Easel 架构课程 · 工具页

术语表

课程里所有黑话的一行解释 · 按主题分组 · 读到不认识的词随时回来查

模型层（L1–L7）

token模型处理文本的最小单位——一个字、半个词或一个符号。模型读写的都是 token 不是字符。
上下文窗口模型一次能"看到"的 token 总量上限。窗口 = 工作记忆，装不下就得压缩或检索。
system prompt排在消息最前、优先级最高的常驻指令（人格+规则）。是强偏好不是安全边界。
messages发给模型的消息数组，每条有 role（system/user/assistant/tool）和内容。
聊天模板provider 把 messages 数组拼成带特殊标记（如 <|user|>）纯文本的转换层。
采样 / temperature模型从概率分布里抽下一个 token 的过程；温度控制分布尖锐度——低=稳定，高=发散。
top-p只在累积概率达到 p 的最小候选集里抽签，自适应砍候选。
logprobs响应附带的候选概率对数值——模型自信度仪表，接近 0 = 很确定。
幻觉模型自信地生成不存在的信息。本质是补全不是检索，无法根治只能缓解。
ICL / few-shot上下文学习：给几个示例模型就当场模仿——出了上下文就忘，示例的错误也会被模仿。
CoT / 推理模型思维链：先逐步推理再作答。推理模型（o 系/R1）把思考内化，按 thinking token 计费。
prompt cacheprovider 按前缀匹配的缓存：开头稳定且一致的部分约 1/10 价。可变内容必须放后面。
function calling模型输出结构化 JSON 声明"想调什么工具+参数"，执行永远在你的代码里。
JSON Schema用 JSON 描述数据结构（字段/类型/必填）的规范，用来约束模型参数和输出。

Agent 层（A1–A17）

agentLLM 在循环里自主决定调用哪些工具，直到达成目标。与 workflow 的区别：下一步由模型现场决定。
harness模型外的运行时容器：loop、会话持久化、流式、工具基建、并发隔离全是它的脏活。
agent loop感知→决策→行动的循环。三条铁律：失败是消息、历史只追加、必须可中断。
stopReason模型结束一轮时的原因码：toolUse（要用工具）/stop（答完了）/length（截断）/error/aborted。
工具（tool）暴露给模型的可执行函数，schema 是模型的"感官"。
MCPModel Context Protocol：把外部工具服务器按统一协议挂进 agent 的标准。
Skill / 技能markdown 写的能力包：SKILL.md（流程说明书）+ references（知识）+ scripts（脚本），按需加载。
frontmattermarkdown 文件顶部两行 --- 之间的元数据块。技能的 frontmatter 常驻做路由。
上下文工程决定"每轮让模型看到什么"的学问。四原则：预算有限、稳定前缀、渐进披露、蒸馏不搬运。
compaction上下文快满时 LLM 生成摘要、以追加条目方式压缩历史，然后无缝续跑。不是停止。
transcript会话的完整历史文件（jsonl 格式，只追加不重写）。
jsonl每行一个 JSON 对象的文本格式，可无限追加，崩溃后遗留行还是排查证据。
记忆分域长期记忆按账号/画像各存一份，禁止全局共享——否则并行会话互相串味。
RAG检索增强生成：query→向量化→召回→塞进上下文。无结构大语料的专项手段。
embedding把文本映射成向量的模型，语义相近则向量相近——"怎么退货"和"退款流程"距离近。
chunk / 分块把长文档切成检索单元。边界应与完整语义单元对齐；块烂全烂。
混合检索向量（语义）+ BM25 关键词（精确）两路召回再融合——生产标配。
rerank重排：先宽召回 top-50 求不漏，再用精排模型选出 top-5 求准。
结构化输出让模型输出能被程序消费的 JSON。五级阶梯的顶端：生成后校验+失败重试。
多智能体拆出独立上下文的子代理：换隔离/并行/专门化，代价是协调成本和误差传播。
提示注入用文本冒充指令攻击 agent。间接注入藏在 agent 读取的网页/文件里。无法根治，只能纵深防御。
fail-closed安全机制自身出错时默认拦截（宁可停摆）。可逆的体验功能才可用 fail-open。
幂等同一操作执行两次和一次效果相同。幂等才可自动重试——"发布"不幂等，先对账。
对账（readback）操作后回平台侧查实际结果，不信任界面表现。四档结论，没核实就标 unverified。
dry-run演练模式：列出将要发生的一切但不执行。不可逆操作的默认态，显式授权才真做。
闸门（guard）不可逆动作前的确定性代码检查，命中即硬拦（如 exit 7），prompt 绕不过。
状态机把长流程拆成有限个明确状态，每时刻只处于一个状态，迁移由事件触发。
文件即协议多进程协作不靠 RPC，靠读写约定的状态文件——任意时刻可读、崩溃后留证据。
钉子文件记录首次决策（如选了哪条传输路径）的小文件，之后永远遵守——防中途换边劈叉。
画像（profile）一个账号的完整人设：定位/风格/受众/平台/红线/记忆六个 markdown。
TURN_REMINDER每轮在消息末尾重申的关键反射——对抗长对话里系统提示注意力衰减。
LLM-as-judge让强模型按 rubric 给输出打分。有偏好偏差，需金标集校准+人工终审分歧。
评测（evals）三层：组件级（脚本断言）/轨迹级（步骤检查点）/结果级（最终产物验收）。

工程与 Web 层

gateway常驻网关进程：agent loop 在它里面跑（Easel 用 OpenClaw，loopback:18789）。
SSEServer-Sent Events：浏览器原生的单向事件流通道，服务端可持续推送，比 WebSocket 简单。
FastAPIPython Web 框架：用装饰器把 URL 路径映射到处理函数。
Playwright程序化控制真浏览器的自动化框架——页面 JS 照常跑、Cookie 照常存。
选择器（selector）CSS/XPath 定位页面元素的表达式。发布脚本最易腐的部分，须单点集中管理。
原子写先写临时文件再 rename——任何时刻读者要么看到旧完整版要么新完整版，绝无半个文件。
markdown纯文本排版格式：# 标题、**加粗**、- 列表。技能和画像全用它——人能读，模型也能读。
symlink软链接：指向另一目录的快捷方式。副本会分叉，链接不会。

补充词条（评审后补齐）

LLMLarge Language Model，大语言模型。
权重（weights）模型内部的可调数值参数，训练学到的"知识"存在这里；推理阶段冻结不变。
对齐（alignment）训练时教模型守规矩、符合人类意图的过程。
RL / 强化学习Reinforcement Learning：靠奖励信号训练模型的方法；推理模型多用它训练。
BPE字节对编码：主流 tokenizer 算法，把文本切成高频子串碎片。
provider模型 API 服务商（Anthropic/OpenAI 等）。
KV cache推理引擎层对重复计算的消除，微秒级提速；prompt cache 是它在计费层的产品化。
tool-search工具太多时先搜后调的延迟加载机制，缓解 schema 常驻成本。
manifestEasel 跨层任务的薄索引文件：每步登记"产物路径 + 一句结论 + 状态"。
RRF倒数排名融合：合并向量与关键词两路检索结果的算法。
HyDE让模型先虚构理想答案、拿虚构答案去检索的查询改写技巧。
JSON modeAPI 层保证输出语法合法 JSON 的受限解码模式；字段正确性仍需校验。
pydanticPython 最常用的数据校验库：用类型声明自动校验 JSON。
laneOpenClaw 的会话队列：每会话一个 lane 并发=1，跨会话并行。
熔断依赖连续失败就暂时跳过：闭合（正常）→打开（走备用）→半开（试探）。
回退链主路径失败切换备用路径；回退只在新会话粒度，会话中途绝不换边。
accessibility 快照浏览器页面的无障碍树摘要——给模型"看"网页的降噪表示。
headless / 有头无头浏览器不显示窗口（省资源、指纹略异）；有头即正常窗口。
SOUL.md / AGENTS.mdOpenClaw 工作区的两个人格/规则常驻文件：SOUL 管人格语气，AGENTS 管行为规则。
课号约定L1–L7＝前置第一部分；A1–A17＝前置第二部分；正课＝L01–L20（两位数）。文件名是历史编号，以侧边目录为准。