Memfit AI 架构详解
Memfit AI 突破了单一范式的局限，创新性地采用了 ReAct 与 Plan-Execute 递归耦合 的混合架构。该架构通过 Coordinator（协调器）将宏观的 战略规划 (Strategic Planning) 与微观的 战术执行 (Tactical Execution) 有机融合，实现了任务处理中确定性与灵活性的统一。
本文档将详细介绍 Memfit AI 的核心架构设计、数据流转、关键组件以及规划与执行的闭环机制。
递归式双引擎混合架构
本架构的核心在于 Plan 引擎（战略层）与 ReAct 引擎（战术层）之间的非线性嵌套关系。
- Plan 引擎 (战略层)： 负责任务的宏观解构。面对复杂、模糊或长周期的用户意图，系统启动规划引擎，将顶层目标拆解为具备时序依赖与逻辑关联的结构化 任务树 (Task Tree)。这为 Agent 提供了全局视野与执行骨架，防止其在长链路操作中迷失方向。
- ReAct 引擎 (战术层)： 负责原子任务的动态执行。针对规划生成的每一个子任务，系统实例化独立的 ReAct Loop，通过 "观察 (Observation) - 推理 (Thought) - 行动 (Action)" 的闭环机制与环境交互。这赋予了 Agent 应对非确定性环境的能力。
递归耦合机制 (Recursive Coupling Mechanism)： 当 ReAct 引擎在执行过程中遇到超出当前能力范畴的复杂子问题时，可动态触发 Plan 引擎进行 次级规划 (Sub-planning)；反之，Plan 引擎生成的每一个叶子节点任务均由 ReAct 引擎承接落地。这种递归调用机制支持了任务的分形扩展，可适应任意复杂度的业务场景。
[图片: 递归式双引擎混合架构示意图]
数据流与交互控制
Memfit AI 的数据流是一个支持双向交互、动态分支的复杂网络，根据用户入口的不同智能适配控制流。
双模态用户入口
-
Coordinator 入口 (Plan-Execute 模式)：
- 适用场景： 任务模糊、复杂（如“对目标进行全面安全审计”）。
- 控制流： 用户 -> Coordinator -> 规划循环 (生成任务树) -> 审查 (Review) -> 运行时 -> ReAct Loops。
- 交互点： 包括 规划审查 (Planning Review)（用户修改或批准规划）和 全局中断 (Global Interrupt)。
-
ReAct 入口 (即时执行模式)：
- 适用场景： 指令明确、原子化（如“扫描指定 IP”）。
- 控制流： 用户 -> ReAct Loop -> 思考 -> 行动 -> 观察。
- 交互点： 包括 请求澄清 (Ask for Clarification)（信息缺失时）和 行动确认 (Action Confirmation)（敏感操作时）。
核心数据流转闭环
无论从哪个入口启动，数据都会在以下组件间形成闭环：
- 上下文构建 (Context Construction)： 输入 (Query + History) 经过 Memory Triage (长期记忆) 和 RAG System (领域知识) 的增强。
- 决策制定 (Decision Making)： LLM 结合增强后的上下文输出结构化指令（Plan JSON 或 ReAct Thought/Action）。
- 执行与交互 (Execution & Interaction)： 调用工具（本地或 MCP）或触发人机协作。
- 反馈与学习 (Feedback & Learning)： 工具输出提供短期反馈；Memory Triage 异步分析执行链路（Trace），提取关键信息沉淀至向量数据库。
关键组件详解
[图片: 关键组件关系图]
协调器 (Coordinator) 与 ReActLoop
- Coordinator： 系统总线与生命周期管理器。它管理 Session 上下文、加载配置，并作为用户意图与系统执行间的桥梁。它维护全局任务状态机并监控子任务执行。
- ReActLoop： 最小执行单元。在一个独立的上下文中驱动 "Reasoning-Acting" 循环。支持 动态挂起 以请求帮助或新规划，并能无缝切换至 Plan 模式。
ReAct Loops (执行引擎)
ReAct Loop 是一个高可扩展的状态机执行环境。
- 核心构成： 包含 LoopEngine (状态流转)、Action Registry (动作注册表) 和 Prompt Manager (提示词管理)。
- 专注模式 (Focus Mode)： 允许定义特定模式（如代码审计）。一个 Loop 可被封装为 Action，允许 Agent 压栈当前上下文并启动专注于特定领域的子 Loop。
- 可靠性保障： 内置 自我反思 (SelfReflection)（分析失败）和 自旋检测 (Spin Detector)（防止动作或逻辑死循环）。
Tools 与 Forges (能力层)
[图片: 工具与 Forges 示意图]
- Tools： 标准化原子能力（如 "ReadFile", "ShellExec"）。支持 MCP (Model Context Protocol)、Yaklang 原生 工具以及 Agentic Search (运行时动态发现工具)。
- Forges： 场景化能力模组 (AI Blueprints)。Forge 是针对特定垂直领域的 Prompt、工具集和逻辑的集合（如 "Java 代码审计 Forge"）。Coordinator 可将 Forge 实例化为一个子任务。
记忆层与 RAG 系统
- Memory Triage (智能海马体)： 通过 C.O.R.E. P.A.C.T. 框架 对记忆片段进行多维度评分（关联度、来源、相关性、情感、偏好、可操作性、时效性）。高分记忆被持久化并建立 "潜在问题" 索引。
- RAG System (外脑)： 主动式、代理化的知识服务。支持 混合索引 (向量 + 关键词)、标量过滤 和 多跳检索。它融合了领域知识、工具/Forges 信息以及历史记忆。
规划与执行闭环
Memfit AI 基于 "规划-执行-反思" 的闭环流程运行。
Coordinator 规划流程
[图片: Coordinator 规划流程图]
- 上下文初始化： 并行调用 Memory Triage 与 RAG System。
- 规划生成： 启动规划专用 ReAct Loop 生成 AiTask 任务树。
- 人工介入 (Human-in-the-Loop Review)： 用户查看、修改或批准规划。
- 运行时分发： 调度器为叶子节点实例化 ReAct Loop。
ReAct 执行流程
[图片: ReAct 执行流程图]
遵循 OODA (观察-调整-决策-行动) 循环：
- 观察 (Observation)： 收集环境状态和反馈。
- 推理 (Reasoning)： LLM 进行推理，伴随自旋检测。
- 动作分发 (Action Dispatch)： LLM 输出动作；敏感操作进行权限审查。
- 反馈 (Feedback)： 执行结果驱动下一轮迭代。
可靠性保障机制 (Reliability Assurance)
- 自我反思 (Self-Reflection)： 触发于错误或步数超限。分析失败原因并生成修正计划 (Correction Plan) 注入下一轮提示词。
- 自旋检测 (Spin Detection)： 检测 动作自旋 (参数重复) 和 逻辑自旋 (语义重复)。通过注入干扰信息或强制反思进行干预。
- 记忆增强恢复 (Memory-Augmented Recovery)： 检索历史相似错误案例以辅助当前决策。