，替代早期的 callbacks.AppendGlobalHandlers 全局注册。TUI 侧边栏通过回调事件实时展示工具执行状态。三个事件处理函数（start/end/error）通过闭包捕获 callback，零依赖 context。

工具调用确认机制

基于 Eino ToolsNodeConfig.ToolCallMiddlewares 实现的工具调用前用户确认系统——AI 执行任何工具前先通过 SSE 通知 TUI，用户确认后才真正执行。

架构：

LLM 请求工具 → ToolMiddleware 拦截 → 存入 PendingStore + 发送 SSE "tool_confirm"
→ TUI 侧边栏显示确认列表 [Yes / No / Allow]
→ 用户选择 → POST /api/tool/confirm → resolve channel → 中间件解阻塞

关键设计：

Actor 模型并发 — confirm.Store 使用专用 goroutine + cmdCh chan func(s *storeState) channel 串行化所有状态访问，外部通过 channel 发送闭包提交操作，避免锁竞争
Channel 阻塞模型 — 中间件生成 UUID，写入 PendingStore（含 chan ConfirmResult），发送 SSE 后 select 阻塞等待，用户确认后通过 API 端写入 channel 解除阻塞
三态确认 — Yes（仅本次执行）、No（拒绝）、Allow（始终允许：非命令工具加入 Session 白名单，命令工具写入 .mifer/allowlist.yaml 持久化）
Session 白名单 — Store.sessionAllowed[sessionID][toolName]，对话结束时自动清理，Allow 过的工具同会话内不再询问
工具参数 DTO — 每种工具定义独立参数字段结构体，确认时展示完整参数（文件路径、命令、搜索词、内容预览等）
配置驱动 — confirm.enabled 开关 + confirm.exclude 排除列表，默认关闭

独立 Token 统计

tokens.go 独立管理 TokenUsage 累计统计，与 executor 主逻辑解耦。支持按会话累计、按模型分类，为成本核算提供基础数据。

MCP 协议支持：外挂式工具生态

基于 MCP (Model Context Protocol) 实现外挂式工具扩展——第三方工具通过 stdio 协议接入，AI 在对话中自动发现和调用，无需修改 Mifer 核心代码。

架构：MCP Manager 管理所有 Server 连接的生命周期（启动/热重载/关闭）→ MCPToolAdapter 将 MCP Tool 的 JSON Schema 自动转换为 Eino tool.InvokableTool → GetToolsForAgent(agentName) 按 Agent 名路由工具。

关键设计：

工具适配层 — Schema 通过 JSON 桥接自动转换，无需手工映射；工具名以 {serverName}_{toolName} 命名空间隔离
Agent 级分配 — 每个 MCP Server 配置 agents 字段指定工具分配给哪些子 Agent，空或 ["*"] 表示全部可用
热重载 — Reload() 对比新旧配置增量更新（新增/删除/配置变更），不停机
失败隔离 — 单个 Server 连接失败不阻塞其他 Server 和 Agent 启动，标记 Status=error 后可重试
状态可观测 — GET /api/mcp/status 返回所有 Server 的连接状态与工具数量，CLI /mcp 命令实时查看
进程隔离 — MCP Server 以 stdio 子进程运行，工具调用结果通过适配层过滤，错误不暴露给终端用户
内置 Demo Server — cmd/mcp-demo/ 提供 echo / get_time / calculator / random_number 四个示例工具，开箱即用

Skills 技能系统：声明式自定义技能

Skills 允许用户通过 YAML frontmatter + Markdown 指令 声明式定义技能，支持 inline（内联）和 fork（分叉）双模式执行。

技能示例：

---
name: my-skill
description: 我的自定义技能
context: fork
agent: MiTest
---

# 技能指令
当此技能被调用时，请按以下步骤操作...

关键设计：

inline 模式 — 技能内容直接注入当前对话上下文，LLM 在同一 Agent 中遵循指令执行
fork 模式 — 通过 AgentHub 查找目标 Agent，创建子 Agent 独立执行技能指令；目标 Agent 不存在时自动降级为 inline
AgentHub 依赖反转 — 技能系统通过 AgentHub 接口查找 Agent，不直接依赖 internal/ai/agent，Agent 注册由 Orchestrator 启动时完成
文件系统即数据库 — 技能以 目录名/SKILL.md 形式存储，零配置、零依赖。首次启动自动创建 hello-world 示例技能
LLM 自主选择 — skill 工具的描述中动态注入所有可用技能列表，LLM 根据用户意图自主判断是否调用、调用哪个

/plan 计划强制执行

/plan <任务描述> 命令触发两阶段计划流程，通过工具隔离（PlanAgent 只读 vs Mifer 全工具）+ 用户确认（SSE confirm）确保先规划后执行。

执行流程：

用户 /plan <任务>
  │
  ├── PlanAgent(只读工具, sonnet) 流式分析 → planning/thinking/tool 事件实时显示
  ├── 计划写入 .mifer/plans/plan_xxx.md
  ├── SSE plan_confirm → TUI 全屏预览 → Enter 确认 / Esc 拒绝
  └── Mifer(全工具) 按计划执行 → 正常对话

关键设计：

工具隔离强制 — PlanAgent 只有 file_reader/file_viewer/web_search/web_fetch/knowledge_search，无写入和命令权限，从工具层面杜绝跳过计划直接执行
Eino Graph 编排 — PlanGraph（compose 图）：plan_agent(Lambda) → plan_write(Lambda) → plan_confirm(Lambda)，plan_confirm 节点复用 confirm.Store 阻塞等待用户
中间件复用 — PlanAgent 注入 errorMiddleware + confirmMiddleware，工具调用需确认（与 Mifer 一致）
完整历史 — 计划阶段共享 Memory，不丢失对话上下文
双重持久化 — 计划确认后保存一次，执行完成后保存一次

用户习惯总结（HabitGraph）

每轮对话末尾异步触发 HabitGraph（Eino Graph）：ChatModel → Lambda(全量覆盖 MIFER.md)，分析本轮对话并增量更新用户画像。后端由 agent_backends.habit_summarizer 配置。

分析维度：编程语言偏好、技术栈、工作习惯、常用工具、项目类型、沟通风格
写入 {CfgPath}/MIFER.md（用户级），自动拼接到系统提示词
fire-and-forget 模式，不阻塞对话响应

/init 命令：AI 自动生成项目提示词

/init 命令让 AI 自动探索项目结构、阅读源码和已有文档，然后生成 .mifer/MIFER.md 项目级提示词文件，帮助 AI 更好地理解项目上下文。

执行流程：

AI 列出项目目录结构，识别配置文件、源码目录和文档
分批次阅读所有核心源文件和配置文件
阅读已有的 CLAUDE.md、README.md 等文档补充理解
生成 .mifer/MIFER.md，包含项目概述、技术栈、架构、构建命令、代码约定和开发指南

生成的 MIFER.md 会自动拼接到系统提示词中（优先级低于用户级 ~/.mifer/MIFER.md），后续对话中 AI 自动获得项目上下文。

/config 命令：外部编辑器修改配置

/config 命令调出系统默认编辑器（优先级：配置 cli.tui.editor → $VISUAL → $EDITOR → 平台默认）直接编辑 YAML 配置文件，关闭编辑器后自动执行 /reload 热重载，无需手动重启服务。

SSE 流取消

TUI 模式下支持 Ctrl+C 中断正在生成的 SSE 流——取消后对话记录保留已生成的部分内容，不会丢失上下文。

快速开始

环境要求

Go 1.25+
Qdrant（可选，用于知识库 RAG 功能）
Ollama（可选，用于文本嵌入和本地模型）

安装运行

git clone <repo-url> mifer
cd mifer
go mod tidy

# 开发模式（默认端口 15555，同时启动 HTTP 服务 + CLI）
go run ./cmd/main

# 仅启动 HTTP 服务
go run ./cmd/main serve

# 仅启动 CLI（需先启动服务）
go run ./cmd/main chat

# 生产模式
MIFER_ENV=prod go run ./cmd/main serve

Docker 部署

# 构建并启动全部服务（Mifer + Qdrant + Ollama）
docker-compose up -d

# 仅启动 Mifer（需自行提供 Qdrant 和 Ollama）
docker-compose up -d mifer

配置

首次运行自动生成默认配置文件：

模式	路径
dev	`./config/dev.yaml`
prod	`~/.mifer/config/prod.yaml`

关键环境变量（优先级高于配置文件）：

变量名	说明
`MIFER_AI_BACKENDS_<NAME>_APIKEY`	覆盖任意后端的 API Key（如 `MIFER_AI_BACKENDS_MAIN_APIKEY`）
`MIFER_JWT_SECRET`	JWT 签名密钥
`MIFER_ENV`	运行模式（dev / prod）

完整的配置项与后端模型管理详见配置文件。

功能一览

对话

流式 SSE 响应（text/event-stream），实时逐词输出，事件类型区分内容与推理
多后端 ChatModel：OpenAI 兼容 / Claude / Gemini / Ollama，后端名称由用户自由定义
模型按需分配：通过 agent_backends 映射各 Agent 到不同后端，缺失时自动 fallback 到第一个注册的后端
Token 消耗按会话累计统计，persist 到记忆文件

Agent 编排

Eino ADK Orchestrator 协调子 Agent，MaxIteration=100 由模型自主控制迭代次数
domain.AgentService 接口隔离 HTTP 层与 AI 核心，方便 mock 与替换实现
子 Agent 事件（工具调用、状态变更）通过 EmitInternalEvents 转发到 CLI 侧边栏

对话记忆

JSONL 文件持久化，增量追加 + 锁保护并发写入
多会话隔离（workdir 哈希 → session ID），支持列表 / 切换 / 清除 / 回退
记忆自动追加：用户消息与 AI 回复在 AgentService.Chat() 中统一完成

CLI 客户端

TUI 模式：Bubble Tea 全屏终端，Elm 架构（Model / Update / View），支持鼠标
Markdown 渲染：Glamour 引擎（代码高亮 + 表情符号 + 表格），lipgloss 降级渲染兜底
侧边栏：实时展示当前 Agent、模型、Token 消耗、工具执行状态
流式展示：消息实时追加，推理过程以动画呈现
会话管理：/viewmemory 查看历史（支持跨会话加载），/excmem 切换会话
扩展命令：/mcp MCP Server 状态，/skill 技能列表，/plan 计划管理，/init 生成项目提示词，/config 编辑配置文件
可配置样式：主题色、消息样式、滚动指示器、水平滚动宽度均支持自定义

HTTP API

方法	路径	说明
POST	`/api/ai/chat`	流式对话（SSE），支持 `channel` + `session_id`
GET	`/api/memory`	记忆列表
GET	`/api/memory/:id`	获取指定会话记忆
POST	`/api/memory/exchange/:id`	切换记忆会话
POST	`/api/memory/clear`	清除当前记忆
GET	`/api/memory/reback`	获取回退索引列表
POST	`/api/memory/reback/:index`	回退到指定轮次
GET	`/api/prompt`	获取系统提示词
POST	`/api/prompt`	修改系统提示词
POST	`/api/prompt/reset`	重置为默认提示词
POST	`/api/admin/reload`	热重载配置与白名单
GET	`/api/plan`	列出所有计划文件
GET	`/api/plan/:name`	获取指定计划内容
GET	`/api/mcp/status`	MCP Server 状态查询
GET	`/api/skill/list`	已加载技能列表

工程基础

结构化日志 — Uber Zap，按级别分文件（debug/info/warn/error），dev 彩色控制台 / prod JSON
JWT 认证 — 中间件已实现，CORS 已配置，路由可选启用
错误码体系 — pkg/errorer 统一错误码定义与包装
异步任务 — task.Do(ctx, fn) 统一管理 goroutine 生命周期
CI/CD — GitHub Actions，Tag 推送自动构建 Windows / Linux 多架构二进制

核心设计决策

1. 为什么自建记忆而非依赖框架内置 Memory？

Eino ADK 自带内存记忆，但它绑定于进程生命周期，重启即丢失。Mifer 自建 JSONL 文件记忆层，增量追加 + 锁保护并发写入，兼具零依赖的部署便利性和持久性。同时通过 internal/domain.AgentService 接口隔离记忆实现，后续可平滑切换为 SQLite 或向量数据库。

2. LLM 后端为什么用 Registry 模式？

项目需要同时接入多个模型（日常用 DeepSeek，复杂任务用 Claude，本地测试用 Ollama），且各提供商的 ChatModel 创建方式不同。Registry 模式将模型实例按用户定义的名称索引（如 main、fast-model、claude-opus 等），业务代码通过 getBackendModel(reg, "<agent_name>") 获取——后端名和 Agent 的映射由 ai.agent_backends 配置决定，切换模型不改业务代码。缺失后端自动 fallback 到第一个注册的后端，保证可用性。

3. 为什么 Agent 编排设 0 轮迭代？

当前是自主任务执行 Agent。0 轮迭代，由模型自主控制迭代次数，避免无限反思循环和出现迭代次数超出而错误。

4. 为什么设计 serve / chat / default 三种启动模式？

Mifer 的核心是一个 HTTP 服务，但通过 main() 的参数分发实现了三种启动形态：

go run ./cmd/main          → 同时启动服务 + CLI（default）
go run ./cmd/main serve    → 仅启动 HTTP 服务（生产部署）
go run ./cmd/main chat     → 仅启动 CLI 客户端（连接已有服务）

架构上，CLI 和服务端之间通过 HTTP + SSE 通信，CLI 本身不直接依赖 internal/ 的任何模块。这意味着：

同一套 HTTP API 同时服务于 CLI 和未来的 Web UI，不需要两套接口
CLI 可独立连接到远程服务：chat 模式下 CLI 仅作为 HTTP 客户端，不加载 LLM 模型、不初始化记忆——所有 AI 能力由远端服务提供
default 模式自动编排：启动服务后 sleep 1s 等待就绪，再启动 CLI，两个组件通过 channel 同步退出，Ctrl+C 同时关闭两者

5. RAG 为什么用懒加载 + 工具闭包，而非全局注入？

RAG 的 Qdrant 连接需要网络，如果 Agent 初始化时强行连接，不仅拖慢启动速度，还会在没有 Qdrant 的环境中直接报错导致整个 Agent 不可用。Mifer 的方案是将 RAG 的能力通过闭包注入工具，让 AI 在对话中自主调用。

同时，仅有语义检索存在"断章取义"问题——命中的分块缺乏前后文。Mifer 在检索层实现了上下文窗口扩展：命中 chunk[i] 后拉取同文档 chunk[i-N ... i+N]，合并去重排序，让 LLM 获得连贯的上下文而非孤立片段。

架构

┌──────────────────────────────────────────────────────────────┐
│                     cmd / bootstrap                          │
│                 (入口 + 依赖装配)                              │
├──────────────────────────────────────────────────────────────┤
│                  internal/api                                │
│       routes → handler → dto → middlewares (HTTP 层)          │
├──────────────────────────────────────────────────────────────┤
│                internal/service                              │
│          AgentService (业务编排 + 记忆管理)                     │
├──────────────────────────────────────────────────────────────┤
│                  internal/ai                                 │
│   agent / executor / callback / llm / memory / prompt / tool │
│           rag (chunker / embedder / loader / vectorstore)    │
│           (AI 核心，不含 HTTP 依赖)                            │
├──────────────────────────────────────────────────────────────┤
├──────────────────────────────────────────────────────────────┤
│                     pkg                                      │
│   conf / logger / auth / errorer / res / task / utils        │
│   mcp / skill / sse / qdrant / cache / snapshot              │
│           (公共基础包，无业务依赖)                              │
└──────────────────────────────────────────────────────────────┘

分层依赖：cmd → api → service → ai → pkg，每层只依赖下层，pkg 完全不依赖 internal。

项目结构

mifer/
├── cli/                          # CLI 客户端
│   ├── client/                   #   HTTP API 调用
│   │   ├── chathandler/          #     对话 SSE 流处理
│   │   ├── memhandler/           #     记忆管理
│   │   ├── clearhandler/         #     清除记忆
│   │   ├── excmemhandler/        #     切换记忆
│   │   ├── rebackhandler/        #     对话回退
│   │   ├── prompthandler/        #     提示词管理
│   │   ├── reloadhandler/        #     配置热重载
│   │   ├── mcphandler/           #     MCP 状态查询
│   │   ├── skillhandler/         #     技能列表查询
│   │   └── planhandler/          #     计划管理
│   ├── render/                   #   终端渲染
│   │   ├── mark/                 #     Glamour Markdown 引擎
│   │   └── lip/                  #     Lip Gloss 样式组件
│   └── tui/                      #   TUI 界面（Bubble Tea）
├── cmd/
│   ├── main/                     #   服务主入口
│   ├── bootstrap/                #   启动引导（配置→日志→路由→CLI）
│   └── mcp-demo/                 #   MCP 内置演示 Server
├── config/
│   └── dev.yaml                  #   开发环境配置（自动生成）
├── internal/
│   ├── ai/
│   │   ├── agent/                #   Eino ADK 多 Agent 编排
│   │   ├── executor/             #   adk.Runner 包装器 + Token 统计
│   │   ├── callback/             #   全局 Tool 回调处理器
│   │   ├── llm/                  #   多后端 ChatModel 管理（Registry）
│   │   ├── memory/               #   JSONL 对话记忆持久化
│   │   ├── prompt/               #   系统提示词构建与管理
│   │   ├── rag/                  #   RAG 检索增强
│   │   │   ├── chunker/          #     递归分块 + SHA256 去重
│   │   │   ├── embedder/         #     Ollama 嵌入模型
│   │   │   ├── loader/           #     文件加载（PDF/Word/Text/Markdown）
│   │   │   └── vectorstore/      #     Qdrant 向量存储封装
│   │   └── tools/                #   Function Calling 工具定义
│   │       ├── commandexecutor/  #     终端命令执行（白名单约束）
│   │       ├── filecreator/      #     文件创建
│   │       ├── filereader/       #     文件读取
│   │       ├── fileviewer/       #     文件查看（图片以 EnhancedInvokableTool 返回多模态数据）
│   │       ├── filewriter/       #     文件写入
│   │       ├── knowledgesearch/  #     知识库检索（含上下文扩展）
│   │       ├── knowledgestore/   #     文档入库
│   ├── api/
│   │   ├── dto/                  #   请求 / 响应 DTO
│   │   │   ├── request/          #     请求 DTO（按模块分子目录）
│   │   │   └── response/         #     响应 DTO（按模块分子目录）
│   │   ├── handler/              #   HTTP Handler（chat / memory / plan / mcp / skill）
│   │   ├── middlewares/          #   JWT 认证 + CORS
│   │   └── routes/               #   Gin 路由注册 + 热重载
│   ├── domain/                   #   核心接口（AgentService、Agent）
│   └── service/                  #   业务编排层
├── pkg/
│   ├── auth/                     #   JWT Token 生成与验证
│   ├── cache/                    #   Redis 缓存封装（预留）
│   ├── conf/                     #   Viper 配置管理（全局单例）
│   ├── errorer/                  #   统一错误码定义与包装
│   ├── logger/                   #   Uber Zap 日志封装
│   ├── mcp/                      #   MCP 协议支持（Manager + Adapter + Status）
│   ├── qdrant/                   #   Qdrant gRPC 客户端初始化
│   ├── res/                      #   统一 HTTP 响应格式
│   ├── skill/                    #   技能系统（Manager + Tool + AgentHub）
│   ├── snapshot/                 #   文件快照（增量 + 内容寻址 + 按需写入 + GC）
│   ├── sse/                      #   SSE 流式响应工具
│   ├── task/                     #   异步任务管理
│   └── utils/                    #   通用工具（hash / random）
├── .github/workflows/            #   CI/CD
└── docs/                         #   截图（请在此添加实际截图）

技术栈

组件	选型	说明
语言	Go 1.25
HTTP	Gin v1.12	轻量高性能路由
AI 编排	CloudWeGo Eino v0.8 (ADK)	字节跳动开源 Agent 框架
默认模型	DeepSeek V4	OpenAI 兼容协议
MCP 协议	mcp-go v0.44	MCP Client / Server 实现
TUI	Bubble Tea + Bubbles	Elm 架构的终端 UI 框架
终端渲染	Glamour + Lip Gloss	Markdown + 声明式样式
向量存储	Qdrant	gRPC 向量数据库
嵌入模型	Ollama (nomic-embed-text)	本地文本嵌入
日志	Uber Zap	结构化、高性能
配置	Viper	多源配置 + 环境变量覆盖
认证	JWT	无状态 Token 认证
CI/CD	GitHub Actions	Tag 触发多架构构建

后续方向

MCP Server 模式——让 Mifer 自身作为 MCP Server 对外暴露能力
Web UI 管理面板
会话分支与多路线对话探索
Redis 缓存集成——会话状态与工具结果缓存

Name		Name	Last commit message	Last commit date
.claude		.claude
.github/workflows		.github/workflows
cli		cli
cmd		cmd
docker		docker
docs		docs
internal		internal
pkg		pkg
.dockerignore		.dockerignore
.gitattributes		.gitattributes
.gitignore		.gitignore
AGENTS.md		AGENTS.md
CLAUDE.md		CLAUDE.md
LICENSE		LICENSE
README.md		README.md
build.bat		build.bat
docker-compose.yml		docker-compose.yml
go.mod		go.mod
go.sum		go.sum
使用教程.md		使用教程.md

Latest commit

History

Folders and files

Repository files navigation

Mifer — AI Agent Bot

项目亮点

多 Agent 编排与模型路由

RAG 检索增强（一）：懒加载 + 工具闭包注入

RAG 检索增强（二）：上下文分块扩展检索

对话回退（Reback）

文件快照（Snapshot）

配置热重载

多模态与工具生态

系统提示词管理

工具回调（Per-Invocation）

工具调用确认机制

独立 Token 统计

MCP 协议支持：外挂式工具生态

Skills 技能系统：声明式自定义技能

/plan 计划强制执行

用户习惯总结（HabitGraph）

/init 命令：AI 自动生成项目提示词

/config 命令：外部编辑器修改配置

SSE 流取消

快速开始

环境要求

安装运行

Docker 部署

配置

功能一览

对话

Agent 编排

对话记忆

CLI 客户端

HTTP API

工程基础

核心设计决策

1. 为什么自建记忆而非依赖框架内置 Memory？

2. LLM 后端为什么用 Registry 模式？

3. 为什么 Agent 编排设 0 轮迭代？

4. 为什么设计 serve / chat / default 三种启动模式？

5. RAG 为什么用懒加载 + 工具闭包，而非全局注入？

架构

项目结构

技术栈

后续方向

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages