深度代码检索#

Liskin 用 Code RAG 配合基于 LSP AST 的代码索引做跨文件检索，把准确的上下文主动喂给模型，而不是让模型盲猜，也省去了开发者手动粘贴代码片段的环节。这套检索能力后续计划做 MCP 化，作为标准工具服务对外开放。

单 Agent 全程上下文与无痕微压缩#

主流的多 Agent 编排有一个共性缺陷，Liskin 早期的 Subagent 串联也踩过这个坑：每个子 Agent 各自维护记忆，切换时上下文就断了。

Liskin 换了思路，借鉴 Claude Skills 的渐进式披露，以及 Manus、Claude Code 的微压缩机制，让单个 Agent 在一次任务里全程保持完整上下文，只在阶段之间做无痕微压缩。这样既压住了上下文膨胀，又保住了对话的连续性。实测显示，引入渐进式加载后 Token 消耗下降约 50%，平均任务完成时间缩短约 50%，指令遵循度提升约 7%。这条路线与 Cursor、Trae 的多 Agent 编排有明显区别。

双模式 + Auto 智能路由#

业界产品大多用一个 Agent 应对所有任务，比如 Cursor 的单 Agent、Windsurf 的 Cascade 全自动流。Liskin 走的是另一条路：把深度规划和快速执行拆成两个独立的执行模式，二者在 LLM 选型、Prompt 策略、工具集和上下文管理上完全分开，而每个模式内部仍由单个 Agent 全程持有上下文。

上层的 Auto 路由会根据任务复杂度和需求明确度自动分发——复杂的架构性任务交给深度规划，明确的单点修改交给快速执行。这样”PRD 到架构拆解”和”即时 Bugfix”这两类差异极大的任务都能稳定接住，而不是拿同一套配置硬扛到底。

架构创新与云端-本地协同#

产品以一个统一内核为中心，对外提供 Web、CLI、IDE 插件乃至移动端 App 等多种客户端，开发者在任意终端都能随时开工。再通过 MCP 打通 GitHub、Vercel、Cloudflare 等开发与部署链路，把研发流程串成一个闭环。

这套架构的关键在于内核与外壳解耦。同一份内核代码靠不同的 KernelClient 适配多端——CLI 走 InProcessKernelClient，Web 走 HttpSseKernelClient，未来 IDE 走 JsonRpcKernelClient；而 Claude Code 的 VSCode 扩展和 CLI 是两条相对独立的实现路径。内核并不知道自己是被 CLI、Web 还是 IDE 调用的——LLMPort、ToolPort、StorePort 三个端口接口让内核只跟抽象契约打交道，换模型、换工具来源、换存储后端，都不必改动内核代码。这个设计便于日后的插件化扩展

新增Sandbox，路径白名单加命令黑名单，再配合 auto/ask/deny 三档确认策略，权限粒度比 Claude Code 更细。

Harness 框架支撑长程任务自迭代#

Harness 是 Liskin 专为复杂长程任务设计的执行框架。它把任务拆成可中断、可恢复、可审计的节点序列，用 Markdown 文件落盘记录意图、阶段、闸门和完成状态。借助它，Agent 在多轮执行中能够始终对齐目标，即便中途中断，也能从断点精确接回。其长任务可中断、可恢复、可审计，状态落盘在 .liskin/harness/ 目录，这是 Claude Code 目前没有的机制。

评测驱动迭代#

Liskin 建立了一套系统化的 Agent 评测机制，并把行为日志结构化成 RLHF/DPO 训练数据，形成 post-coding 数据飞轮。依托评测持续发现并改进 System Prompt、链路、工具和模型上的问题。

在建能力#

D2C 是当前的核心抓手，配合 AGENTS.md 的项目级规范注入和 Harness 真相文档，把业务规则与 UI 标准显式传给模型，不再依赖模型自行揣摩。围绕落地链路，还在推进 GitHub CI/CD、Vercel、Cloudflare 等平台从 SCM 研发到上线部署的全流程集成，以及基于 ContextDB 的上下文管理集成和文档形式的 stage 管理。

核心技术#

依赖边界#

通过 dependency-cruiser 强制执行单向依赖规则：core 不依赖 tools/llm/server，tools 不依赖 llm/server，依此类推。任何反向 import 在 pnpm deps:check 阶段直接阻塞。

前端#

编辑与内容渲染#

已交付#

M0 — monorepo 骨架。 pnpm workspace 立起五个包，共享 tsconfig，dependency-cruiser 守住架构红线，oxlint/prettier/commitlint 工具链完整。

M1 — Agent Core 状态机。 runAgent 异步生成器驱动主循环：idle → streaming → awaiting_tool → awaiting_user → done。LLMPort / ToolPort / StorePort 三个端口接口定义在内核中，具体实现在外层注入。HarnessPort 接口预留，NoopHarness 占位。6 个单测覆盖纯对话、工具回灌、确认门、maxTurns 保护、错误传播、取消信号。

M2 — OpenAI Provider。 OpenAIProvider implements LLMPort，覆盖 SSE 流式解析、按 index 增量拼接 tool_call、Msg/ToolDef ↔ OpenAI 协议互转、错误归一化（API 错误 / 网络错误 / 流异常 / 取消）。createProvider 工厂函数支持动态路由。30 个单测。

M3 — 工具系统 + 沙箱。 ToolRegistry implements ToolPort，zod schema 校验。内置 fs.read（行号范围）、fs.write（diff 预览）、shell.exec（sh -c 管道）。Sandbox 三层：路径白名单（防路径穿越）、命令黑名单（9 条危险模式）、确认策略（auto/ask/deny）。ConfirmRequiredError 携带 callId 支持外部确认回灌。40 个单测。

M4 — 接入层 + CLI + Web。 packages/server：Hono daemon，POST /v1/chat SSE 端点，SQLite 持久化。动态 Provider 路由，Web UI 可配置多服务商、热切换、API key 掩码。client/：CLI 入口，agent serve 启 daemon，agent exec 一次性任务。web/：React 前端，SSE AgentEvent 消费，工具调用面板，确认弹窗，ProviderSettings 配置面板。

累计：88 个测试（14 个文件），全仓 typecheck / build / lint / deps 通过。

遗留#

server/（Go + Gin + faasrouter + Thrift IDL）暂时搁置，Phase 2 后端需时开始进行评估。

1. 收尾清理#

• 前端 MVP 样式优化
• 清掉未使用的依赖（@radix-ui 部分组件、ahooks、axios、swr、usehooks-ts）
• bundle 拆分：react-markdown / highlight.js 改用 dynamic import，消除 614KB chunk
• 修复 lint-staged 在部分环境下的 stash-restore 异常

2. MCP 协议支持#

Phase 1 价值最大的一项。接入 Model Context Protocol，让 agent 能消费外部工具和数据源（stdio 和 HTTP 两种 transport）。内核的 ToolPort 已为此预留接口——MCP 客户端只需作为 ToolPort 的另一个实现注入，内核零改动。

3. 多 Provider 扩展#

当前 LLM 层只有 OpenAI 兼容适配器。LLMPort 接口天然支持新增 Anthropic 等 Provider。dynamic-llm.ts 已有骨架，主要是 packages/llm 内加适配器实现。

4. 项目记忆#

让 agent 读取并遵守项目根目录的 AGENTS.md 约定文件。内容按层级组织：根目录放全局规范（架构、编码规范、Agent 路由决策树），业务目录放模块知识。记忆文件只描述”在哪查、怎么查”，不存易变数据。

5. 终端 UI#

当前 CLI 只有 agent exec 的一次性任务模式。补充交互式 REPL，可选 Ink（React）或 Bubble Tea（Go）实现。Core/UI 已经解耦，可并行推进。

6. Harness 框架#

将 NoopHarness 替换为 MarkdownHarness：复杂任务自动在 .liskin/harness/active/ 下创建 Markdown 任务文档，记录用户意图、待办节点、已完成节点、闸门、控制状态。每个工具调用闭环后落盘节点结果。目标：任务中断能续跑、长任务可审计、执行过程可回溯。

7. 沙箱执行加固#

• --sandbox 标志，接入 OS 级隔离（Linux bubblewrap / macOS sandbox-exec）
• 写/删文件前的 diff 预览
• 撤销栈

Phase 0（已完成）#

单体本地 Agent 跑通端到端：用户对话 → 模型流式输出 → 工具调用 → 沙箱确认 → 执行 → 结果回灌 → 继续对话 → 完成。Web UI、CLI、Hono daemon 全部到位。

Phase 1（当前阶段）#

目标：终端常驻可用，覆盖 80% 日常编码需求。

1. Agent Loop 完善：Read → Plan → Act → Verify 循环，工具集扩展（read_file、write_file、run_shell、list_files、grep、edit）
2. 沙箱隔离：OS 级机制（Landlock/seccomp）限制文件系统和网络访问，默认最小权限，按需扩展
3. 项目感知：读取 AGENTS.md 和项目配置文件，构建指令链，让 Agent 理解项目结构和约定
4. 审批机制：多级审批（只读→需确认→全自动），可编程 hook 系统拦截生命周期事件
5. 工具协议标准化：MCP 客户端消费外部工具，工具 schema 以 JSON Schema 传给模型，支持 stdio 和 HTTP 两种 transport
6. 上下文管理：自动压缩（compaction），session 持久化和恢复，上下文健康度监控

Phase 2#

条件触发——只有真实需求出现才启动。

7. 可观测性：结构化日志（JSONL session transcripts），OpenTelemetry Tracing，Token 用量计量
8. 多 Agent 协作：子 Agent 定义（TOML），并行执行 + 结果聚合，MCP Server 模式（自身也能被其他 agent 调用）

Phase 3+#

触发条件更严格，有可能永远不做。

9. 后端网关：Key 托管、多用户、审计、限流（激活 server/ Go 代码）
10. IDE 插件：VSCode / JetBrains 插件，连接同一个 agent serve daemon
11. 工作流编排：多 Agent DAG 执行。设计文档明确警告——不要把 Agent 多步骤误当成工作流引擎，不要把 Harness 当 DAG 节点。