这是一个基于多Agent架构的智能分流系统，结合长程记忆优化技术，旨在提升AI系统的响应质量和效率。
系统通过智能路由将用户查询分配给最适合的Agent处理，并利用长程记忆系统存储和检索相关信息，以提供更准确和个性化的回答。同时，系统还具备分布式协调和恢复管理能力，确保高可用性和容错性。
系统架构图展示了各模块之间的交互关系
-
多Agent智能分流：
- 系统包含多种类型的Agent（技术Agent、创意Agent、记忆Agent等），每种Agent专门处理特定类型的任务
- 通过Router模块智能判断用户查询的类型，并将其路由到最适合的Agent
- 支持多种路由策略，包括直接路由和记忆增强路由
-
长程记忆优化：
- 使用FAISS向量数据库存储和检索记忆
- 通过MemoryOptimizer模块优化记忆管理，包括：
- 计算记忆重要性（考虑时间衰减、访问频率等因素）
- 压缩相似记忆（基于TF-IDF向量化和余弦相似度）
- 遗忘低优先级记忆
- 支持定期优化记忆存储，提高检索效率
-
分布式协调：
- 通过DistributedCoordinator管理多个Agent的注册、注销和心跳
- 支持多种负载均衡策略（轮询、随机、最少连接、基于性能、基于任务类型）
- 提供任务分配、消息传递和资源锁机制
-
恢复管理：
- 通过RecoveryManager实现系统故障恢复
- 支持检查点机制和状态恢复
-
响应聚合：
- Aggregator模块负责融合多个Agent的响应
- 支持多种融合策略（加权合并、置信度选择、简单合并）
- 生成包含相关历史信息的最终响应
多Agent智能分流 + 长程记忆优化方案/
├── configs/ # 配置文件
│ ├── router_config.json # 路由系统配置
│ ├── memory_config.json # 记忆系统配置
│ ├── recovery_config.json # 故障恢复配置
│ ├── distributed_config.json # 分布式协调配置
│ └── memory_optimizer_config.json # 记忆优化器配置
├── core/ # 核心模块
│ ├── __init__.py
│ ├── router.py # 路由核心实现
│ └── aggregator.py # 跨Agent信息融合核心
├── memory/ # 记忆系统
│ ├── __init__.py
│ ├── memory_manager.py # 记忆管理核心
│ ├── memory_item.py # 记忆项定义
│ ├── memory_optimizer.py # 记忆优化器
│ └── memory_optimizer_enhanced.py # 增强版记忆优化器
├── recovery/ # 故障恢复系统
│ ├── __init__.py
│ └── recovery_manager.py # 故障恢复核心
├── distributed/ # 分布式协调系统
│ ├── __init__.py
│ └── coordinator.py # 分布式协调核心
├── adapters/ # 适配器
│ ├── __init__.py
│ └── llm.py # LLM适配层
├── demos/ # 演示脚本
│ ├── cli_assistant.py # 命令行助手演示
│ └── aggregator_demo.py # 聚合器演示
├── tests/ # 测试文件
│ ├── test_router.py # 路由系统测试
│ ├── test_memory_manager.py # 记忆系统测试
│ ├── test_memory_optimizer.py # 记忆优化器测试
│ ├── test_distributed_coordinator.py # 分布式协调测试
│ ├── test_recovery_manager.py # 故障恢复测试
│ └── performance_test.py # 性能测试
├── run_tests.py # 测试运行脚本
├── run_tests_direct.py # 直接测试运行脚本
├── simple_test.py # 简单测试脚本
├── run_test_fix.bat # 测试修复批处理
├── run_test_final.py # 最终测试运行脚本
└── test_runner_gui.py # 测试运行GUI程序
- Python 3.8+
- 相关依赖库（详见 requirements.txt）
pip install -r requirements.txtpython main.py- 实现了多种冲突解决策略（多数投票、置信度加权、语义分析、源可靠性）
- 能够区分事实性冲突和观点性冲突，并采用不同的解决方案
- 支持用户反馈机制，不断优化冲突解决效果
- 基于历史交互的智能路由，能够学习用户偏好
- 支持多维度路由决策（查询类型、历史表现、Agent专长）
- 动态负载均衡，确保系统资源最优利用
- 语义相似度计算，实现智能记忆压缩
- 基于重要性评分的记忆管理，优先保留关键信息
- 支持记忆检索增强生成（RAG），提升响应质量
我们欢迎各种形式的贡献，包括但不限于：
- 提交bug报告和功能请求
- 提交代码改进和新功能
- 改进文档和示例
- 分享使用经验和最佳实践
详细贡献流程请参阅CONTRIBUTING.md。
本项目采用MIT许可证 - 详情请参阅LICENSE文件。
python run_tests.pypython demos/aggregator_demo.pypython demos/comprehensive_demo.py为了更好地理解和使用本系统，我们提供了以下文档资源：
- 系统功能演示 - 展示系统核心功能的交互式演示脚本
我们欢迎社区的贡献和参与：
- 实现更复杂的路由策略
- 优化记忆系统的性能
- 增强故障恢复机制的智能化水平
- 完善分布式协调功能
- 优化跨Agent信息融合策略
- 进一步完善增强版记忆优化器的功能
欢迎提交 Issue 和 Pull Request 来帮助改进项目。
「林修」微信：LinXiu230624