Fil de meng shao (@shao__meng)

[Recommandation Open Source] Acontext : Plateforme de données contextuelles pour agents intelligents Le dernier projet de l'équipe @memobase_io centralise l'interaction, l'expérience et les tâches d'un agent, permettant aux développeurs de simplifier l'ingénierie du contexte et d'améliorer considérablement les performances et la fiabilité de l'agent. En observant automatiquement l'exécution des tâches et en extrayant les procédures opérationnelles standard (POS), Acontext permet aux agents d'itérer et de s'améliorer grâce aux enseignements tirés, évitant ainsi les tâches répétitives et garantissant des performances plus stables sur le long terme. Fonctionnalités principales : Stockage du contexte : Prend en charge les conversations multimodales, y compris le texte, les images et les artefacts générés par les agents (tels que les fichiers et les rapports), qui sont enregistrés de manière permanente via le module Disque. • Suivi des tâches : L’« agent d’intelligence des tâches » en arrière-plan suit automatiquement la progression des tâches, les commentaires des utilisateurs et le taux de réussite, et enregistre les préférences et les points de blocage en temps réel. • Mécanisme d'auto-apprentissage : extraire les procédures opérationnelles standard (SOP) des tâches terminées et les stocker dans une base de connaissances Space similaire à Notion pour une récupération et une réutilisation faciles. • Surveillance par tableau de bord : une interface Web locale affiche visuellement le flux des messages, l’état des tâches, les artefacts et les compétences acquises, prenant en charge l’organisation des compétences par dossiers. • Compatibilité multi-fournisseurs : s’intègre parfaitement avec les SDK tels qu’OpenAI et Anthropic, et prend en charge les clients Python et TypeScript. Principe de fonctionnement Le flux de travail d'Acontext est simple et efficace : lorsqu'un utilisateur interagit avec un agent, les données de session sont transférées en temps réel vers Sessions et Disk ; simultanément, l'observateur de tâches surveille le processus d'exécution et analyse et stocke automatiquement le SOP dans Space une fois la tâche terminée. Lors d'une tâche similaire suivante, l'agent peut rapidement récupérer les comportements de guidage de compétences pertinents, formant ainsi un cycle d'apprentissage en boucle fermée. Cette conception est particulièrement adaptée aux applications d'agents nécessitant une mémoire à long terme, telles que les flux de travail automatisés ou les systèmes de dialogue à plusieurs tours de parole. Adresse open source