AI Research 技术调研

AutoGPT：一个仓库里的三种 harness——ReAct 单体 CLI、图编排引擎、Claude Agent SDK 之上的 Copilot

22分钟阅读

AutoGPT

一句话定位

AutoGPT 仓库并非单一 harness，而是并存的三层产物：classic/（2023 年成名的 ReAct 式自主 CLI agent，官方标注”unsupported”但代码仍在改）、autogpt_platform/.../executor+blocks/（当前主推的低代码图/Block 编排引擎）、autogpt_platform/.../copilot（构建于 Anthropic Claude Agent SDK 之上的对话式 Copilot，即”AutoPilot”）。三者定位、代际、复杂度差异巨大，本 dossier 分别叙述，不做强行合并。

核心架构总览（目录结构关键路径 + 引用的 commit）

引用 commit：e2711b1748bdc3fe702ab4e44c6a11df98458c53（HEAD，commit date 2026-06-25，shallow clone 于 2026-07-07）。License：核心 MIT，autogpt_platform/ 目录采用 Polyform Shield（docs/content/index.md，本地存档为 platform/docs_index.md）。

三条代码路径：

  1. Classic（classic/original_autogpt/autogpt/ + classic/forge/forge/）——原始自主 agent CLI，classic/README.md 明确写”This project is unsupported, and dependencies will not be updated… an experiment that has concluded its initial research phase”，但 git log 显示 classic/original_autogpt/autogpt/agents/agent.py 在 HEAD 前约 12 天（2026-06-25）仍有改动，且包含 parallel tool calls、LATS、Multi-Agent-Debate、Reflexion、ReWOO、Tree-of-Thoughts 等较新特性——“unsupported” 更像是项目自我定位（不再是主推产品），不等于代码已停止演进。
  2. Platform executor/blocks（autogpt_platform/backend/backend/executor/manager.py、autogpt_platform/backend/backend/blocks/）——低代码图构建器，“agent” = 一张由 Block 组成的 DAG，节点级执行（execute_node，executor/manager.py:129-388），非 ReAct 循环。autogpt_platform/migrations/ 下 150+ Prisma/Postgres migrations，是重度生产化系统而非玩具项目。
  3. Copilot / AutoPilot（autogpt_platform/backend/backend/copilot/）——对话式 agent 产品，直接构建于 claude_agent_sdk（from claude_agent_sdk import ClaudeAgentOptions, ClaudeSDKClient, ...，copilot/sdk/service.py）之上；其 LLM 循环内部机制（消息循环、tool-call 解析）由 Anthropic SDK 提供，AutoGPT 自身只贡献工具注册表、权限系统、沙箱、记忆、transcript 持久化等”外壳”。

Agent Loop（主循环 / 何时继续何时停）

Classic：外层循环在 main.py::run_interaction_loop（607-787 行）：while cycles_remaining > 0 — Plan（agent.propose_action()，agent.py:266-339，经组件流水线 run_pipeline 收集 directives/commands/messages，再调用当前 prompt strategy 的 build_prompt，最后 complete_and_parse 完成 LLM 调用与解析）→ 展示 thoughts → Execute（agent.execute()，agent.py:373-460，权限门控，单个或经 asyncio.gather 并行执行多工具调用 _execute_tools_parallel，499-557 行）→ 循环。

停止条件：agent 主动调用 finish 工具触发 AgentFinished 异常 → 提示用户输入后续任务或退出；AgentTerminated（SIGINT 或连续 3 次响应解析失败，main.py:679-703）→ 保存状态退出。值得注意：_get_cycle_budget（main.py:590-596）注释明确写”Always run continuously… cycle budget is now only used for Ctrl+C handling”——即 cycle_budget 名义上存在但实际上不是停止条件，只是交互式 Ctrl-C 记账用途（已核实源码 590-591 行）。

多种可插拔 prompt strategy 决定不同的循环形状：one_shot（默认，单步 ReAct）、plan_execute、rewoo（先规划一次，执行阶段靠 UseCachedActionException 跳过后续 LLM 调用，agent.py:309-333）、reflexion、tree_of_thoughts、lats、multi_agent_debate，经 _create_prompt_strategy（agent.py:588-648）按 app_config.prompt_strategy 选择。

Platform：无 ReAct 循环；一次”run”是图执行——execute_node()（executor/manager.py:142-388）逐节点执行 Block；AgentExecutorBlock 允许一个节点等待整张子图执行完成，实现图套图的递归编排。

Copilot：主循环内部逻辑属于 Claude Agent SDK 范畴，未在本仓库重新实现，AutoGPT 只负责套壳（工具、权限、记忆、system prompt 组装）。

记忆与上下文管理（压缩、长期记忆、会话持久化）

Classic：ActionHistoryComponent.get_messages()（action_history.py:56-115）——最近 full_message_count（默认 4）个 episode 完整展示（原始 ChatMessage + 工具结果），更早的经 LLM 压缩（EpisodicActionHistory.handle_compression，model.py:135-197）惰性执行（在 prompt 构建前才触发，prepare_messages，action_history.py:124-139），ReWOO 的 EXECUTING 阶段可跳过压缩以省一次 LLM 调用。压缩指令原文：“Condense the action taken and its result into one line. Preserve any specific factual information gathered.”。待处理的用户反馈会作为专门的 [USER FEEDBACK] user message 插入（action_history.py:105-115）。Agent 状态（含完整 episodic history）经 AgentManager/file_manager.save_state 持久化、可恢复（main.py:476-489, 285-294）。另有 ContextComponent（agent.py 中 import，未深读）负责 workspace 文件上下文。

Platform/Copilot：记忆是完全独立、重得多的系统——Graphiti（时序知识图谱，FalkorDB 后端），带类型化记忆模型（copilot/graphiti/memory_model.py）：SourceKind（user_asserted/assistant_derived/tool_observed）、MemoryKind（fact/preference/rule/finding/plan/event/procedure）、MemoryStatus（active/tentative/superseded/contradicted，即带过期与矛盾检测）。首轮对话注入 <memory_context> 标记的热上下文（copilot/service.py 注释）。会话层面对原始 Claude Agent SDK transcript 做压缩/精简（copilot/transcript.py::compact_transcript, _run_compression），并在持久化 transcript 与恢复的实时会话之间做”gap”检测与回填（detect_gap, fill_hole_between_transcript_and_gap）。

工具体系（定义/调用协议/注册/权限）

Classic：@command(names, description, parameters) 装饰器（forge/command/decorator.py，未完整读但被引用）将方法包装为 Command 对象（command.py），持有 names/description/parameters: list[CommandParameter]，构造时校验与函数签名匹配。各 Component 实现 CommandProvider.get_commands()，agent 每个 cycle 经 run_pipeline(CommandProvider.get_commands)（agent.py:285）聚合——即工具可用集合可逐 cycle 变化（如加载 skill 后解锁更多命令）。调度：_get_command（agent.py:559-566）按名称/别名查找，_execute_tool（478-497）执行（同步/异步均支持），未预期异常包装为 CommandExecutionError。原生 LLM tool-calling 是强制的：parse_response_content 在没有 tool_calls 时直接抛 InvalidAgentResponseError（one_shot.py:314-317），支持并行多工具调用（agent.py:405-421，OneShotAgentActionProposal.use_tools 字段）。

Platform：工具即”Block”——Pydantic Input/output_schema 类，带 id（UUID）、block_type、categories，经 initialize_blocks（data/block.py:21-77）与数据库同步供前端图构建器展示；约 62 个顶层 block 模块，含 Claude Code 和 OpenAI Codex CLI 的封装（作为可调用的图节点）。

Copilot：BaseTool（tools/base.py）——OpenAI function-calling schema 导出（as_openai_tool）、requires_auth/is_available 门控，以及一个大输出转存 workspace 文件的模式：超过 80KB 的输出被持久化到 workspace 文件，替换为截断预览 + 明确的 “use read_workspace_file(…)” 检索指引返回给模型（tools/base.py:58-107），是刻意设计的上下文窗口保护机制。约 60 个具体工具，包括 decompose_goal.py、run_sub_session.py、create_agent.py/edit_agent.py/fix_agent.py（元能力：agent 构建/修复其他 agent）、run_mcp_tool.py（MCP 透传）、bash_exec.py、e2b_sandbox.py。

Prompt 设计（系统提示结构、动态组装）

Classic one-shot 系统提示（one_shot.py::build_system_prompt，161-202 行）由多部分拼装：intro（_generate_intro_prompt）→ 可选 OS 信息 → body_template（Constraints/Resources/Commands/Best-practices/Efficiency-Guidelines，含一个明确编号的 “Efficiency Guidelines” 段落，覆盖并行执行、完整代码不留 stub、根因调试、代码风格模仿、安全不泄密）→ Task framing → RESPONSE FORMAT（JSON schema 来自 OneShotAgentActionProposal.model_json_schema()，渲染为 TypeScript interface 形式，经 to_typescript_object_interface）。使用响应 prefill（response_prefill，如 '{\n "observations":'）引导 JSON 输出，对 Anthropic 模型自动禁用（use_prefill = self.llm.provider_name != "anthropic"，agent.py:599，已核实）。

每种替代 strategy（ReWOO、Reflexion、Plan-Execute、ToT、LATS、Multi-Agent-Debate）定义各自独立的 prompt 模板/配置类（如 multi_agent_debate.py:127-153 的 DEFAULT_PROPOSAL_INSTRUCTION）——prompt 设计明确是按策略可插拔的，不是单一固定模板。

Copilot：系统提示经 copilot/service.py::_build_system_prompt 构建，做过 Langfuse 缓存优化，并由多个可选的补充函数动态拼接后缀（build_builder_system_prompt_suffix、get_graphiti_supplement、get_sdk_supplement），依模式/会话状态而定；用户上下文注入用显式 <user_context> XML 标签包裹（Graphiti 记忆用 <memory_context>），且会先剥离用户输入中出现的这些标签以防提示注入（service.py 中 USER_CONTEXT_TAG/MEMORY_CONTEXT_TAG 相关注释）。

Router / 编排（任务分解、多 agent、子 agent）

Classic：ExecutionContext（execution_context.py）——文件 docstring（1-11 行）明确引用 “Google ADK Multi-Agent Patterns” 与 “Anthropic Multi-Agent Research System” 作为设计参考。ResourceBudget（39-74 行，已核实）：max_depth（默认 5）、max_sub_agents（25）、max_cycles_per_agent（50）、max_tokens_total；子 budget 继承 max_depth - 1，且子 agent 的 explicit_allow_rules 被清空（必须显式重新授权），但继承父级的 deny 规则。子 agent 文件存储写权限限制在 .sub_agents/{agent_id}/（clone_with_subroot/_create_child_storage，249-270 行）——对完整父 workspace 的只读访问尚未实现（代码注释 266-269 行自认这是已知简化）。DefaultAgentFactory.create_agent() 复用父级 execution_context 生成完整 Agent 实例；子 agent 强制 noninteractive_mode=True、continuous_mode=True。MultiAgentDebateStrategy 是一个具体消费者：经 PROPOSAL→CRITIQUE→REVISION→CONSENSUS→EXECUTION 五阶段派生 N 个（默认 3 个）辩论子 agent，带可配置 consensus_threshold。

Platform：编排即图本身（Block 组成的 DAG）；AgentExecutorBlock（blocks/agent.py）让一个节点触发并等待整张子图执行（add_graph_execution），经 parent_execution_id 追踪——router 是图拓扑 + 这个递归 block，而非 LLM 规划步骤。

Copilot：decompose_goal.py（任务分解）与 run_sub_session.py/get_sub_session_result.py（子 agent 派生+轮询）——未完整读取具体调用签名，标记为后续待补。

Skill / 插件体系

Classic：SkillComponent（skill_component.py）明确实现”the open Agent Skills standard”，模块 docstring 第 7 行直接引用 https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview——即 AutoGPT 整体照搬了 Anthropic 的 SKILL.md 规范。三级渐进披露：Level 1 元数据始终在上下文中（约 100 token/skill，以目录形式展示，93-102 行）；Level 2 完整 SKILL.md 内容在 load_skill 命令触发时加载（约 500-5000 token）；Level 3 额外文件按需经 read_skill_file 加载。暴露命令：list_skills、load_skill、unload_skill、read_skill_file（仅在已加载 ≥1 个 skill 时才出现，126-132 行）。有 max_loaded_skills 上限（190-197 行，已核实）以约束上下文增长。Skill 目录：.autogpt/skills/（workspace 级）+ ~/.autogpt/skills/（用户全局级），在 Agent.__init__ 配置（agent.py:221-228）。

Classic 另有一个遗留 plugins/ 目录（classic/original_autogpt/plugins/），仅在目录列表中见到、未读取内容，推测是 SKILL.md 出现前的旧插件机制——标记为未探索的缺口。

Platform/Copilot：copilot/tools/skills.py（build_skills_context）+ CopilotPermissions.ToolName 中的 list_skills/read_skill/delete_skill 工具名——Copilot 也有 skill 概念，但走自己的工具注册表而非直接读 SKILL.md 文件（未完整读取，标记为后续待补）。

自进化能力（自我改进 / 学习型记忆 / eval 驱动纠错）

Classic：WatchdogComponent（watchdog.py，58 行，已完整读取）——每次动作解析完成后，若检测到 agent 重复上一 cycle 完全相同的 command+args，或未能指定任何命令，则回退上一个（未完成的）episode，将 big_brain 置为 True（FAST_LLM→SMART_LLM 升级做一次重新思考），并抛出 ComponentSystemError 强制重跑流水线——这是确定性、非 LLM 判断的自纠正触发器（循环/重复检测器，不是学习型信号）。ReflexionPromptStrategy（reflexion.py，模块 docstring 1-19 行）实现了发表版本的 Reflexion 模式（GENERATE→EXECUTE→REFLECT→RETRY），直接引用 arXiv:2303.11366（Reflexion）、arXiv:2303.17651（Self-Refine）、arXiv:2405.06682，声称”reflections stored in episodic memory for better future decisions”及”8 types of self-reflection”——这是最接近学习型/自适应改进循环的部分，但属于 prompt-strategy 级别（in-context，非权重更新）。

Platform/Copilot：copilot/eval/——一个”Dream-eval harness”（runner.py docstring，已完整读取）聚合 staleness suite（记忆精度/召回）与 cost_latency suite 为一个带版本号的 DreamEvalResult schema，明确设计为由外部实时集群 runner（“AgentProbe”）驱动——这是针对记忆系统质量（staleness/矛盾检测）的 CI/eval 驱动纠错基础设施，不是针对对话 agent 任务表现本身。copilot/dream/ 目录（nightly_batch.py、ratification.py、staleness.py，仅列出未深读）暗示存在夜间批处理任务对已存记忆做重新评估/“追认”——是最接近后台自维护循环的机制。data/block.py:85-100 中 Block 类上有一个从 DB 加载的 optimizedDescription 字段，暗示存在离线流程（copilot/optimize_blocks.py，未读取）对 block 描述做 LLM 重写以提升 agent 的选择准确率——是 eval 驱动的产物改进的一个具体实例，标记为后续待深读。

可观测性（日志 / trace 格式）

Classic：forge/logging/config.py——LogFormatName 枚举：simple、debug、structured_google_cloud（即支持面向云部署的 GCP 原生结构化 JSON 日志），console 与 file 可分别配置格式（log_format vs log_file_format），环境变量驱动（LOG_LEVEL、LOG_FORMAT、PLAIN_OUTPUT）。Sentry SDK 贯穿全代码（agent.py 中 import sentry_sdk，在工具报错时于 417、539 行捕获异常；telemetry.py——经 TELEMETRY_OPT_IN 环境变量选择性开启，若存在 .env 则首次运行交互式询问，DSN 硬编码，按工作树是否偏离 master 打 “production” vs “dev” 环境标签）。

Platform executor：逐节点 Sentry scope 标记（manager.py::execute_node，325-339 行）——每次 block 执行前设置 graph_id/node_id/block_name/block_id 及全部 execution_context 字段作为 Sentry tags，finally 中恢复原 scope；NodeExecutionStats/LogMetadata（逐节点累计 input_size/output_size 等执行统计）。

Copilot：OpenTelemetry（from opentelemetry import trace as otel_trace）+ Langfuse tracing（propagate_attributes）+ 专门针对 Claude Agent SDK 的 LangSmith 集成（from langsmith.integrations.claude_agent_sdk import configure_claude_agent_sdk）——三套独立 tracing 后端同时在 copilot/sdk/service.py 中接入。

安全与权限（审批门、密钥管理）

Classic：CommandPermissionManager（permissions.py，319 行，已完整读取）——分层检查顺序：agent-deny → workspace-deny → agent-allow → workspace-allow → session-denied-cache → 交互式提示。ApprovalScope 枚举：ONCE（不持久化）/ AGENT（持久化到 agent 自身权限文件）/ WORKSPACE（持久化，对 workspace 内所有 agent 生效）/ DENY。权限模式为 command_name(glob_pattern) 字符串，支持 {workspace} 占位符展开与 **/* glob→regex 转换（_pattern_matches，237-275 行）；批准后模式会自动泛化（_generalize_pattern，277-318 行）——例如批准一次文件读取会泛化到父目录，批准一次 shell 命令会泛化到 executable:**。交互式审批 UI 在 main.py::prompt_permission（114-154 行），方向键 RichSelect，Once/Always-this-agent/Always-all-agents/Deny 四选项加自由文本反馈；拒绝会以 ActionInterruptedByHuman 反馈给 agent 而非静默失败（agent.py:462-476）。

Classic 的 shell/代码执行还有独立的一道 allow/deny 门：CodeExecutorConfiguration.shell_command_control（"allowlist" 或 "denylist"，code_executor.py:60-65），在 validate_command（283-307 行）中于权限管理器层之前先行检查——即这里叠了两道独立的门。

Copilot：CopilotPermissions（permissions.py，已读取头部/列表）——同样的 allow/deny-list 模式同时应用于工具和 block（一个 copilot 会话可限制它能调用哪些 Block），tools_exclude/blocks_exclude 标志决定黑名单还是白名单语义；关键点：递归/子 agent 调用只能与父级同等或更严格（merged_with_parent——工具集合取交集，block 权限经 _parent 链式查找）——与 classic 的 ResourceBudget.create_child_budget 遵循同一条”不可越权升级”原则。

密钥管理：classic 的 Sentry DSN 与 opt-in 流程是面向用户、需同意的（telemetry.py）；LLM API key 经 ConfigBuilder.build_config_from_env 从 .env 加载（main.py:93），assert_config_has_required_llm_api_keys 缺失时快速失败（main.py:203）。

沙箱与执行隔离

Classic：Python 执行走 Docker 沙箱（code_executor.py::_run_python_code_in_docker，422-535 行）——为每个 agent 起一个（或复用/重建）python:3-alpine 容器（{agent_id}_sandbox 命名+随机后缀避免并发 agent 冲突，85-97 行），把 agent workspace 以读写方式挂载到 /workspace，经 docker.exec_run 实际运行脚本，复用前总是先移除旧容器以避免挂载点残留（453-458 行）。若已经运行在 Docker 容器内（检测 /.dockerenv，we_are_running_in_a_docker_container）则直接 fallback 到 subprocess.run，避免 Docker-in-Docker。但 shell 命令（execute_shell/execute_shell_popen）直接经 subprocess.run/Popen 在宿主机上运行（不进容器），只靠 allow/denylist 门控——这是明显弱于 Python 代码路径的隔离边界，是一个值得单独标注的不对称设计。

Copilot：双重沙箱策略——bubblewrap（bwrap）用于本地/原生隔离（tools/sandbox.py，已读取头部），文件系统白名单（_SYSTEM_RO_BINDS = ["/usr","/etc"] 只读，仅 workspace 可写，网络完全阻断，针对 Debian-13 /bin→usr/bin 等符号链接兼容做了专门处理），仅 Linux 有效（macOS 上 has_full_sandbox() 恒为 False）；以及 e2b（tools/e2b_sandbox.py，未完整读取，但引用了 get_or_create_sandbox、pause_sandbox_direct）用于远程/云端沙箱代码执行，推测在 bubblewrap 不可用时（如 macOS 开发环境）或需要更强隔离的生产场景使用。Workspace 路径消毒（make_session_path，sandbox.py:47-70）显式防路径穿越，用了 CodeQL 可识别的 normpath+startswith 检查模式。

Platform：在已读文件范围内未发现图引擎层面的通用沙箱代码执行机制（block 大多是类型化 API/集成封装）；backend/blocks/ 下有 code_executor.py/code_executor_helpers.py（仅见于目录列表，未读取），大概率是包装类似 Docker/e2b 执行的 Block，标记为后续待补。

与模型的协同设计

Classic：use_prefill 开关专门对 Anthropic 模型禁用（self.llm.provider_name != "anthropic"，agent.py:599，已核实）——承认 Anthropic API 不支持/不希望 OpenAI 风格 JSON-mode 那样的响应 prefill 用法。thinking_budget_tokens/reasoning_effort 参数一路透传到 create_chat_completion（agent.py:347-365）——模型专属的推理强度/扩展思考控制在 AppConfig 层暴露、直传给 provider。parse_response_content 中有针对”部分模型（如 GPT-5）返回 tool_calls 但无文本内容”的显式兼容处理（one_shot.py:278-298）——直接证据表明代码在适配特定模型 API 形状的怪癖。_make_result_messages（action_history.py:141-227）明确注释”both Anthropic and OpenAI require tool_use to be followed by tool_result”，为每个并行工具调用单独构造一条 ToolResultMessage 以满足两家 provider 的这一约束。

Copilot：架构上专门耦合 Claude——直接构建于 claude_agent_sdk（Anthropic 自家 SDK）之上，resolve_chat_model docstring 明确写”the Claude Agent SDK CLI refuses non-Anthropic endpoints”（copilot/service.py:53-66）——即”高级”SDK 路径按设计只支持 Anthropic，另有一条独立的”baseline”（非 SDK，普通 OpenAI 兼容 chat-completions）代码路径专门用于支持非 Anthropic 模型。这是一个完全由模型/provider 协同设计约束驱动的双层架构决策。

轨迹利用（session/trajectory 是否反哺训练/评测）

Copilot 的 transcript.py（1606 行，函数签名级读取）是具体的轨迹持久化层：上传/下载完整会话 transcript（Claude Agent SDK 自身的 JSONL transcript 格式，佐证见 _is_anthropic_model、_should_strip_thinking_block、_flatten_assistant_content 等辅助函数，1094-1259 行），复用前剥离过期 thinking-block 与进度条目（strip_progress_entries、strip_stale_thinking_blocks、strip_for_upload），检测并回填持久化 transcript 与恢复中的实时会话之间的”gap”（detect_gap/fill_hole_between_transcript_and_gap，905-1008 行），并对长 transcript 做压缩（compact_transcript、_run_compression，1354-1568 行）——就已读代码来看，这主要服务于会话连续性/上下文管理，而非明确的训练/评测反馈管线。

copilot/eval/ 的”Dream-eval harness”（见”自进化能力”节）是最接近轨迹反哺评测循环的机制，但它评估的是记忆子系统的 staleness/precision，数据来自外部的”AgentProbe” runner，而非通用的 trajectory→RL/微调管线。

在已读文件范围内未发现轨迹被用作 SFT/RLHF 训练数据的证据——若确实存在，大概率位于私有训练仓库而非本公开仓库，此处如实记录为”本仓库中未发现”而非断言不存在。copilot/dream/nightly_batch.py + ratification.py（仅列出、未完整读取）暗示存在对已存记忆做重新评估/“追认”的夜间批处理，若后续 dossier 需要深挖轨迹复用可作为待读项。

与同类 harness 的关键差异（1-3 条，可以先留一句概述，后续 synthesis 阶段会做跨 harness 对比）

  1. AutoGPT 是本轮调研中少见的”一仓三态”案例：同一仓库并存 ReAct 单体循环（classic）、纯图执行引擎（Platform）、寄生于 Claude Agent SDK 的对话 Copilot——三者的”agent loop”定义完全不同，跨 harness 对比时不能笼统引用”AutoGPT 的循环”。
  2. Classic 的 SkillComponent 是本轮调研中对 Anthropic SKILL.md 规范采用得最彻底、最显式的实现之一（模块 docstring 直接引用官方文档链接），三级渐进披露与官方标准高度一致。
  3. Classic 的沙箱设计存在明显不对称：Python 执行走 Docker 容器，但 shell 命令直接在宿主机 subprocess 执行、仅靠 allow/denylist 门控——是一个值得在跨 harness 安全对比中点名的弱隔离案例。

原始源码定位

  • repo: https://github.com/Significant-Gravitas/AutoGPT
  • commit/version analyzed: e2711b1748bdc3fe702ab4e44c6a11df98458c53（HEAD，commit date 2026-06-25，shallow clone + fetch 于 2026-07-07）
  • 关键文件列表（相对 repo 根目录）：
    • classic/README.md
    • classic/original_autogpt/autogpt/agents/agent.py
    • classic/original_autogpt/autogpt/app/main.py
    • classic/original_autogpt/autogpt/agent_factory/default_factory.py
    • classic/original_autogpt/autogpt/agents/prompt_strategies/one_shot.py
    • classic/original_autogpt/autogpt/agents/prompt_strategies/multi_agent_debate.py
    • classic/original_autogpt/autogpt/agents/prompt_strategies/reflexion.py
    • classic/original_autogpt/autogpt/agents/prompt_strategies/{plan_execute,rewoo,tree_of_thoughts,lats}.py（仅确认体量，未逐行读）
    • classic/original_autogpt/autogpt/app/telemetry.py
    • classic/forge/forge/agent/execution_context.py
    • classic/forge/forge/permissions.py
    • classic/forge/forge/components/action_history/action_history.py
    • classic/forge/forge/components/action_history/model.py
    • classic/forge/forge/components/watchdog/watchdog.py
    • classic/forge/forge/components/code_executor/code_executor.py
    • classic/forge/forge/components/skills/skill_component.py
    • classic/forge/forge/command/command.py
    • classic/forge/forge/logging/config.py
    • classic/forge/forge/agent_protocol/models/task.py
    • docs/content/index.md
    • autogpt_platform/backend/backend/executor/manager.py
    • autogpt_platform/backend/backend/blocks/agent.py
    • autogpt_platform/backend/backend/data/block.py
    • autogpt_platform/backend/backend/copilot/service.py
    • autogpt_platform/backend/backend/copilot/sdk/service.py
    • autogpt_platform/backend/backend/copilot/tools/base.py
    • autogpt_platform/backend/backend/copilot/permissions.py
    • autogpt_platform/backend/backend/copilot/tools/sandbox.py
    • autogpt_platform/backend/backend/copilot/graphiti/memory_model.py
    • autogpt_platform/backend/backend/copilot/eval/runner.py
    • autogpt_platform/backend/backend/copilot/transcript.py
    • autogpt_platform/backend/backend/copilot/bot/README.md
  • 未读/待补跟进项：classic/original_autogpt/plugins/（旧插件机制）、copilot/optimize_blocks.py（LLM 驱动的 block 描述优化器）、copilot/tools/skills.py（Copilot 侧 skill 实现细节）、copilot/tools/e2b_sandbox.py（完整实现）、backend/blocks/code_executor.py（Platform 侧代码执行 Block）

一手源存档（sources/）

/Users/zhao/projects/self-wiki/ai-research/sources/harness/autogpt/ 下存档文件：

  • NOTES.md — 完整调研笔记（含全部文件/行号引用）
  • classic/README.md
  • classic/action_history_component.py
  • classic/action_history_model.py
  • classic/agent.py
  • classic/code_executor.py
  • classic/default_agent_factory.py
  • classic/execution_context.py
  • classic/main.py
  • classic/one_shot_prompt_strategy.py
  • classic/permissions.py
  • classic/skill_component.py
  • classic/watchdog.py
  • platform/agent_executor_block.py
  • platform/copilot_bot_README.md
  • platform/copilot_memory_model.py
  • platform/copilot_permissions.py
  • platform/copilot_sandbox.py
  • platform/docs_index.md

关系图谱

反向链接