PlantAI-dev/docs/PLAN_COMPARISON_2025-03-31.md

多Agent系统开发计划对比 - 2025年3月31日

文档位置: /home/xia-lab/wutx/00test/bbav20311/docs/PLAN_COMPARISON_2025-03-31.md

记录时间: 2025-03-31 01:54 GMT+8
记录人: xialab的幸运星 🧬🤖

---

一、阉割版 vs 完整版对比

功能	阉割版（7天）	完整版（1个月）
Agent数量	2个（Router + Execution）	9个（全套）
意图识别	关键词匹配	LLM+规则混合
任务规划	固定流程（identify→phylogeny→motif→domain→structure）	动态规划，根据需求调整
错误处理	失败停止，显示错误	DiagnosisAgent自动诊断+重试
RAG文献	❌ 砍掉	✅ 文献问答
记忆学习	❌ 无	✅ 记住用户偏好
多任务并行	❌ 串行执行	✅ 并行分析
结果验证	❌ 人工检查	✅ ValidatorAgent自动验证

---

二、核心代码对比

阉割版代码

# 阉割版：直接执行固定流程
async def agent_chat(request):
    intent = simple_keyword_parse(request.message)  # 关键词匹配
    
    # 固定流程：identify → phylogeny → motif → domain → structure
    stages = ["identify", "phylogeny", "motif", "domain", "structure"]
    
    for stage in stages:
        result = await run_cli(stage, intent.params)  # 直接调CLI
        if result.failed:
            return {"error": result.error}  # 失败就停
    
    return {"success": True, "results": results}

完整版代码

# 完整版：多Agent协作
async def agent_chat(request):
    state = await orchestrator.process(request.message)  # LangGraph编排
    
    # Router → Planning → Execution → Validator → Learning
    # 每个Agent都可能介入，动态决策
    
    return state.final_result

---

三、阉割版功能边界

✅ 阉割版能做

• 用户说："分析Ft SPL基因家族"
• 系统自动执行：identify → phylogeny → motif → domain → structure
• 前端显示进度和结果

❌ 阉割版不能做

• 问："SPL基因有什么功能"（无RAG）
• 自动修复错误（无DiagnosisAgent）
• 记住用户偏好（无LearningAgent）
• 并行执行多个分析

---

四、7天冲刺计划（阉割版）

Day 1-2（4月1-2日）：核心打通

目标：ExecutionAgent跑通

小时	任务	产出
0-4h	修改 /api/agent/chat 直接调用CLI执行	Agent输入→实际运行identify
4-8h	前端显示执行进度	实时日志推送到对话窗口
8-12h	测试端到端流程	"帮我分析Ft SPL"→出结果

砍掉：RouterAgent复杂路由，先用关键词匹配

---

Day 3-4（4月3-4日）：多阶段串联

目标：一个指令完成多阶段分析

小时	任务	产出
0-6h	PlanningAgent简单实现	"分析SPL基因家族"→自动拆分为identify→phylogeny→motif
6-12h	阶段自动流转	identify完成自动触发phylogeny

砍掉：复杂的错误恢复，失败就停

---

Day 5-6（4月5-6日）：RAG问答

目标：文献问答可用

小时	任务	产出
0-6h	接入已有RAG	问"SPL基因功能"能检索文献回答
6-12h	前端切换模式	技能模式🔧/文献模式📚切换

---

Day 7（4月7日）：测试收尾

• 完整流程测试
• 修复阻塞性bug
• 写使用文档

---

五、完整版开发计划（1个月）

第一阶段：核心集成（3月31日-4月6日）

目标: 将前端Agent调用接入完整的Orchestrator编排流程

任务	优先级	预计时间	产出
1. 修改 /api/agent/chat 使用Orchestrator	🔴 P0	1天	后端API调用完整MAS流程
2. 统一意图解析逻辑	🔴 P0	0.5天	删除重复代码，统一走RouterAgent
3. 实现ExecutionAgent与CLI集成	🔴 P0	2天	Agent能实际执行分析任务
4. 添加Agent执行状态反馈	🟡 P1	1天	前端实时显示当前处理Agent

---

第二阶段：协作机制（4月7日-4月13日）

目标: 实现多Agent协作完成复杂任务

任务	优先级	预计时间	产出
5. 完善PlanningAgent任务分解	🟡 P1	2天	复杂任务自动拆分子任务
6. 实现Agent间消息传递	🟡 P1	1天	Agent可以协作通信
7. 添加DiagnosisAgent错误处理	🟡 P1	2天	自动诊断和修复建议
8. 集成RAG到KnowledgeAgent	🟢 P2	1天	文献问答质量提升

---

第三阶段：优化完善（4月14日-4月20日）

目标: 提升系统稳定性和用户体验

任务	优先级	预计时间	产出
9. 完善记忆系统跨会话保持	🟢 P2	2天	用户历史偏好被记住
10. 实现LearningAgent反馈学习	🟢 P2	2天	从用户纠正中学习
11. 添加Agent性能监控	🟢 P2	1天	响应时间、准确率统计
12. 编写Agent单元测试	🟢 P2	2天	测试覆盖核心Agent逻辑

---

六、关键决策选项

选项A：阉割版（推荐）

• 时间: 7天
• 结果: Agent能自动执行完整分析流程
• 风险: 低，功能明确

选项B：先阉割后扩展

• 时间: 7天基础版 + 后续迭代
• 结果: 先让Agent能干活，再慢慢加功能
• 风险: 最低，可快速验证

选项C：只做一个阶段

• 时间: 3天
• 结果: 只自动跑identify
• 风险: 功能太弱，演示效果差

---

七、技术债务记录

阉割版产生的债务

1. 意图解析只用关键词，后续需升级为LLM+规则
2. 错误处理简单，后续需添加DiagnosisAgent
3. 无记忆功能，后续需添加MemoryManager集成
4. 无学习功能，后续需添加LearningAgent

偿还计划

• 第2周：添加DiagnosisAgent基础错误处理
• 第3周：集成MemoryManager
• 第4周：升级为完整Orchestrator流程

---

八、参考文档

• 当前状态: docs/AGENT_STATUS_2025-03-31.md
• 修订记录: docs/CHANGELOG_2025-03-30.md
• 架构设计: memory/modules/overview.md

---

建议: 选择 选项B（先阉割后扩展），7天内让Agent真正可用，再逐步完善。

下一步: 等待用户确认选项，立即开始编码。