diff --git a/research/hyphae-agents/GITHUB_TOP20.md b/research/hyphae-agents/GITHUB_TOP20.md new file mode 100644 index 0000000..c9e35a6 --- /dev/null +++ b/research/hyphae-agents/GITHUB_TOP20.md @@ -0,0 +1,227 @@ +# GITHUB_TOP20.md — GitHub Agent 框架 Top 20+ 调研与打分 + +> 数据时间：2026-06-23（gh CLI 实时搜索） +> 打分标准：见 [REQUIREMENTS.md](./REQUIREMENTS.md)（MOD/EVO/MEM/KB/LOCAL/SMB/OSS 七维加权） +> 说明：star 数为 2026-06 快照。本表按"对 Hyphae 适配度"分 5 组，而非单纯按 star 排名。 + +--- + +## 1. 总览：5 组分类 + +``` +┌─────────────────────────────────────────────────────────────────┐ +│ Group A — 本地优先 / 隐私 / 自托管（Hyphae 最贴合） │ +│ AnythingLLM · Cherry Studio · LocalAGI · ARGO · OwnPilot · │ +│ Open WebUI · local-operator │ +├─────────────────────────────────────────────────────────────────┤ +│ Group B — 记忆系统（Hyphae MEM 层候选） │ +│ mem0 · Letta(MemGPT) · hindsight · memU · A-mem │ +├─────────────────────────────────────────────────────────────────┤ +│ Group C — 自我演进（Hyphae EVO 层候选） │ +│ GenericAgent · AgentEvolver · Agent0 · EvoAgentX │ +├─────────────────────────────────────────────────────────────────┤ +│ Group D — 通用 Agent 编排框架（Hyphae 内核候选） │ +│ AgentScope · Qwen-Agent · smolagents · CrewAI · LangGraph · │ +│ pydantic-ai · MetaGPT · CAMEL · microsoft/agent-framework │ +├─────────────────────────────────────────────────────────────────┤ +│ Group E — RAG / 知识 / 工作流平台（Hyphae KB / 工作流候选） │ +│ Dify · Flowise · txtai · langflow · ruoyi-ai(中) · n8n │ +└─────────────────────────────────────────────────────────────────┘ +``` + +--- + +## 2. Group A — 本地优先 / 隐私 / 自托管 ⭐ 最贴合 + +| 框架 | Stars | 语言 | License | 一句话 | +|:---|:---:|:---|:---|:---| +| **AnythingLLM** | 62.0K | JS | MIT-ish | Local-first 全功能 agent + RAG + 向量库 + 多模态 | +| **Open WebUI** | 142.7K | JS | BSD-ish | Ollama 的事实标准 UI，插件 + RAG + 多模型 | +| **Cherry Studio** | 47.7K | TS | 自定义 | 桌面 AI 工作室，300+ 助手 + MCP + agent + 本地模型 | +| **LocalAGI** (mudler) | 1.8K | Go | MIT | 自托管 AI Agent 平台，最大隐私，drop-in 替代 OpenAI | +| **ARGO** (xark-argo) | 793 | Python | 自定义 | "Local Manus" 到桌面，一键下模型 + LangGraph + DeepSeek | +| **OwnPilot** | 420 | TS | MIT | 隐私优先个人 AI，自主 agent + 工具编排 + 多 provider | +| **local-operator** | 206 | Python | 开源 | 本地 agent 工作区，后台干活的个人助理团队 | + +### 打分 + +| 框架 | MOD | EVO | MEM | KB | LOCAL | SMB | OSS | 加权 | +|:---|:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:| +| **AnythingLLM** | 4 | 2 | 3 | **5** | **5** | **5** | 4 | **4.05** ⭐ | +| **Cherry Studio** | 4 | 2 | 3 | 4 | **5** | **5** | 3 | **3.85** | +| **ARGO** | 4 | 3 | 3 | 4 | **5** | 4 | 3 | **3.85** ⭐ | +| **LocalAGI** | 4 | 2 | 3 | 3 | **5** | 3 | **5** | **3.70** | +| **Open WebUI** | 3 | 1 | 2 | 4 | **5** | **5** | 4 | **3.45** | +| **OwnPilot** | 4 | 2 | 3 | 3 | 4 | 3 | **5** | **3.45** | +| **local-operator** | 3 | 2 | 3 | 3 | 4 | 3 | 4 | **3.20** | + +**点评**： +- **AnythingLLM** — RAG + 本地 + 一键部署最均衡，中小组织开箱即用首选 +- **ARGO** — "Local Manus" 定位，desktop + langgraph + 一键下模型，最接近"小组织 AI 大脑"形态 +- **Cherry Studio** — 桌面体验最好、中文社区强，但 license 偏限制、偏"工具箱"非"框架" +- **LocalAGI** — Go 写、隐私最强、drop-in 替代，适合做底层 runtime + +--- + +## 3. Group B — 记忆系统 ⭐ Hyphae MEM 层 + +| 框架 | Stars | 语言 | 一句话 | +|:---|:---:|:---|:---| +| **mem0** | 59.2K | Python | 通用记忆层，AI Agent 的"universal memory"，可全本地 | +| **Letta (MemGPT)** | 23.5K | Python | 有状态 agent 平台，高级记忆 + 自学习自改进 | +| **hindsight** (vectorize) | 17.0K | Python | "会学习的 agent 记忆" | +| **memU** (NevaMind) | 13.9K | Python | "从工作区到 agent 记忆" | +| **A-mem** (agiresearch) | 1.1K | Python | NeurIPS'25 论文，agentic memory | + +### 打分（只评 MEM 相关维度 + LOCAL/OSS） + +| 框架 | MEM | EVO | LOCAL | OSS | 备注 | +|:---|:---:|:---:|:---:|:---:|:---| +| **Letta** | **5** | 4 | 4 | **5** | 分层记忆 + 自我改进，Apache 2.0 ⭐ | +| **mem0** | **5** | 3 | 4 | 4 | 最流行，可本地（Qdrant + Ollama）⭐ | +| **hindsight** | 4 | 4 | 3 | 4 | 强调"学习型"记忆 | +| **memU** | 4 | 3 | 3 | 4 | 较新 | +| **A-mem** | 4 | 4 | 3 | 4 | 学术，参考价值 | + +**点评**： +- **Letta（前 MemGPT）** — Hyphae MEM 层首选。分层记忆 + 自我改进 + Apache 2.0 + 可接本地模型，与"自我演进"诉求重叠 +- **mem0** — 最流行、生态好、可全本地（Qdrant + Ollama），作为轻量替代 + +--- + +## 4. Group C — 自我演进 ⭐ Hyphae EVO 层 + +| 框架 | Stars | 一句话 | +|:---|:---:|:---| +| **GenericAgent** (lsdefine) | 13.0K | 自我演进 agent：从 3.3K 行种子长出技能树，6x 更省 token，含 memory-system | +| **AgentEvolver** (modelscope) | 1.5K | 阿里达摩，高效自我演进 agent 系统 | +| **Agent0** (aiming-lab) | 1.2K | ICML'26，从零数据自我演进 | +| **EvoAgentX / 各 survey** | 0.3-2.3K | 自我演进综述 + 资源库 | + +### 打分 + +| 框架 | EVO | MOD | MEM | LOCAL | OSS | 备注 | +|:---|:---:|:---:|:---:|:---:|:---:|:---| +| **GenericAgent** | **5** | 4 | 4 | 4 | **5** | 技能树生长 + 计算机控制 + 记忆系统，MIT ⭐ | +| **AgentEvolver** | 4 | 3 | 3 | 3 | 4 | 阿里出品，工程化好 | +| **Agent0** | 4 | 2 | 3 | 3 | 4 | 偏研究 | + +**点评**： +- **GenericAgent** — "从种子长技能树"正是用户说的"自我演进"。**Hyphae 不一定直接用，但其设计模式（skill tree growth + 经验回写）应被 Hyphae EVO 层借鉴** +- 自我演进整体仍偏研究阶段，生产采用需谨慎 + +--- + +## 5. Group D — 通用 Agent 编排框架 ⭐ Hyphae 内核候选 + +| 框架 | Stars | 语言 | 一句话 | +|:---|:---:|:---|:---| +| **MetaGPT** | 69.0K | Python | 多 agent 软件公司，自然语言编程 | +| **CrewAI** | 54.2K | Python | 角色扮演多 agent 编排 | +| **LangGraph** | 35.5K | Python | 构建有韧性的 agent（状态图）| +| **AgentScope** | 27.1K | Python | 阿里，可见可信的 agent + 完整 runtime/studio 生态 | +| **smolagents** | 28.0K | Python | HuggingFace，极简 code-thinking agent | +| **pydantic-ai** | 17.9K | Python | Pydantic 式类型安全 agent | +| **Qwen-Agent** | 16.6K | Python | 基于 Qwen，Function Calling + MCP + Code Interpreter + RAG | +| **CAMEL** | 17.2K | Python | 多 agent，研究 scaling law | +| **microsoft/agent-framework** | 11.6K | Python | 微软，编排 + 部署 | + +### 打分 + +| 框架 | MOD | EVO | MEM | KB | LOCAL | SMB | OSS | 加权 | +|:---|:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:| +| **Qwen-Agent** | **5** | 2 | 3 | 4 | **5** | 3 | 4 | **3.95** ⭐ | +| **AgentScope** | **5** | 3 | 3 | 3 | 4 | 3 | 4 | **3.75** ⭐ | +| **smolagents** | 4 | 2 | 2 | 3 | 4 | 3 | **5** | **3.40** | +| **LangGraph** | **5** | 2 | 3 | 3 | 4 | 2 | 4 | **3.55** | +| **CrewAI** | 4 | 2 | 3 | 3 | 3 | 3 | 4 | **3.20** | +| **pydantic-ai** | 4 | 1 | 2 | 2 | 4 | 2 | 4 | **2.95** | +| **MetaGPT** | 4 | 2 | 2 | 2 | 3 | 2 | 4 | **2.85** | + +**点评**： +- **Qwen-Agent** — Hyphae 内核首选候选。原生 Qwen（Hyphae 主力模型）+ MCP + RAG + Code Interpreter + 本地友好，与 Hyphae 技术栈天然对齐 ⭐ +- **AgentScope** — 阿里出品，生态最完整（runtime + studio + samples），可视化好，企业级 ⭐ +- **smolagents** — 极简优雅，适合做轻量内核，但功能需自己补 +- **LangGraph** — 状态图强大但偏底层，SMB 友好度低 + +--- + +## 6. Group E — RAG / 知识 / 工作流平台 + +| 框架 | Stars | 一句话 | +|:---|:---:|:---| +| **langflow** | 150.0K | 可视化构建 AI 工作流 | +| **Dify** | 146.2K | 生产级 agentic workflow 平台 | +| **Flowise** | 53.9K | 可视化构建 AI agents | +| **txtai** | 12.7K | 一体化语义搜索 + LLM 编排 + 工作流 | +| **ruoyi-ai** (中) | 5.4K | 中文企业级 AI 应用框架，知识库 + 多模型接入 | +| **n8n** | (大) | 通用工作流自动化（可接 Ollama）| + +### 打分 + +| 框架 | MOD | KB | LOCAL | SMB | OSS | 加权 | 备注 | +|:---|:---:|:---:|:---:|:---:|:---:|:---:|:---| +| **Dify** | **5** | **5** | 4 | 4 | 4 | **4.4** | 工作流 + RAG + agent 一体，本地可部署 ⭐ | +| **txtai** | 4 | **5** | **5** | 3 | **5** | **4.3** | 全本地语义搜索 + 编排，轻量 ⭐ | +| **Flowise** | **5** | 4 | 4 | 4 | 4 | **4.1** | 可视化 agent，低代码 | +| **ruoyi-ai** | 4 | **5** | 4 | 4 | 4 | **4.2** | 中文企业 + 知识库，本土友好 ⭐ | +| **langflow** | **5** | 4 | 3 | 4 | 4 | **3.9** | 可视化强但偏重 | + +**点评**： +- **Dify** — 工作流 + RAG + agent 全包，中小组织"无代码搭 AI 应用"最强，可本地部署 ⭐ +- **txtai** — 最轻量的全本地知识 + 编排，适合嵌入 Hyphae 做 KB 层 +- **ruoyi-ai** — 中文企业级，知识库强，本土生态友好，值得作为参考/起点 + +--- + +## 7. Hyphae 适配度 Top 12 总排名（跨组加权） + +| 排名 | 框架 | 组 | 加权 | 在 Hyphae 中的角色 | +|:---:|:---|:---:|:---:|:---| +| 1 | **AnythingLLM** | A | 4.05 | 一体化壳 + RAG（开箱即用基线）| +| 2 | **Qwen-Agent** | D | 3.95 | Agent 编排内核（Qwen 对齐）| +| 3 | **Cherry Studio** | A | 3.85 | 桌面 UX 壳（终端用户触点）| +| 3 | **ARGO** | A | 3.85 | "Local Manus" 桌面形态参考 | +| 5 | **AgentScope** | D | 3.75 | 企业级编排内核（备选）| +| 6 | **LocalAGI** | A | 3.70 | 隐私 runtime 底层 | +| 7 | **Dify** | E | 4.4* | 工作流 + RAG（*仅 E 组维度）| +| 8 | **Letta** | B | 5.0* | 记忆层（*仅 MEM 维度）| +| 9 | **mem0** | B | 5.0* | 记忆层轻量替代 | +| 10 | **GenericAgent** | C | 5.0* | 自我演进模式借鉴 | +| 11 | **txtai** | E | 4.3* | 知识层轻量嵌入 | +| 12 | **ruoyi-ai** | E | 4.2* | 中文企业起点参考 | + +> 注：带 * 的是单维度满分（记忆/演进/知识专精），不能与全维度加权直接比较。 + +--- + +## 8. 关键发现 + +1. **没有单一框架满足全部 5 条要求** —— 必须分层组合 +2. **本地优先框架（Group A）SMB 友好但编排弱**；**编排框架（Group D）灵活但需技术** +3. **记忆 + 自我演进是分离的专精领域** —— Letta/mem0（记忆）+ GenericAgent（演进） +4. **Qwen-Agent 与 Hyphae 技术栈天然对齐**（都用 Qwen + 本地 + MCP） +5. **中文生态有专门玩家**（Cherry Studio / AgentScope / ruoyi-ai / Qwen-Agent）——本土化优势 +6. **自我演进仍偏研究**，生产采用需谨慎，建议借鉴模式而非直接依赖 + +→ 完整组合方案见 [SYNTHESIS_RECOMMENDATION.md](./SYNTHESIS_RECOMMENDATION.md)。 + +--- + +## 参考（GitHub 仓库） + +- AnythingLLM: github.com/Mintplex-Labs/anything-llm +- Cherry Studio: github.com/CherryHQ/cherry-studio +- LocalAGI: github.com/mudler/LocalAGI +- ARGO: github.com/xark-argo/argo +- OwnPilot: github.com/ownpilot/OwnPilot +- Open WebUI: github.com/open-webui/open-webui +- mem0: github.com/mem0ai/mem0 +- Letta: github.com/letta-ai/letta +- GenericAgent: github.com/lsdefine/GenericAgent +- AgentScope: github.com/agentscope-ai/agentscope +- Qwen-Agent: github.com/QwenLM/Qwen-Agent +- smolagents: github.com/huggingface/smolagents +- Dify: github.com/langgenius/dify +- txtai: github.com/neuml/txtai +- ruoyi-ai: github.com/ageerle/ruoyi-ai diff --git a/research/hyphae-agents/MEMORY_KNOWLEDGE_LOCALMODEL.md b/research/hyphae-agents/MEMORY_KNOWLEDGE_LOCALMODEL.md new file mode 100644 index 0000000..027806f --- /dev/null +++ b/research/hyphae-agents/MEMORY_KNOWLEDGE_LOCALMODEL.md @@ -0,0 +1,185 @@ +# MEMORY_KNOWLEDGE_LOCALMODEL.md — 记忆 / 知识库 / 本地小模型子系统 + +> 目的：拆开 Hyphae Agent 的三个关键子系统（记忆、知识库、本地模型 runtime），各自有成熟方案，单独评估后供组合。 +> 这三层是用户 5 条要求里最"硬"的技术约束。 + +--- + +## 1. 子系统 1 — 本地小模型 Runtime（LOCAL 层） + +### 1.1 主流本地推理引擎 + +| 引擎 | 平台 | 特点 | Mac 适配 | Hyphae 用 | +|:---|:---|:---|:---:|:---:| +| **Ollama** | 全平台 | 最流行，一行拉模型，OpenAI 兼容 API | ✅ Metal 加速 | ⭐⭐⭐⭐⭐ | +| **LM Studio** | 全平台 | GUI 友好，非技术可用 | ✅ MLX 后端 | ⭐⭐⭐⭐ | +| **MLX / mlx-lm** | Mac 专属 | Apple 官方，M 芯片原生最快 | ✅✅ 原生最优 | ⭐⭐⭐⭐⭐ | +| **llama.cpp** | 全平台 | 底层 GGUF，最灵活 | ✅ Metal | ⭐⭐⭐ | +| **vLLM** | Linux/GPU | 高吞吐，生产级 | ⚠️ Mac 弱 | 服务器端 | + +> ⭐ Hyphae Mac 场景：**Ollama（默认易用）+ MLX（追求极致速度）双轨** + +### 1.2 Mac 内存 → 可跑模型对照 + +| Mac 配置 | 可跑模型（Q4 量化） | 实用场景 | +|:---|:---|:---| +| **32GB** | 7B-14B（Qwen 2.5 14B / DeepSeek 蒸馏 14B）| 单任务 agent + RAG | +| **64GB** | 14B-32B（Qwen 2.5 32B / QwQ-32B）| 复杂 agent + 多任务 | +| **128GB** | 32B-70B（Qwen 2.5 72B Q4 / Llama 70B Q4）| 接近商业大模型体验 | +| **Mac Studio M4 Max 128GB** | 70B 流畅 + 多模型并存 | ⭐ 小组织 AI 大脑标配 | + +### 1.3 小模型选型（2026 本地首选） + +| 模型 | 规模 | 强项 | 中文 | +|:---|:---:|:---|:---:| +| **Qwen 2.5 / 3** 系列 | 7B/14B/32B/72B | 综合 + 中文 + Function Call | ⭐⭐⭐⭐⭐ | +| **DeepSeek V3 蒸馏版** | 7B-32B | 推理强 | ⭐⭐⭐⭐ | +| **QwQ-32B** | 32B | 推理专精 | ⭐⭐⭐⭐ | +| **GLM-4 系列** | 9B-32B | 综合 | ⭐⭐⭐⭐ | +| **Llama 3.x** | 8B-70B | 英文 + 生态 | ⭐⭐⭐ | + +> ⭐ Hyphae 本地默认：**Qwen 系列**（中文 + Function Calling + 与 Qwen-Agent 对齐） + +### 1.4 小红书印证（见 XHS_DIGEST） + +中文用户本地部署热点高度集中在： +- **DeepSeek**（R1/V3 蒸馏）+ **Qwen / QwQ-32B** +- 工具：**Ollama + LM Studio + Cherry Studio** +- 硬件焦虑明显（"检测电脑能跑哪些模型"是高赞内容） + +--- + +## 2. 子系统 2 — 记忆系统（MEM 层） + +### 2.1 记忆的四种类型 + +``` +┌──────────────────────────────────────────────────────┐ +│ 工作记忆 (Working) — 当前对话 context window │ +│ 情景记忆 (Episodic) — "上次客户决定参加集市了" │ +│ 语义记忆 (Semantic) — "这家店的客户都是年轻妈妈" │ +│ 程序记忆 (Procedural) — "做海报的标准流程" │ +└──────────────────────────────────────────────────────┘ +``` + +### 2.2 主流记忆框架 + +| 框架 | Stars | 记忆类型 | 本地 | License | 一句话 | +|:---|:---:|:---|:---:|:---|:---| +| **Letta (MemGPT)** | 23.5K | 分层（核心 + 归档）| ✅ | Apache 2.0 | 有状态 agent，自我改进 ⭐ | +| **mem0** | 59.2K | 向量 + 图 | ✅ | 开源 | 通用记忆层，最流行 ⭐ | +| **Zep** | (大) | 时序知识图谱 | ✅ | 开源 | 时间感知记忆 | +| **hindsight** | 17.0K | 学习型 | ⚠️ | 开源 | "会学习的记忆" | +| **A-mem** | 1.1K | agentic | ✅ | 开源 | 学术，NeurIPS'25 | + +### 2.3 Hyphae 记忆层建议 + +``` +首选：Letta (MemGPT) + ─ 分层记忆 + 自我改进（覆盖 MEM + EVO 两个维度） + ─ Apache 2.0 + 可接 Ollama 本地模型 + ─ 与"自我演进"诉求重叠，一箭双雕 + +轻量替代：mem0 + ─ Qdrant（本地向量库）+ Ollama + ─ 生态最好，集成简单 +``` + +### 2.4 关键设计：客户记忆永远本地 + +> Hyphae 红线：记忆库（含客户决策历史、经营数据）**永远存在客户机房**，绝不上云。 +> Letta / mem0 的后端向量库（Qdrant / Chroma）部署在客户本地服务器。 + +--- + +## 3. 子系统 3 — 知识库 / RAG（KB 层） + +### 3.1 RAG 技术栈分层 + +``` +┌──────────────────────────────────────────────────────┐ +│ 文档处理：PDF/Word/Excel → 切块 (chunking) │ +│ ─ 工具：unstructured / Marker / LlamaParse │ +├──────────────────────────────────────────────────────┤ +│ Embedding：文本 → 向量 │ +│ ─ 本地模型：bge-m3 / multilingual-e5 / Qwen3-Embed │ +├──────────────────────────────────────────────────────┤ +│ 向量库：存储 + 检索 │ +│ ─ 本地：Chroma / Qdrant / Milvus / pgvector / LanceDB│ +├──────────────────────────────────────────────────────┤ +│ Reranker：检索结果重排 │ +│ ─ 本地：bge-reranker / Qwen3-Reranker │ +├──────────────────────────────────────────────────────┤ +│ 生成：检索内容 + query → LLM 回答 │ +└──────────────────────────────────────────────────────┘ +``` + +### 3.2 一体化 RAG 方案 + +| 方案 | 类型 | 本地 | 中小组织友好 | Hyphae 用 | +|:---|:---|:---:|:---:|:---:| +| **AnythingLLM** | 一体化壳 | ✅ | ⭐⭐⭐⭐⭐ | 开箱即用 ⭐ | +| **txtai** | 嵌入式库 | ✅ | ⭐⭐⭐ | 轻量内嵌 ⭐ | +| **Dify (知识库模块)** | 平台 | ✅ | ⭐⭐⭐⭐ | 工作流 + RAG | +| **RAGFlow** | 专精 RAG | ✅ | ⭐⭐⭐ | 深度文档理解 | +| **LlamaIndex** | 框架 | ✅ | ⭐⭐ | 自定义 RAG | +| **ruoyi-ai (知识库)** | 中文企业 | ✅ | ⭐⭐⭐⭐ | 本土起点 | + +### 3.3 Hyphae 知识库层建议 + +``` +中小组织开箱：AnythingLLM + ─ 上传文档即用，向量库内置，WebUI 友好 + +深度定制：txtai 或 LlamaIndex + 本地向量库 + ─ 嵌入 Hyphae agent 内核，灵活控制 + +中文文档密集场景：RAGFlow（深度文档理解，表格/版式强） +``` + +### 3.4 RAG vs 记忆 vs 微调（三者分工，呼应 hyphae-training） + +| 需求 | 用什么 | +|:---|:---| +| "我们公司的文档/合同/规范" | **RAG（知识库）** | +| "这个客户/这家店的历史决策" | **记忆（Letta/mem0）** | +| "思考框架/行业判断范式/说话风格" | **LoRA 微调**（见 hyphae-training）| +| "实时数据（天气/库存/新闻）" | **Agent + Tool** | + +> ⭐ 四者缺一不可，且**不能混用**：把文档训进 LoRA、把决策范式塞进 RAG，都是反模式。 + +--- + +## 4. 三子系统组合架构（Hyphae 技术栈雏形） + +``` +┌──────────────────────────────────────────────────────────────┐ +│ 终端用户（组织成员） │ +│ 浏览器 / 钉钉 / 飞书 / 桌面客户端 │ +├──────────────────────────────────────────────────────────────┤ +│ UX 壳：Cherry Studio / ARGO / AnythingLLM │ +├──────────────────────────────────────────────────────────────┤ +│ Agent 编排内核：Qwen-Agent / AgentScope │ +│ ─ 模块化工具 + MCP + 子 agent + SOP 编排 │ +├──────────────────────────────────────────────────────────────┤ +│ 记忆层 (MEM) │ 知识层 (KB) │ 演进层 (EVO) │ +│ Letta / mem0 │ AnythingLLM/txtai │ GenericAgent 模式 │ +│ （客户本地） │ （客户本地） │ （技能树+经验回写） │ +├──────────────────────────────────────────────────────────────┤ +│ 模型 runtime：Ollama / MLX │ +│ ─ Qwen 2.5/3 + 行业 LoRA + 客户 LoRA（见 hyphae-training） │ +├──────────────────────────────────────────────────────────────┤ +│ 硬件：Mac Studio 32/64/128GB（小组织 AI 大脑） │ +└──────────────────────────────────────────────────────────────┘ +``` + +--- + +## 5. 一句话 + +> **三子系统各有成熟开源方案**： +> - **本地模型** = Ollama / MLX + Qwen 系列（Mac 32-128GB） +> - **记忆** = Letta（兼顾自我演进）/ mem0（轻量） +> - **知识库** = AnythingLLM（开箱）/ txtai（嵌入） +> +> **三者全部可本地部署、数据不出门，且与 Hyphae 的 Qwen + LoRA 技术栈天然对齐。** diff --git a/research/hyphae-agents/README.md b/research/hyphae-agents/README.md new file mode 100644 index 0000000..f2edda0 --- /dev/null +++ b/research/hyphae-agents/README.md @@ -0,0 +1,120 @@ +# Hyphae Agents — Agent 框架选型调研 + +> **触发**：用户 2026-06-23 —— 在 Hyphae（中小组织专属智能菌丝）业务前提下，调研 GitHub + 小红书的 Agent 框架，找出最适配方案。 +> **要求**：能自定义/模块化 + 自我演进 + 自有记忆和知识库 + 用本地小模型 + 适配 Mac 32-128GB 小组织硬件。 +> **状态**：v0.1 完整调研（2026-06-23） +> **维护**：Brood orchestrator +> **关联**：[research/hyphae](../hyphae)（主项目）+ [research/hyphae-training](../hyphae-training)（训练栈） + +--- + +## 0. 一句话结论 + +> **不要找"一个框架"，要搭"一套分层组合"**： +> **Ollama/MLX（模型）+ Qwen-Agent（编排）+ Letta/mem0（记忆）+ AnythingLLM/txtai（知识库）+ GenericAgent 模式（自我演进）+ Cherry Studio/ARGO（桌面壳）**，叠加 Hyphae 行业 LoRA + 决策框架 + HyperCapital 部署服务。 +> +> 用户的 5 条要求没有任何单一框架能全满足——每条都有专精的成熟开源方案，组合才是最优解。 + +--- + +## 1. 文档索引（建议阅读顺序） + +| # | 文档 | 内容 | 阅读对象 | +|:---:|:---|:---|:---| +| 1 | [README.md](./README.md) | 本文件 | 所有人 | +| 2 | [REQUIREMENTS.md](./REQUIREMENTS.md) | 5 条要求形式化为 7 维评分 rubric | 决策者 | +| 3 | [GITHUB_TOP20.md](./GITHUB_TOP20.md) | GitHub Agent 框架 Top 20+ 分 5 组打分 | 工程师 | +| 4 | [XHS_DIGEST.md](./XHS_DIGEST.md) | 小红书调研——中文用户真实需求信号 | 产品 / 运营 | +| 5 | [MEMORY_KNOWLEDGE_LOCALMODEL.md](./MEMORY_KNOWLEDGE_LOCALMODEL.md) | 记忆/知识库/本地模型三子系统详评 | 工程师 | +| 6 | [SYNTHESIS_RECOMMENDATION.md](./SYNTHESIS_RECOMMENDATION.md) ⭐ | **最终答案：分层组合 + 三种落地形态 + 路线** | **决策者必读** | + +--- + +## 2. 调研方法 + +| 数据源 | 工具 | 覆盖 | +|:---|:---|:---| +| **GitHub** | gh CLI（agent-reach 底层）| 30+ 框架实时 star/lang/license/topics | +| **小红书** | xhs CLI（agent-reach 底层）| 6 个关键词 × 高赞内容 | +| **Web** | WebSearch / WebFetch | 补充技术细节 | + +> agent-reach v1.5.0 状态：13 平台 11 可用（GitHub + 小红书 + X + Reddit + B站 + YouTube + ... 全绿；仅 LinkedIn / Exa 未配）。 + +--- + +## 3. 核心结论速览 + +### 3.1 推荐技术栈（分层） + +``` +L5 UX 壳 Cherry Studio / ARGO / AnythingLLM +L4 编排 Qwen-Agent（首选）/ AgentScope +L3 记忆 Letta / mem0 +L3 知识库 AnythingLLM / txtai / RAGFlow +L3 演进 GenericAgent 模式（借鉴） +L2 模型 Qwen 2.5/3 + 行业 LoRA + 客户 LoRA +L1 runtime Ollama / MLX +L0 硬件 Mac Studio 32/64/128GB +``` + +### 3.2 三种落地形态 + +| 形态 | 组合 | 客户占比 | HyperCapital 包 | +|:---:|:---|:---:|:---| +| **A 开箱** | AnythingLLM + Ollama + Qwen 14B | 60% | 包 A | +| **B 标准** ⭐ | + Qwen-Agent + Letta + Cherry Studio | 30% | 包 A2/B | +| **C 进阶** | + 自我演进 + 客户 LoRA + 多 agent | 10% | 包 C | + +### 3.3 买 vs 拼 vs 造 + +> **拼**（分层组合）✅ 推荐 —— 不买单体（被局限）、不从零造（浪费 12 月）。 +> Hyphae 工程重点 = 黏合层 + 行业 LoRA + 决策框架 + 部署服务，**不是重写 agent 框架**。 + +--- + +## 4. 关键发现 + +1. **没有单一框架满足全部 5 条** → 必须分层组合 +2. **本地小模型一票否决** → 砍掉一半"只能调 GPT"的框架 +3. **Qwen 生态是天然主场**（模型 Qwen + 编排 Qwen-Agent + 可视化 AgentScope 同源） +4. **Letta 一箭双雕**（记忆 + 自我改进） +5. **小红书印证**：知识库/记忆是中文第一刚需（个人级已爆，**组织级空白 = Hyphae 无人区**） +6. **"数字同事"叙事已破圈** → Hyphae 营销语言现成 +7. **真护城河不在框架**（都开源）→ 在黏合层 + 行业 LoRA + HyperCapital 服务 + 组织级卡位 + +--- + +## 5. Top 12 框架适配排名 + +| # | 框架 | 角色 | Stars | +|:---:|:---|:---|:---:| +| 1 | AnythingLLM | 一体化壳 + RAG | 62.0K | +| 2 | Qwen-Agent | 编排内核 | 16.6K | +| 3 | Cherry Studio | 桌面壳 | 47.7K | +| 3 | ARGO | Local Manus 形态 | 793 | +| 5 | AgentScope | 企业级编排 | 27.1K | +| 6 | LocalAGI | 隐私 runtime | 1.8K | +| 7 | Dify | 工作流 + RAG | 146.2K | +| 8 | Letta | 记忆层 | 23.5K | +| 9 | mem0 | 记忆层轻量 | 59.2K | +| 10 | GenericAgent | 自我演进模式 | 13.0K | +| 11 | txtai | 知识层嵌入 | 12.7K | +| 12 | ruoyi-ai | 中文企业起点 | 5.4K | + +--- + +## 6. 下一步 + +| P0 | 用户 review 分层组合方向 | +|:---:|:---| +| **P0** | v0.1 形态 A PoC（AnythingLLM + Ollama + Qwen 14B + 1 种子组织）| +| **P1** | Qwen-Agent + Letta 集成 PoC（形态 B 内核）| +| **P1** | 评估 Cherry Studio / ARGO / AnythingLLM 壳的商用 license | +| **P2** | GenericAgent 自我演进模式拆解 → Hyphae EVO 层设计 | +| **P2** | "组织 AI 硬件配置计算器"（小红书印证吸量）| + +--- + +## 7. License + +研究文档 MIT。 diff --git a/research/hyphae-agents/REQUIREMENTS.md b/research/hyphae-agents/REQUIREMENTS.md new file mode 100644 index 0000000..e1ad088 --- /dev/null +++ b/research/hyphae-agents/REQUIREMENTS.md @@ -0,0 +1,122 @@ +# REQUIREMENTS.md — Hyphae Agent 框架选型标准 + +> **触发**：用户 2026-06-23 要求 —— 调研 Agent 框架，在 Hyphae（中小组织专属智能菌丝）业务前提下，找出最适配的方案。 +> **作用**：把用户的 5 条要求形式化为可打分的 rubric，作为后续 GitHub / 小红书调研的筛选 + 打分标准。 +> **状态**：v0.1（2026-06-23） + +--- + +## 1. 用户原始 5 条要求（忠实记录） + +> 用户原话提炼： +> 1. **能够自定义、能够模块化加载** +> 2. **能够自我演进** +> 3. **拥有自己的记忆和知识库** +> 4. **使用特定的本地化小模型**（不用大模型，本地小模型） +> 5. **适配小组织硬件**（Mac 32GB / 64GB / 128GB 作为"小组织 AI 大脑"） + +附加业务前提： +- 服务对象 = **中小组织**（不是个人，不是大企业） +- 应用场景 = Hyphae 讨论的"智能菌丝方案"（获客 / 流程高效 / 战略决策的决策辅助 + SOP 编排） +- 模式 = **开源解决方案**为底座 +- 商业模式 = 训练服务 + 部署服务（开源免费，溢出能力收费） + +--- + +## 2. 形式化为 7 个评分维度 + +| 维度 | 代号 | 权重 | 说明 | 满分判据 | +|:---|:---:|:---:|:---|:---| +| **模块化 / 可定制** | MOD | 20% | 能否插拔工具、技能、子 Agent；能否按组织定制 | 插件化 + 配置驱动 + 自定义工具/技能 | +| **自我演进** | EVO | 15% | 能否从使用中学习、长出新技能、迭代 | 技能树生长 / 反馈学习 / 经验沉淀 | +| **记忆系统** | MEM | 20% | 长期记忆 + 短期记忆 + 跨会话状态 | 分层记忆 + 持久化 + 自动召回 | +| **知识库 / RAG** | KB | 15% | 接入组织文档 + 检索 + 引用 | 向量库 + reranker + 增量更新 | +| **本地小模型适配** | LOCAL | 20% | 能否跑在 Ollama/MLX/llama.cpp + 小模型 | 原生支持本地推理 + 小模型可用 | +| **中小组织友好度** | SMB | 5% | 部署 / 运维 / 上手门槛 | 一键部署 + WebUI + 中文 | +| **开源 + 可自托管** | OSS | 5% | License + 自部署 + 数据主权 | Apache/MIT + 完全自托管 | + +**总分 = Σ(维度得分 × 权重)，每维度 0-5 分。** + +--- + +## 3. 打分细则 + +### MOD 模块化 / 可定制（0-5） +- 5：插件市场 + 自定义工具 + 自定义技能 + 配置驱动子 Agent +- 3：支持自定义工具 + 部分配置 +- 1：硬编码，改代码才能定制 + +### EVO 自我演进（0-5） +- 5：运行时技能树生长 + 经验回写 + 自动迭代（如 GenericAgent） +- 3：有记忆驱动的行为改进，但不主动长技能 +- 1：完全静态，训完不变 + +### MEM 记忆系统（0-5） +- 5：分层记忆（工作/情景/语义）+ 持久化 + 自动召回 + 遗忘机制（如 Letta/mem0） +- 3：有向量记忆但无分层 +- 1：仅靠 context window，无持久记忆 + +### KB 知识库 / RAG（0-5） +- 5：内置向量库 + 多文档 + reranker + 增量 + 引用溯源 +- 3：基础 RAG +- 1：无 RAG，需自己拼 + +### LOCAL 本地小模型适配（0-5） +- 5：原生 Ollama/LM Studio/MLX + 小模型实测可用 + 文档完善 +- 3：支持本地但偏向云，小模型体验一般 +- 1：实质只能用 GPT/Claude 等大模型 API + +### SMB 中小组织友好（0-5） +- 5：一键安装 + WebUI + 中文 + 非技术可用 +- 3：Docker 部署 + 需一点技术 +- 1：需工程师搭建 + +### OSS 开源自托管（0-5） +- 5：Apache/MIT + 完全自托管 + 数据不出门 +- 3：开源但部分依赖云服务 +- 1：闭源 / 强依赖 SaaS + +--- + +## 4. 关键取舍说明 + +### 4.1 "本地小模型" 是硬约束（一票否决线） + +任何 LOCAL < 2 分的框架，**无论其他维度多强，都不进 Hyphae 最终推荐**。 +理由：Hyphae 的核心卖点是数据主权 + 本地部署。一个只能调 GPT-4 API 的框架，违背根本定位。 + +### 4.2 "记忆 + 知识库" 可以分层解决 + +不要求单一框架同时满足 MEM + KB 满分。可以： +- Agent 框架（编排）+ 独立记忆层（Letta/mem0）+ 独立知识层（AnythingLLM/txtai） + +→ 因此评分分两类： +- **单体型**（一个框架全包） +- **组合型**（多个组件拼装） + +### 4.3 "自我演进" 是稀缺能力，不强求 + +真正实现"运行时自我演进"的框架极少（GenericAgent 等）。多数框架靠"记忆驱动改进"近似。 +EVO 维度作为加分项，不作为一票否决。 + +### 4.4 中小组织友好 vs 灵活性的矛盾 + +- WebUI 一键型（Cherry Studio / AnythingLLM）→ SMB 高，MOD 中 +- 代码框架型（AgentScope / Qwen-Agent）→ MOD 高，SMB 低 + +→ Hyphae 最终方案很可能是 **"WebUI 壳 + 代码框架内核"** 的组合，由 HyperCapital 服务弥合 SMB gap。 + +--- + +## 5. 评分输出格式（供 GITHUB_TOP20 + SYNTHESIS 用） + +``` +| 框架 | MOD | EVO | MEM | KB | LOCAL | SMB | OSS | 加权总分 | 类型 | +|:---|:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---| +``` + +--- + +## 6. 一句话 + +> **Hyphae 选型铁律：本地小模型适配（LOCAL）是一票否决线；记忆 + 知识库可分层组合；自我演进是加分项；中小组织友好的 gap 由 HyperCapital 服务弥合。** diff --git a/research/hyphae-agents/SYNTHESIS_RECOMMENDATION.md b/research/hyphae-agents/SYNTHESIS_RECOMMENDATION.md new file mode 100644 index 0000000..8e06326 --- /dev/null +++ b/research/hyphae-agents/SYNTHESIS_RECOMMENDATION.md @@ -0,0 +1,219 @@ +# SYNTHESIS_RECOMMENDATION.md — 综合分析 + Hyphae 选型推荐（最终答案） + +> ⭐ **这是用户要的答案**：在 Hyphae（中小组织专属智能菌丝）业务前提下，应该用什么方案、什么场景才能最好适配。 +> 整合 [REQUIREMENTS](./REQUIREMENTS.md) + [GITHUB_TOP20](./GITHUB_TOP20.md) + [XHS_DIGEST](./XHS_DIGEST.md) + [MEMORY_KNOWLEDGE_LOCALMODEL](./MEMORY_KNOWLEDGE_LOCALMODEL.md)。 +> **声明**：Claude 基于 2026-06 公开信息的综合判断，非最终工程决定。 + +--- + +## 0. 一句话结论 + +> **不要找"一个框架"，要搭"一套分层组合"：Ollama/MLX（模型）+ Qwen-Agent 或 AgentScope（编排内核）+ Letta/mem0（记忆）+ AnythingLLM/txtai（知识库）+ GenericAgent 模式（自我演进）+ Cherry Studio/ARGO（桌面壳），再叠加 Hyphae 行业 LoRA + 决策框架。** +> +> **理由**：用户的 5 条要求（自定义/自我演进/记忆/知识库/本地小模型）**没有任何单一框架能全满足**——每一条都有专精的成熟开源方案，组合起来才是最优解。 + +--- + +## 1. 核心判断（5 条） + +### 判断 1：单体框架是陷阱，分层组合是正道 + +所有"号称全包"的框架（AnythingLLM / Dify / Cherry Studio）在某一维度强、其他维度弱。 +强行用单体 = 在某一维度被卡死。 +**分层组合**让每层选最优，且每层可独立替换升级。 + +### 判断 2：本地小模型把候选池砍掉一大半 + +一票否决线（LOCAL ≥ 2）直接淘汰了大量"实质只能调 GPT/Claude"的框架。 +**剩下的真本地玩家**：AnythingLLM / Cherry Studio / ARGO / LocalAGI / Open WebUI / Qwen-Agent / AgentScope / txtai / Ollama 生态。 + +### 判断 3：Qwen 生态是 Hyphae 的天然主场 + +- 模型：Qwen 2.5/3（中文 + Function Calling + 本地友好） +- 编排：Qwen-Agent（原生 Qwen + MCP + RAG + Code Interpreter） +- 可视化：AgentScope（阿里，生态完整） +- 三者同源，集成成本最低，中文最强。 + +### 判断 4：记忆 + 自我演进可以"一箭双雕" + +**Letta（MemGPT）** 同时覆盖"分层记忆"和"自我改进"两个维度。 +选 Letta 作记忆层，等于免费拿到一部分自我演进能力。 +更激进的"技能树生长"借鉴 GenericAgent 的模式，不必直接依赖。 + +### 判断 5：中小组织的真 gap 不是技术，是"组织级 + 业务落地 + 部署服务" + +- 小红书印证：个人知识库已爆，**组织级几乎空白** +- 技术栈全是开源现成的，**护城河在 HyperCapital 的部署 + 行业 know-how**（见 hyphae-training） + +--- + +## 2. Hyphae 推荐技术栈（分层定稿） + +``` +┌────────────────────────────────────────────────────────────────────┐ +│ L6 终端触点 浏览器 / 钉钉 / 飞书 / 微信 / 桌面客户端 │ +├────────────────────────────────────────────────────────────────────┤ +│ L5 UX 壳 Cherry Studio（中文桌面首选） │ +│ 或 ARGO（Local Manus 形态） │ +│ 或 AnythingLLM（开箱即用 + RAG 内置） │ +├────────────────────────────────────────────────────────────────────┤ +│ L4 Agent 编排 Qwen-Agent（首选，Qwen 对齐） │ +│ 或 AgentScope（企业级，可视化） │ +│ ─ 模块化工具 + MCP + 子 agent + SOP 编排 │ +├────────────────────────────────────────────────────────────────────┤ +│ L3 三大能力子系统（全部客户本地） │ +│ ┌─────────────┬──────────────┬───────────────────┐ │ +│ │ 记忆 MEM │ 知识库 KB │ 自我演进 EVO │ │ +│ │ Letta/mem0 │ AnythingLLM │ GenericAgent 模式 │ │ +│ │ │ /txtai/RAGFlow│ (技能树+经验回写) │ │ +│ └─────────────┴──────────────┴───────────────────┘ │ +├────────────────────────────────────────────────────────────────────┤ +│ L2 模型层 Qwen 2.5/3 + 行业 LoRA + 客户 LoRA │ +│ （LoRA 见 hyphae-training） │ +├────────────────────────────────────────────────────────────────────┤ +│ L1 推理 runtime Ollama（默认）/ MLX（Mac 极速） │ +├────────────────────────────────────────────────────────────────────┤ +│ L0 硬件 Mac Studio 32/64/128GB（小组织 AI 大脑） │ +└────────────────────────────────────────────────────────────────────┘ +``` + +### 每层选型理由速查 + +| 层 | 首选 | 备选 | 理由 | +|:---|:---|:---|:---| +| L5 UX 壳 | Cherry Studio | ARGO / AnythingLLM | 中文桌面体验 + MCP + 本地模型 | +| L4 编排 | Qwen-Agent | AgentScope | Qwen 同源 + MCP + RAG + 本地 | +| L3 记忆 | Letta | mem0 | 分层记忆 + 自我改进双覆盖 | +| L3 知识库 | AnythingLLM | txtai / RAGFlow | 开箱 RAG + 本地向量库 | +| L3 演进 | GenericAgent 模式 | AgentEvolver | 借鉴技能树，不强依赖 | +| L2 模型 | Qwen 2.5/3 | DeepSeek 蒸馏 | 中文 + Function Call + LoRA | +| L1 runtime | Ollama | MLX / LM Studio | 易用 + OpenAI 兼容 | +| L0 硬件 | Mac Studio M4 Max 128GB | M4 Pro 64GB | 跑 70B + 多模型并存 | + +--- + +## 3. 三种落地形态（按客户复杂度） + +### 形态 A — 开箱即用（入门，60% 客户） + +``` +AnythingLLM（一体化：UI + agent + RAG + 本地模型） + + Ollama + Qwen 14B + + 客户文档导入知识库 +``` +- HyperCapital 包 A 部署，30-60 分钟 +- 适合：只要"会读我们文档的 AI 助手"的客户 +- 不含：复杂 agent 编排、自我演进 + +### 形态 B — 标准组合（主流，30% 客户）⭐ + +``` +Cherry Studio（壳） + + Qwen-Agent（编排内核） + + Letta（记忆） + + AnythingLLM/txtai（知识库） + + Ollama + Qwen 32B + 行业 LoRA +``` +- HyperCapital 包 A2/B 部署 + 运维 +- 适合：要"业务流程辅助 + 记忆 + 知识库"的组织 +- 含：模块化工具、记忆、知识库；演进为轻量 + +### 形态 C — 进阶全栈（高端，10% 客户） + +``` +形态 B + GenericAgent 自我演进模式 + + 客户 LoRA 月度增量训练 + + TEE 训练（见 hyphae-training） + + 多 agent SOP 编排（AgentScope） +``` +- HyperCapital 包 C 定制项目 +- 适合：要"战略决策辅助 + 自我演进"的组织 +- 含：全部 5 条要求 + +--- + +## 4. 对应 Hyphae 业务场景的适配 + +| Hyphae 业务诉求（见 hyphae-training）| 用哪层 | 形态 | +|:---|:---|:---:| +| 写朋友圈/海报/文案（入门）| L2 LoRA + L4 编排 | A | +| 读公司文档/合同/规范 | L3 知识库（AnythingLLM）| A | +| 记住客户/门店历史决策 | L3 记忆（Letta）| B | +| 业务流程 SOP 辅助 | L4 编排（Qwen-Agent）+ L3 记忆 | B | +| 获客/提效综合决策 | L4 多 agent + L3 全部 + 实时 Tool | C | +| 战略决策 + 自我迭代 | L3 演进 + 客户 LoRA 增量 | C | + +--- + +## 5. 关键决策：买 vs 拼 vs 造 + +| 选项 | 做法 | 评价 | +|:---|:---|:---| +| **买**（单一框架）| 直接用 AnythingLLM / Dify 全套 | ❌ 被单体局限卡死，难差异化 | +| **拼**（分层组合）⭐ | 组合各层最优开源 + Hyphae 黏合层 | ✅ **推荐**：灵活 + 可控 + 可差异化 | +| **造**（从零自研）| 自己写 agent 框架 | ❌ 重复造轮子，浪费 12+ 月 | + +> ⭐ Hyphae 的工程重点 = **"黏合层" + "行业 LoRA" + "决策框架" + "HyperCapital 部署服务"**，而不是重写 agent 框架。 +> 把开源组件当乐高，Hyphae 的价值在"怎么拼 + 拼给谁 + 拼完怎么服务"。 + +--- + +## 6. 与 Brood 生态 / 已有研究的衔接 + +| 关联 | 说明 | +|:---|:---| +| **hyphae（主项目）** | 本调研为 Hyphae 的 Agent 技术选型，填充主 BP 的"技术栈"细节 | +| **hyphae-training** | L2 模型层（行业 LoRA + 客户 LoRA + TEE 训练）由 training 研究覆盖 | +| **AuraAI iDoris / Agent24** | Agent24 可作为 L5 桌面壳的自研替代；iDoris 是组织内个人 AI | +| **AAStar AirAccount** | 组织成员 passkey 登录 agent | +| **HyperCapital** | L5-L0 全栈的部署 + 运维服务承接 | +| **MCP 生态** | L4 编排层统一用 MCP 接入工具（与 Claude / 生态对齐）| + +--- + +## 7. 落地路线（v0.1 → v2） + +| 阶段 | 形态 | 技术栈 | 周期 | +|:---:|:---|:---|:---:| +| **v0.1 Lite** | 形态 A | AnythingLLM + Ollama + Qwen 14B | 4 周 | +| **v1** | 形态 B | + Qwen-Agent + Letta + Cherry Studio 壳 | +8 周 | +| **v1.5** | 形态 B+ | + 行业 LoRA + 客户 LoRA 增量 | +8 周 | +| **v2** | 形态 C | + GenericAgent 演进 + AgentScope 多 agent + TEE | +12 周 | + +--- + +## 8. 风险与应对 + +| 风险 | 应对 | +|:---|:---| +| 分层组合集成复杂 | HyperCapital 标准化"黏合层"脚本 + 部署模板 | +| 开源组件版本漂移 | 锁版本 + 季度升级评估 + 自动化测试 | +| Letta/mem0 等较新，稳定性 | v0.1 先用 AnythingLLM 内置记忆，v1 再上 Letta | +| 自我演进不成熟 | v2 才做，先借鉴模式不强依赖 | +| 本地小模型能力不足复杂决策 | 形态 C 复杂决策可溢出调云端大模型（脱敏）| +| Cherry Studio license 限制 | 评估商用条款，必要时换 AnythingLLM/ARGO 或自研壳 | + +--- + +## 9. 最终一句话（给用户的直接答案） + +> **Hyphae 应该"拼"不该"买"也不该"造"。** +> +> **推荐组合**：Mac Studio + Ollama/MLX + Qwen 系列 + Qwen-Agent（编排）+ Letta（记忆）+ AnythingLLM（知识库）+ GenericAgent 模式（演进）+ Cherry Studio（桌面壳），叠加 Hyphae 自己的行业 LoRA + 决策框架 + HyperCapital 部署服务。 +> +> **最适配的场景**：从"组织第二大脑"（知识库 + 记忆）切入（小红书印证个人级已爆、组织级空白），先做形态 A/B 跑通中小组织高频刚需，再渐进到形态 C 的战略决策与自我演进。 +> +> **真正的护城河不在框架选型**（都开源），**在 Hyphae 的黏合层 + 行业 LoRA + HyperCapital 服务 + 组织级无人区卡位**。 + +--- + +## 10. 下一步动作 + +| 优先级 | 动作 | 责任 | +|:---:|:---|:---| +| P0 | 用户 review 本推荐，确认分层组合方向 | jhfnetboy | +| P0 | v0.1 形态 A PoC：AnythingLLM + Ollama + Qwen 14B 跑通 1 个种子组织 | 工程 | +| P1 | 评估 Cherry Studio / ARGO / AnythingLLM 三者作为 L5 壳的商用 license | 法务 + 工程 | +| P1 | Qwen-Agent + Letta 集成 PoC（形态 B 内核）| 工程 | +| P2 | GenericAgent 自我演进模式拆解 + Hyphae EVO 层设计 | 研究 | +| P2 | "组织 AI 硬件配置计算器"（小红书印证的吸量工具）| 产品 | diff --git a/research/hyphae-agents/XHS_DIGEST.md b/research/hyphae-agents/XHS_DIGEST.md new file mode 100644 index 0000000..163b865 --- /dev/null +++ b/research/hyphae-agents/XHS_DIGEST.md @@ -0,0 +1,123 @@ +# XHS_DIGEST.md — 小红书调研摘要（中文用户真实需求信号） + +> 数据来源：xhs CLI（agent-reach 底层）实时搜索，2026-06-23 +> 搜索词：本地大模型部署 / AI Agent 工具 / 小模型微调 / Mac 跑大模型 / 知识库 AI / 桌面 Agent 同事 +> 目的：补充 GitHub（开发者视角）所缺的 **中文终端用户 / 中小组织视角** —— 他们真正在搜什么、用什么、焦虑什么。 +> 方法论说明：小红书内容以"教程/种草/避坑"为主，**信号价值在'话题热度分布'而非单条技术深度**。 + +--- + +## 1. 高赞内容总览（按互动量） + +| 互动（♥赞/★藏）| 标题 | 信号 | +|:---|:---|:---| +| ♥24695 ★25306 | 才知道不同的 AI 竟然有不同的分工 | **多 agent 分工**概念破圈 | +| ♥23910 ★41189 | 小白速通 Codex 安装 + 国产大模型接入 | 国产模型接入是刚需 | +| ♥11810 ★15080 | 给所有想真正用好 AI 的人，最重要的建议 | "用好 AI"焦虑 | +| ♥11198 ★20586 | 手把手用 Claude Code 搭建本地 AI 知识库 | **本地知识库**是杀手级 | +| ♥9621 ★19116 | 搭建全网千万收藏的 AI 第二大脑 | **第二大脑/知识库** | +| ♥9609 ★19618 | Codex+Obsidian 搭自生长知识库 | **自生长知识库**（≈自我演进）| +| ♥8203 ★13246 | 知识复利｜随手搭建个人知识库 100% 复利 | 知识库复利叙事 | +| ♥7289 ★12732 | 3 分钟用 DeepSeek 搭建个人知识库 | DeepSeek + 知识库 | +| ♥6035 ★12713 | 检测电脑能跑哪些 AI 大模型的网站 | **硬件焦虑**（能跑啥）| +| ♥5931 ★11000 | 让桌面级 Agent 像"同事"一样替你干活 | **数字同事**叙事（=Hyphae 论点）| +| ♥2866 ★3708 | 逼自己练完这 68 页你的 OpenClaw 就很牛了 | Agent 工具学习 | +| ♥2608 ★2452 | 消费级显卡也能跑 QwQ-32B 本地部署教程 | **QwQ-32B 本地**热 | +| ♥2043 ★2620 | mac mini 可以退货了，阿里云动作太快 | 云 vs 本地的纠结 | +| ♥1404 ★2753 | 5 分钟本地部署 DeepSeek/搭建个人知识库 | DeepSeek 本地 | +| ♥1150 ★1628 | 看下你的电脑可以本地跑哪些大模型 | 硬件焦虑（重复主题）| + +--- + +## 2. 五大需求信号（从话题热度提炼） + +### 信号 1 — "个人知识库 / 第二大脑" = 中文 AI 第一杀手级应用 ⭐⭐⭐⭐⭐ + +知识库相关内容**反复霸榜**（千万收藏级）： +- "AI 第二大脑"、"自生长知识库"、"知识复利"、"个人知识库" +- 工具组合：DeepSeek/Qwen + Obsidian + Claude Code + 本地部署 + +**对 Hyphae 的启示**： +- 知识库（KB 层）不是可选功能，是**入口级刚需** +- "自生长"（自我演进）概念已被中文用户接受 +- 中小组织版 = "组织第二大脑"（员工共享知识库 + 决策记忆） + +### 信号 2 — "数字同事 / Agent 替你干活" 叙事已破圈 ⭐⭐⭐⭐ + +- "让桌面级 Agent 像'同事'一样替你干活"（♥5931） +- "不同 AI 有不同分工"（♥24695，最高赞） + +**对 Hyphae 的启示**： +- Hyphae 的"数字合伙人 / 数字老炮儿"叙事与市场认知**完全合拍** +- "多 agent 分工"概念用户已懂，可直接用此语言营销 + +### 信号 3 — 本地模型聚焦 DeepSeek + Qwen + QwQ-32B ⭐⭐⭐⭐ + +- 本地部署内容几乎都围绕 DeepSeek（R1/V3 蒸馏）、Qwen、QwQ-32B +- 工具：Ollama、LM Studio、Cherry Studio + +**对 Hyphae 的启示**： +- 本地默认模型选 **Qwen 系列**（印证 GITHUB 调研结论） +- DeepSeek 蒸馏版作为推理强化备选 + +### 信号 4 — 硬件焦虑是真实痛点 ⭐⭐⭐⭐ + +- "检测电脑能跑哪些 AI 大模型的网站"（♥6035 ★12713） +- "看下你的电脑可以本地跑哪些大模型"（♥1150） +- "Mac 怎么买跑大模型"、"mac mini 退货阿里云太快" + +**对 Hyphae 的启示**： +- 中小组织对"我该买什么硬件"极度困惑 +- **HyperCapital 包 A 的硬件选型咨询是真实价值点**（不是多余服务） +- 做一个"组织 AI 硬件配置计算器"会非常吸量 + +### 信号 5 — 云 vs 本地的纠结 ⭐⭐⭐ + +- "mac mini 可以退货了，阿里云动作太快" +- "有必要花钱部署那些 AI 工具吗"（♥6932） + +**对 Hyphae 的启示**： +- 用户在"自建本地"和"用云"之间摇摆 +- Hyphae 的**双层架构（本地默认 + 溢出上云）正好解决纠结** +- 卖点："平时本地省钱保隐私，重活才上云，最划算" + +--- + +## 3. 中文工具生态印证（vs GitHub） + +| 工具 | 小红书热度 | GitHub stars | 判断 | +|:---|:---:|:---:|:---| +| **Cherry Studio** | 高（反复出现）| 47.7K | ⭐ 中文用户桌面首选 | +| **Ollama** | 高 | (大) | 本地 runtime 默认 | +| **LM Studio** | 中 | (大) | GUI 友好 | +| **AnythingLLM** | 中 | 62.0K | 知识库场景常见 | +| **Obsidian + AI** | 高 | - | 知识库黄金搭档 | +| **DeepSeek / Qwen** | 极高 | - | 本地模型默认 | +| **Claude Code / Codex** | 极高 | - | 搭建工具（开发侧）| + +**结论**：中文中小组织用户的实际工具栈 = **Cherry Studio（壳）+ Ollama（runtime）+ DeepSeek/Qwen（模型）+ Obsidian/AnythingLLM（知识库）**。这与 GitHub 调研的 Hyphae 推荐栈**高度一致**。 + +--- + +## 4. 小红书视角的反向洞察（Hyphae 要避的坑） + +| 洞察 | Hyphae 应对 | +|:---|:---| +| 用户被"教程"淹没但缺"整体方案" | Hyphae 卖**端到端方案**，不是又一个教程 | +| 硬件选型困惑严重 | HyperCapital 硬件咨询 = 真实价值 | +| "搭建"门槛仍劝退非技术用户 | HyperCapital 一对一部署 = 差异化 | +| 个人知识库火，但"组织级"空白 | Hyphae 切**组织级**（小红书几乎无人做）⭐ | +| 大家在拼"工具教程"，无人讲"业务落地" | Hyphae 讲**行业场景落地**（蛋糕店/律所）⭐ | + +> ⭐ **关键空白**：小红书全是"个人"知识库/AI 教程，**"中小组织级"几乎空白**。Hyphae 切中的正是这个无人区。 + +--- + +## 5. 一句话 + +> **小红书信号印证了 Hyphae 三个核心判断**： +> 1. **知识库 + 记忆**是中文 AI 第一刚需（个人级已爆，组织级空白 = Hyphae 机会） +> 2. **"数字同事"叙事**已破圈，Hyphae 营销语言现成 +> 3. **本地模型 = Qwen/DeepSeek + Ollama + Cherry Studio**，与 GitHub 调研结论一致 +> +> **最大机会**：所有人在做"个人"，没人做"中小组织级"——这正是 Hyphae 的无人区。