Агенты

Модуль wippy/agent предоставляет фреймворк для создания AI-агентов с поддержкой инструментов, потоковой передачи, делегирования, трейтов и памяти. Агенты определяются декларативно и выполняются через паттерн контекст/раннер.

Настройка

Добавьте модуль в проект:

wippy add wippy/agent
wippy install

Модуль агентов требует wippy/llm и хост процессов. Объявите обе зависимости:

version: "1.0"
namespace: app

entries:
  - name: os_env
    kind: env.storage.os

  - name: processes
    kind: process.host
    lifecycle:
      auto_start: true

  - name: dep.llm
    kind: ns.dependency
    component: wippy/llm
    version: "*"
    parameters:
      - name: env_storage
        value: app:os_env
      - name: process_host
        value: app:processes

  - name: dep.agent
    kind: ns.dependency
    component: wippy/agent
    version: "*"
    parameters:
      - name: process_host
        value: app:processes

Определение агентов

Агенты -- это записи реестра с meta.type: agent.gen1:

entries:
  - name: assistant
    kind: registry.entry
    meta:
      type: agent.gen1
      name: assistant
      title: Assistant
      comment: A helpful chat assistant
    prompt: |
      You are a helpful assistant. Be concise and direct.
      Answer questions clearly.      
    model: gpt-4o
    max_tokens: 1024
    temperature: 0.7

Поля агента

Контекст агента

Контекст агента -- это основная точка входа. Создайте контекст, при необходимости настройте его, затем загрузите агента:

imports:
  agent_context: wippy.agent:context

local agent_context = require("agent_context")

local ctx = agent_context.new()
local runner, err = ctx:load_agent("app:assistant")
if err then
    error("Failed to load agent: " .. tostring(err))
end

Методы контекста

Параметры контекста

local ctx = agent_context.new({
    context = { session_id = "abc", user_id = "u1" },
    delegate_tools = { enabled = true },
})

Загрузка по встроенной спецификации

Загрузите агента без записи в реестре:

local runner, err = ctx:load_agent({
    id = "inline-agent",
    name = "helper",
    prompt = "You are a helpful assistant.",
    model = "gpt-4o",
    max_tokens = 1024,
    tools = { "app.tools:search" },
})

Выполнение шагов

Раннер выполняет один шаг рассуждения. Передайте построитель промптов с диалогом:

local prompt = require("prompt")

local conversation = prompt.new()
conversation:add_user("What is the capital of France?")

local response, err = runner:step(conversation)
if err then
    error(tostring(err))
end

print(response.result)

Параметры шага

local response, err = runner:step(conversation, {
    context = { session_id = "abc" },
    stream_target = { reply_to = process.pid(), topic = "stream" },
    tool_call = "auto",
})

Ответ шага

Статистика раннера

local stats = runner:get_stats()
-- stats.id, stats.name, stats.total_tokens

Определение инструментов

Инструменты -- это записи function.lua с meta.type: tool. Определяйте их в отдельном _index.yaml:

version: "1.0"
namespace: app.tools

entries:
  - name: calculate
    kind: function.lua
    meta:
      type: tool
      title: Calculate
      input_schema: |
        {
          "type": "object",
          "properties": {
            "expression": {
              "type": "string",
              "description": "Math expression to evaluate"
            }
          },
          "required": ["expression"],
          "additionalProperties": false
        }        
      llm_alias: calculate
      llm_description: Evaluate a mathematical expression.
    source: file://calculate.lua
    modules: [expr]
    method: handler

local expr = require("expr")

local function handler(args)
    local result, err = expr.eval(args.expression)
    if err then
        return { error = tostring(err) }
    end
    return { result = result }
end

return { handler = handler }

Метаданные инструмента

Ссылки на инструменты в агентах

Перечислите идентификаторы инструментов из реестра в определении агента:

  - name: assistant
    kind: registry.entry
    meta:
      type: agent.gen1
      name: assistant
    prompt: You are a helpful assistant with tools.
    model: gpt-4o
    max_tokens: 1024
    tools:
      - app.tools:calculate
      - app.tools:search
      - app.tools:*          # wildcard: all tools in namespace

На инструменты также можно ссылаться с пользовательскими алиасами и контекстом:

    tools:
      - id: app.tools:search
        alias: web_search
        context:
          api_key: "${SEARCH_API_KEY}"

Выполнение инструментов

Когда шаг агента возвращает tool_calls, выполните их и передайте результаты обратно:

local json = require("json")
local funcs = require("funcs")

local function execute_and_continue(runner, conversation)
    while true do
        local response, err = runner:step(conversation)
        if err then return nil, err end

        local tool_calls = response.tool_calls
        if not tool_calls or #tool_calls == 0 then
            return response.result, nil
        end

        for _, tc in ipairs(tool_calls) do
            local result, call_err = funcs.call(tc.registry_id, tc.arguments)
            local result_str
            if call_err then
                result_str = json.encode({ error = tostring(call_err) })
            else
                result_str = json.encode(result)
            end

            conversation:add_function_call(tc.name, tc.arguments, tc.id)
            conversation:add_function_result(tc.name, result_str, tc.id)
        end
    end
end

Поля вызова инструмента

Потоковая передача

Передавайте ответы агента в реальном времени, используя stream_target:

local TOPIC = "agent_stream"

local function stream_step(runner, conversation)
    local stream_ch = process.listen(TOPIC)

    local done_ch = channel.new(1)
    coroutine.spawn(function()
        local response, err = runner:step(conversation, {
            stream_target = {
                reply_to = process.pid(),
                topic = TOPIC,
            },
        })
        done_ch:send({ response = response, err = err })
    end)

    local full_text = ""
    while true do
        local result = channel.select({
            stream_ch:case_receive(),
            done_ch:case_receive(),
        })
        if not result.ok then break end

        if result.channel == done_ch then
            process.unlisten(stream_ch)
            local r = result.value
            return full_text, r.response, r.err
        end

        local chunk = result.value
        if chunk.type == "chunk" then
            io.write(chunk.content or "")
            full_text = full_text .. (chunk.content or "")
        elseif chunk.type == "done" then
            -- wait for the step to complete
            local r, ok = done_ch:receive()
            process.unlisten(stream_ch)
            if ok and r then
                return full_text, r.response, r.err
            end
            return full_text, nil, nil
        end
    end

    process.unlisten(stream_ch)
    return full_text, nil, nil
end

Поток использует те же типы чанков, что и прямая потоковая передача LLM: "chunk", "thinking", "tool_call", "error", "done".

Делегаты

Агенты могут делегировать задачи другим агентам. Делегаты отображаются как инструменты для родительского агента:

  - name: coordinator
    kind: registry.entry
    meta:
      type: agent.gen1
      name: coordinator
    prompt: Route questions to the right specialist.
    model: gpt-4o
    max_tokens: 1024
    delegates:
      - id: app:code_agent
        name: ask_coder
        rule: for programming questions
      - id: app:math_agent
        name: ask_mathematician
        rule: for math problems

Вызовы делегатов появляются в response.delegate_calls:

local response = runner:step(conversation)

if response.delegate_calls then
    for _, dc in ipairs(response.delegate_calls) do
        -- dc.agent_id - target agent registry ID
        -- dc.name - delegate tool name
        -- dc.arguments - forwarded message
    end
end

Делегатов также можно добавлять во время выполнения:

ctx:add_delegates({
    { id = "app:specialist", name = "ask_specialist", rule = "for domain questions" },
})

Трейты

Трейты -- это переиспользуемые возможности, которые добавляют промпты, инструменты и поведение агентам:

  - name: assistant
    kind: registry.entry
    meta:
      type: agent.gen1
      name: assistant
    prompt: You are a helpful assistant.
    model: gpt-4o
    traits:
      - time_aware
      - id: custom_trait
        context:
          key: value

Встроенные трейты

Трейт time_aware принимает параметры контекста:

    traits:
      - id: time_aware
        context:
          timezone: America/New_York
          time_interval: 15

Пользовательские трейты

Трейты -- это записи реестра с meta.type: agent.trait. Они могут предоставлять:

• prompt -- статический текст, добавляемый к системному промпту
• build_func_id -- функция, вызываемая при компиляции для добавления инструментов, промптов, делегатов
• prompt_func_id -- функция, вызываемая на каждом шаге для внедрения динамического контента
• step_func_id -- функция, вызываемая на каждом шаге для побочных эффектов

Память

Статическая память

Простые элементы памяти, добавляемые к системному промпту:

  - name: assistant
    kind: registry.entry
    meta:
      type: agent.gen1
      name: assistant
    prompt: You are a helpful assistant.
    model: gpt-4o
    memory:
      - "User prefers concise answers"
      - "Always cite sources when possible"

Динамический контракт памяти

Настройка динамического извлечения памяти из внешнего источника:

    memory_contract:
      implementation_id: app:memory_store
      context:
        user_id: "${user_id}"
      options:
        max_items: 5
        max_length: 2000
        recall_cooldown: 2
        min_conversation_length: 3

Контракт памяти вызывается во время runner:step() для извлечения релевантных элементов на основе контекста диалога. Результаты внедряются как сообщения разработчика.

Контракт резолвера

Когда load_agent() получает строковый идентификатор, сначала выполняется попытка разрешить его через контракт wippy.agent:resolver. Если резолвер не привязан или возвращает nil, используется поиск в реестре.

Это позволяет приложениям реализовать пользовательское разрешение агентов, например загрузку определений агентов из базы данных.

Привязка резолвера

Определите функцию резолвера и привяжите её к контракту:

entries:
  - name: agent_resolver.resolve
    kind: function.lua
    source: file://agent_resolver.lua
    method: resolve
    modules:
      - logger
    imports:
      agent_registry: wippy.agent.discovery:registry

  - name: agent_resolver_binding
    kind: contract.binding
    contracts:
      - contract: wippy.agent:resolver
        default: true
        methods:
          resolve: app:agent_resolver.resolve

Реализация резолвера

Резолвер получает { agent_id = "..." } и возвращает таблицу спецификации агента или nil:

local agent_registry = require("agent_registry")

local CUSTOM_PREFIX = "custom:"

function resolve(args)
    local agent_id = args.agent_id
    if not agent_id then
        return nil, "agent_id is required"
    end

    if agent_id:sub(1, #CUSTOM_PREFIX) == CUSTOM_PREFIX then
        local id = agent_id:sub(#CUSTOM_PREFIX + 1)

        -- load from database, config file, or any other source
        return {
            id = agent_id,
            name = "custom-agent",
            prompt = "You are a custom agent.",
            model = "class:balanced",
            max_tokens = 1024,
            tools = {},
        }
    end

    -- fall back to registry
    local spec, err = agent_registry.get_by_id(agent_id)
    if not spec then
        spec, err = agent_registry.get_by_name(agent_id)
    end
    return spec, err
end

return {
    resolve = resolve,
}

Порядок разрешения

1. Попытка через контракт wippy.agent:resolver (если привязан)
2. Поиск в реестре по ID
3. Поиск в реестре по имени
4. Возврат ошибки, если не найден

Этот паттерн позволяет создавать мультитенантные приложения, где агенты настраиваются для каждого пользователя или рабочего пространства и хранятся за пределами реестра фреймворка.

Смотрите также

• LLM - Базовый модуль LLM
• Создание LLM-агента - Пошаговое руководство
• Обзор фреймворка - Использование модулей фреймворка