# 致谢
> sofagent 站在巨人肩膀上。以下每个项目与作者，都在某个设计决策里留下痕迹。
> v1.7.0 · 2026-10-22（GMT+8）· ✅ 已发版 · 孔放勋
>
> 收录纪律：一条一行——名字 · 链接 · 启发（≤25 字）；全文分析见 [`archive/validation-deep/thanks-extended.md`](./archive/validation-deep/thanks-extended.md)。
## 目录
- [基石](#基石) · [生成伙伴](#生成伙伴) · [思想之源](#思想之源) · [工具与实践](#工具与实践) · [社区](#社区) · [关于作者](#关于作者)
## 基石
- **[OpenClaw](https://github.com/openclaw/openclaw)** · Peter Steinberger — 四层加载链 Hook 机制之源
## 生成伙伴
模型间 Loop 实验——多 session 内互改互审直到全通过，随后新 session 重审、下一轮迭代。
- **[DeepSeek V4 Pro](https://api-docs.deepseek.com/zh-cn/)** · 深度求索
- **[GLM-5.2](https://z.ai/)** · 智谱 AI
## 思想之源
影响了 sofagent「为什么这么设计」的理论与实践。分析段全文见[归档](./archive/validation-deep/thanks-extended.md)。
### 哲学基因
- **[Ralph Loop](https://ghuntley.com/loop/)** · Geoffrey Huntley —「Agent 会失忆，文件不会」：git diff 是地面真相
- **[Andrej Karpathy Skills](https://github.com/multica-ai/andrej-karpathy-skills)** — 4 条编码原则是 9 则铁律的根基
- **[Anthropic Skills](https://github.com/anthropics/skills)** — 官方 SKILL.md 规范，描述-实现分离参考
### Loop → Harness → Graph
- **[Loop Engineering](https://addyo.substack.com/p/loop-engineering)** · Addy Osmani — 正式命名 Context→Harness→Loop 三层框架
- **[From Loop to Graph Engineering](https://engineering.zooz.com/intuitionmachine/from-loop-engineering-to-graph-engineering-d3ebeb08511c)** · Carlos E. Perez — 无 Anchor 的 Graph 只是更贵的 Loop
- **[OpenAI Harness Engineering](https://openai.com/index/harness-engineering/)** — Harness 概念的系统化参考
- **[Anthropic Effective Harnesses](https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents)** · Anthropic — 长时 Agent 的有效治理
- **[What makes a harness a harness](https://arxiv.org/abs/2606.10106)** · Sanderson Oliveira de Macedo — agent harness 的构成性定义与包含/排除检验
### 实验与证据
- **[Don't Train the Model, Evolve the Harness](https://github.com/JoelNiklaus/harness-optimization)** · Joel Niklaus — 不改权重仅优化 Harness：63.4%→80.1%
- **[AutoResearch](https://github.com/karpathy/autoresearch)** · Andrej Karpathy — 约束文档+锁定评估+自动循环
- **[Bilevel Autoresearch](https://arxiv.org/abs/2603.23420)** — 双层循环，外层强制探索 5 倍提升
- **[MetaRSI / RSI²](https://arxiv.org/abs/2609.06396)** + [RSI-Harness](https://github.com/CosmosMind-ai/RSI-Harness) · CosmosMind — RSI 三算子统一形式化
- **[SoL-Pi](https://arxiv.org/abs/2609.20519)** — RSI 施于 harness 层的活体样本
- **[DeepSeek Elastic Compute (DSec)](https://arxiv.org/abs/2609.22978)** · DeepSeek — 「自我改进卡住的从来不是 GPU，是环境供给」
- **[Grow the Harness, Not the Context](https://arxiv.org/abs/2609.26760)** — 控制决策从上下文搬进可复用代码
- **[Harness-Zero](https://arxiv.org/abs/2609.24974)** — harness 蒸馏：微调摊销层的外部实证
- **[HackProbe](https://arxiv.org/abs/2609.04665)** — RSI 监控器与 harness 无关：监控方在被测系统之外
- **[RSI Claim-Testing Checklist](https://github.com/sunghunkwag/recursive-self-improvement)** · Intelligence Research Project — RSI 主张检验清单：改进必须递归
- **[The Winner's Curse in LLM Self-Improvement Loops](https://arxiv.org/abs/2610.09239)** — 首代之后多数自改提案有害：选择噪声
- **[ImproveAnyTask](https://arxiv.org/abs/2610.06347)** — 后训练 harness 全自动迭代，无人手
- **[MESH-Harness](https://arxiv.org/abs/2610.05300)** — 权重不动，bandit 重组 harness 模块
- **[HarnessSecurity-Bench](https://arxiv.org/abs/2610.07639)** — 已确证防护约半数为 opt-in：声明≠强制
- **[HEAR Protocol](https://arxiv.org/abs/2610.06597)** — harness↔推理引擎双向配对协议（摘要级）
- **[Calibrated Decision Models for Pentesting](https://arxiv.org/abs/2609.28940)** — 判定件在安全域的裁定落点
- **[JEVQA](https://arxiv.org/abs/2609.24395)** — 判定件跨域零样本替代实证（音视频域）
- **[Lost in the Middle](https://arxiv.org/abs/2307.03172)** — 长文档中段注意力衰减，500 字原则源头
- **[A Global Workspace in Language Models](https://www.anthropic.com/research/global-workspace)** · Anthropic — 「审计必须外置」的底层论证
- **[Claude 5 上下文工程](https://claude.com/blog/the-new-rules-of-context-engineering-for-claude-5-generation-models)** · Anthropic — 上下文工程取代提示词工程
### 编排与架构
- **[Managed Agents](https://www.anthropic.com/engineering/managed-agents)** · Anthropic — 四层编排：连接+行动与深度思考分工
- **[Deep Agents](https://github.com/langchain-ai/deepagentsjs)** · LangChain — 验证 v1.x 技术选型（已迁 LangGraph）
- **[DeepSeek Harness (DSH)](https://github.com/deepseek-ai/deepseek-harness)** · DeepSeek — 一切皆插件运行时；cordis-plugin 协议基础
- **[Cordis](https://github.com/cordiverse/cordis)** + [时空可组合性论文](https://github.com/cordiverse/paper) · cordiverse — 时间+空间可组合性，进化模块运行时视角
- **[Claude Code Agent Loop](https://docs.anthropic.com/en/docs/claude-code/how-claude-code-works)** · Anthropic — 三阶段循环+三档权限，与 HITL 🟢🟡🔴 同构
- **[Palantir AIP Ontology](https://www.palantir.com/platforms/aip/)** · Palantir — 数据+逻辑+动作+安全四合一数字孪生层
- **The Path to Recursively Self-Improving Harnesses** · 翁荔（Lilian Weng）— 六层 Harness 优化框架
- **[The Anatomy of an Agent Harness](https://x.com/i/article/2040732084843782144)** · Akshay Pachaar — Harness 即 LLM 的操作系统，12 核心组件
- **[Three Key Loops](https://www.deeplearning.ai/the-batch/three-key-loops-for-building-great-software)** · Andrew Ng — 分钟→小时→天三层嵌套循环
- **[OpenWorker](https://github.com/andrewyng/openworker)** · Andrew Ng 团队 — 四级权限模型；「Ask for an outcome, not just an answer」
- **[aisuite](https://github.com/andrewyng/aisuite)** · Andrew Ng 团队 — `:` 统一接口
- **[DeerFlow](https://github.com/bytedance/deer-flow)** · 字节跳动 — "super agent harness" 命名印证品类
- **[Omnigent](https://github.com/omnigent-ai/omnigent)** · Databricks 系 — meta-harness：策略强制在基础设施层
- **[LiteLLM](https://github.com/BerriAI/litellm)** · BerriAI — 开源 LLM gateway
- **[bubblewrap](https://github.com/containers/bubblewrap)** · containers — OS 级沙箱原语
- **[LangChain middleware](https://docs.langchain.com/oss/javascript/langchain/middleware/custom)** · LangChain — wrapToolCall：运行时审计精确接入点
- **[EnkryptAI Secure MCP Gateway](https://mintlify.wiki/enkryptai/secure-mcp-gateway)** · EnkryptAI — 安全护栏 + audit_only 模式
- **[Agent Client Protocol (ACP)](https://agentclientprotocol.com)** — LSP 式开放协议
- **[DataFlow](https://github.com/OpenDCAI/DataFlow)** · 北京大学 DCAI — 独立用「Harness」命名的第三方佐证
- **[ChatDemo](https://github.com/OpenFDEAI/ChatDemo)** · OpenFDEAI — FDE 术语同源
- **[PenguinHarness](https://github.com/Prism-Shadow/penguin-harness)** · Yaowei Zheng — Benchmark 与工具审批四模式参考
- **[prime-agent](https://github.com/PrimeIntellect-ai/prime-agent)** · Prime Intellect — 跨进程写保护与 RefinementEvent 证据记录
- **[Control the Harness, Control the Cost](https://arxiv.org/abs/2609.28919)** — 未调优 harness 默认值 = 成本与治理一并交出去
- **[Self-Healing Harness](https://arxiv.org/abs/2609.24130)** — 准入门控：提议在内、门在外、持久化由门决定
- **[RegenHarness](https://arxiv.org/abs/2609.27612)** — evidence-gated RSI；改进无权降低门强度
- **[The Harness as the Only Mutable Surface](https://arxiv.org/abs/2610.10629)** — 自进化只有收敛在运行时 harness 内才「可复核」（被审对象不消失）；含实测的计量准入门（第三方论文、本仓未复算）
- **[Harness Evolution Hits a Ceiling](https://arxiv.org/abs/2610.11655)** — 用失败轨迹的**首个触发信号**把失败拆成进程失败（阻塞调用 / 循环 / 步数耗尽）与内容失败，据此判「继续动 harness 还是开训权重」：harness 侧会到顶，到顶后权重才接棒（第三方论文、本仓未复算）
- **[E-Ledger: Safe, Persistent, and Evolving Agent Harness](https://arxiv.org/abs/2610.11552)** — 面向部分可观测的长程任务：每个动作执行前先过策略批准层 + 维护「已验证隐藏规则」的世界账本（第三方论文、本仓未复算）
- **[DuplexAgent-RSI](https://arxiv.org/abs/2610.11299)** — 递归改进落在 harness 的协调层（任务受理 / 进度 / 取消 / 替换 / 结果交付），不落在权重（第三方论文、本仓未复算）
- **[Recurrent Harness for Agentic Continual Learning](https://arxiv.org/abs/2610.12668)** — ReHarness：harness 状态不再只靠前向信息流演化、也不依赖额外回放或验证数据，而是做成**循环**结构以在长交互流上持续适应分布漂移 ⇒ 「harness 自更新」多了一种须被审计观察的形态（第三方论文、本仓未复算）
- **[AI 研发自动化与智能爆炸]**（[arXiv 2609.36054](https://arxiv.org/abs/2609.36054) · Hinton / Bengio / Barto 等 22 人立场论文 · CASP）— 推演「AI 接管 AI 研发」的爆炸机制（有效研发劳动力 + 参数 r）与四道摩擦；治理首优「独立审计 + 越权监测」与约束层同向（本仓未复算）
### 判定与校准
决策模型来源。判定层门槛不在模型架构，**在判据数据集**——判定件深读（对照件池谱系）见[归档](./archive/validation-deep/judgment-ecosystem.md)。
- **[SalesRLAgent](https://arxiv.org/abs/2503.23303)** · Nandakishor M — 概率预测当序列决策训练，「只出概率不生成」之源
- **[Confidence-Aware Routing](https://arxiv.org/abs/2510.01237)** · Nandakishor M — 统一置信度驱动四路径路由，与 L0/L1/L2+第三态同构
- **[System Switch](https://arxiv.org/abs/2610.09683)** — 双件系统：闸门开才把控制权交给慢 VLM
- **[DeepRAG](https://arxiv.org/abs/2503.08213)** · Nandakishor M — 从零自建 embedding 模型参考
- **[System One Models & Jev](https://typesafe.ai/blog/introducing-system-one-models-and-jev)** · TypeSafe AI — RLCD、三原语提出方；「校准优先于偏好」
- **[laya](https://huggingface.co/convaiinnovations/laya)** · Convai Innovations — 非自回归判定件参照+对照基线；@2026-10-10 PyPI 面 0.4.2
- **[kev](https://github.com/jaredpalmer/kev)** · Jared Palmer — Jev 架构型开源复刻（0.8B/4B/9B 全尺寸）
- **[Bespoke Nimble](https://github.com/bespokelabsai/nimble)** · Bespoke Labs — 2,676 条对比式样本构造法（「数据质量 > 参数量」）
- **Jev 接口复刻族**（SemIf / NanoJev / Jevlike / LocalJev / JEV-mini）— 对照件候选与路线对照
- **[decider](https://github.com/Mapika/decider)** · Mapika — 校准工程最深的复现家族（ECE 0.288→0.071）；@2026-10-08 PyPI 面 decider-ai 1.9.0
- **[CLM](https://github.com/Contrastive-LM/CLM)** · Contrastive-LM — 双塔对比式路线对照（公开 scaling-law 拟合）
- **[JevK5](https://github.com/allebee/jevk5)** · allebee — 独立开源替代；蒸馏 LoRA 合并权重同批开源
- **[OpenThai-SystemOne](https://github.com/iapp-technology/openthai-systemone)** · iApp — 泰/英双语 0.8B，契约兼容成本品类默认
- **[AutoJev-27B](https://github.com/denis-pplx/autojev)** · denis-pplx —「自主 agent 全程建成」活体样本；披露 ECE 三列
- **[RSI-Jev](https://github.com/Shanghua-Gao/RSI-Jev)** · Shanghua Gao — RSI 循环直接造判定件；v4.0-VL 读图（自报）
- **[AgentJev](https://github.com/malevrigns/agent-jev)** · malevrigns —「去 LM head」形态正例（置换等变判定头）
- **[Intern-Decision](https://github.com/InternLM/Intern-Decision)**（权重集合页 `internlm/intern-decision`）· 上海 AI Lab（InternLM）— 多模态判定件：冻结视觉塔与投影层、只微调语言主干，0.8B／2B／4B，Apache-2.0；**保留 next-token head ⇒ 路线参考**（非「encoder + 判定头」同构；准入鉴别见 [v1.9.0 §五](./changelog/v1.9/v1.9.0.md)）；读数全系厂商自报、本仓未复算
- **[FRIDA-Decisions](https://github.com/ai-forever/FRIDA-Decisions)** · SberAI — 一次编码打包全问，序构造性无关（转述）
- **[Permutation-Robust Decision Modeling](https://arxiv.org/abs/2610.01601)** — 候选分数不该依赖序列化顺序（架构级）
- **[AnyJev](https://github.com/nokia-applied-research/AnyJev)** · Nokia — 读出校准免训练两件套：先验除法+旋转平均（自报）
- **[TensorFlow.js](https://github.com/tensorflow/tfjs)** + [tfjs-models](https://github.com/tensorflow/tfjs-models) · Google — 一套 API 四后端+模型即 npm 包的十年先例
- **[Verdict / rlcd-modernbert-151m](https://huggingface.co/heman10x/rlcd-modernbert-151m)** · Heman10x-NGU —「编码器+判定头」最早可复算建仓时点（2026-09-17）
- **[jevbench](https://github.com/fstandhartinger/jevbench)** · fstandhartinger — 判定件独立第三方榜；@2026-10-13 数据端点面 **v1.6.1**（协议仍 `jevbench::v1.6` · `n_ranked` 92→**135** · `roster_count` **173** · `source_sha256` 换值；v1.6.0 端点仍在但冻结返旧值），release 面仍 v1.4.2 ⇒ 六面不同步（读数据端点，不采渲染页）
- **[AgentGovBench](https://github.com/agentic-control-plane/agentgovbench)** + **[ST-WebAgentBench](https://github.com/segev-shlomov/ST-WebAgentBench)** — 治理对照基准两件套（CuP 双轴指标）；其「Harness honesty」修订公开固化：制造证据不计分、**空审计日志不算通过**、报错场景留在分母
- **[NIST 官方标准面](https://www.nist.gov/artificial-intelligence/ai-agent-standards-initiative)**（CAISSI 三支柱 + RFI + NCCoE 四功能域 + AI 800 系列）— agent = 非人类身份 principal；双身份令牌
- **[Jev-Mem](https://arxiv.org/abs/2609.23986)** — System One 控制面管 agentic memory
- **[jev-harness-lab](https://github.com/Aitejiu/jev-harness-lab)** · Aitejiu — 判定件 harness 内可用面黑箱评测
- **[Fast Models, Slow Evidence](https://arxiv.org/abs/2610.02267)** — paired 自审评测：自报与独立实测分列
- **[JevAdvBench](https://arxiv.org/abs/2609.31142)** — 判定件对抗基准（被攻击决策对干净决策打分）
- **[LAVOIR](https://arxiv.org/abs/2609.30706)** — 判定件「该问什么」扩展（VOI 槽位；已开源）
- **[JEVal](https://arxiv.org/abs/2610.03935)** — 双语 36 数据集判定件基准：证据可解最强（自报）
- **[候选覆盖与拒答迁移](https://arxiv.org/abs/2610.03387)** — 源域校准保不住目标操作点：跨域须重校
- **严格适当评分规则** · Gneiting & Raftery 等 — RLCD 数学正确性依据：诚实报告校准概率才取最大期望奖励
- **[Sys1Cal-v1](https://arxiv.org/abs/2609.35342)** — 判定件概率**数值含义**专用数据集（全变差距离评分）
- **[PACT](https://arxiv.org/abs/2609.35865)** — 单 token 判定的**校准感知训练**：四项免新标注训练项
- **[SanSi](https://arxiv.org/abs/2610.07730)** — 层内循环后仍单次 readout：非自回归算力分配
- **[Readout Stability](https://arxiv.org/abs/2610.07716)** — 菜单换而文本不变，缓存首过分布已定后验（自报）
- **[Your-LM-Is-Already-a-Decision-Model](https://github.com/ntlm1686/Your-language-model-is-already-a-decision-model)** · ntlm1686 — **训练必要性对照**：未微调 9B 与 Jev 互有胜负（自测）
- **[One Word Opens the Gate](https://arxiv.org/abs/2610.12292)** — **护栏件的输入侧攻击面**：类型化判定件被放进 agent 当闸门后，「选项通道」上一个词即可开门 ⇒ 闸门件自身也是攻击面，不只是判据面（第三方论文、本仓未复算）
- **[TypedBench](https://arxiv.org/abs/2610.11392)** — 非生成式接口的「**校准 / 框架敏感性 / 成本**」三维独立基准（第三方基准、本仓未复算）
- **[Can Jev be Your Q or Policy in RL?](https://arxiv.org/abs/2610.11692)** — 判定件不生成文本、直接返回校准的类型化概率 ⇒ 试作 RL 的 Q / policy：非自回归路线在强化学习侧的能力边界（第三方论文、本仓未复算）
- **[FastJEV](https://arxiv.org/abs/2610.11379)** — 候选评估侧冗余也是紧凑判定件的独立优化面（第三方论文、本仓未复算）。
- **[Specialized Decision Models vs. General-Purpose LLMs](https://arxiv.org/abs/2610.11978)** — 13 个多选题基准 × 19 个 LLM：**专项判定件在知识与常识面可比前沿 LLM**（第三方基准、本仓未复算）。
- **[Adversarial Cues in Decision Models Used as Judges](https://arxiv.org/abs/2610.11436)** — 判定件当裁判时，**一个冒号**即可把误接受率从 1.0% 抬到 26.0% ⇒ 「输在呈现形态、不在候选内容」（第三方论文、本仓未复算）。
- **[Can Decision Models Understand Stance?](https://arxiv.org/abs/2610.11901)** — 立场检测对照：英文 VAST 面与前沿 LLM 相当，中文对话 ZS-CSD 面落后于微调模型 ⇒ 判定件能力边界非全域占优（第三方论文、本仓未复算）
- **[Drex](https://github.com/nace-ai/drex-decision-models)** · Nace.AI — 开源判定件族：v1.5 9B / DLM 8B 扩散 LM，均带独立 pointer head、复用 Kev 代码；代码 Apache-2.0、**权重非通行开源**（Open RAIL-M / CC BY-NC 4.0，商用须另授权）；自报 Decision Index 0.3.1 公开面 58.08（**厂商自测、本仓未复算**）。
- **[Sieve](https://huggingface.co/sthanika-ai/Sieve-31B)** · sthanika-ai — 判定件族 0.8B–31B、**全 Apache-2.0**：**读出＝末层隐状态 × 选项标签行 + 定温 softmax**、不生成文本，与「编码器 + 判定头」同路线；0.8B 与本仓 0.5B 同量级。自报 Decision Index 0.3 公开面：4B 50.06 / 9B-v2 53.35 / 27B 60.04 / 31B 62.52（**厂商自测、未上榜单**）。
- **[Can Language Models Learn When to Abstain?](https://arxiv.org/abs/2610.13821)** — 弃权能力的两条实现路对照：训练模型自身 vs 另训一个答案检查组件；以「答对加分 / 答错扣分 / 允许弃权」的评分在 Qwen3-14B 上跨三训练种子与两个留出置信阈值比较 ⇒ 弃权该内建还是外挂，有可复算的实验口径（第三方论文、本仓未复算）
- **[Open Jev](https://github.com/intikhab49/open-jev-typed-decision-engine)** · intikhab49 — 150M 编码器 + 单次前向 + 类型化问题（`noul`/`choice`/`score`）；400 例自测 ensemble 0.6965 / ECE 0.0565 对 Jev 0.7270 / 0.1440 ⇒ **校准优于 Jev 2.5×**（Jev 零样本、本件同分布 1,016 例训练），T4 半小时可训；Apache-2.0，与「编码器+判定头」同路线（**厂商自测、本仓未复算**）
- **[LLM2Jev](https://github.com/Yinsongxu/LLM2Jev)** · Yinsongxu — prefill-only 读出（不逐 token 解码）把任意本地 LLM 变结构化判定件 ⇒ 非自回归路线的外部同款；Apache-2.0（自报）
- **[vLLM-Jev](https://github.com/mode-io/vllm-jev)** · mode-io — 判定件的原生 vLLM 服务化（部署面参照）；Apache-2.0
### 认知与反馈
- **[A Field Guide to Fable](https://x.com/trq212/article/2073100352921215386)** · Thariq Shihipar — 四类未知框架；瓶颈从「能不能做」变「你能不能说清楚」
- **[When AI builds itself](https://www.anthropic.com/institute/recursive-self-improvement)** · Anthropic — 代码生成不再是瓶颈，人工审查成新堵点
- **[SkillOpt](https://github.com/microsoft/SkillOpt)** · 微软 — Skill 自进化参考（现由自研 gate 验证器替代）
- **[Satya Nadella at Microsoft Build](https://pod.wave.co/podcast/latent-space-the-ai-engineer-podcast/satya-nadella-no-priors-x-latent-space-crossover-special-at-microsoft-build)** · Satya Nadella —「Every company will have its own private eval」
- **[Verification and Self-Improvement in Agentic AI](https://arxiv.org/abs/2610.10611)** — 一个性能分数分不清「搜得更久 / 得到更多支持 / 改了怎么提议与验证」三种改进机制；用有界验证把它拆开（第三方论文、本仓未复算）
- **[ReSI: Recursive Safety Improvement](https://arxiv.org/abs/2610.12233)** — 递归自改进从理论走向实践后，安全对齐须随频繁更新持续保持（第三方论文、本仓未复算）
- **[Who Verifies the Verifier?](https://arxiv.org/abs/2610.11464)** — 自改进循环里每一次「它是不是真的变好了」都由验证器回答 ⇒ **验证器自身必须可检查**，且与 agent 共同演化（第三方论文、本仓未复算）
- **[What Output-Only Review Cannot Verify](https://arxiv.org/abs/2610.11754)** — 「产出物面可判的缺陷」与「须知执行前批准了什么才可判的缺陷」须**显式分开**（第三方论文、本仓未复算）。
- **[From Reactive Containment to Proactive Assurance](https://arxiv.org/abs/2610.12463)** — 2026 年三类 agent 越权事件复盘 ⇒「先围堵、后保证」的教训（第三方转述、本仓未复算）。
- **[Accurate but Not Humble](https://arxiv.org/abs/2610.12360)** — 知识冲突下 agent 的「认识论谦逊」评估：以轨迹级三维度 Identify / Solve / Escalate 度量其承认并上报不确定性的意愿（第三方论文、本仓未复算）
- **[AI Models Can Provably Hide Arbitrary Capabilities](https://arxiv.org/abs/2610.13928)** — 构造性反例：把加密神经网络嵌入宿主权重、仅在收到秘密触发词时解密执行 ⇒ 「隐藏能力可被引出」这一**能力评测的前提**在对抗条件下不成立；评测可靠性本身需要威胁模型（第三方论文、本仓未复算）
- **[AI Decision System](https://github.com/BichengWang/ai-decision-system)** · Bicheng Wang — AI 辅助 go/no-go 决策的**可重放、离线可验**记录 + policy-gated 审批 + A/B ship gate 与 release gate ⇒ 与「审计留痕 + 审批分级」治理面同族；MIT（自报）
- **[Decision OS LoopKit](https://github.com/shin4141/decision-os-v13-loopkit)** · shin4141 — 把完成记录转成**治理化次循环决策**（GO / HOLD / CAP / BLOCK）⇒ RSI 停环与晋级判定的外部同形；MIT（自报）
- **[Decision Intelligence Runtime](https://github.com/huka81/decision-intelligence-runtime)** · huka81 — 神经符号运行时：概率 LLM 推理与确定性内核执行**零信任特权分离** + 实时不变量防漂移 + 决策遥测 ⇒ 约束层与审计层同族；Apache-2.0（自报）
## 工具与实践
sofagent 直接使用或借鉴了它们的能力。
- **[TencentDB Agent Memory](https://github.com/TencentCloud/TencentDB-Agent-Memory)** · Tencent Cloud — 4 层分层记忆（弱依赖只读集成）
- **[Microsoft GraphRAG](https://github.com/microsoft/graphrag)** — knowledge/ 四层结构 = 轻量 GraphRAG
- **[Open Knowledge Format](https://github.com/GoogleCloudPlatform/knowledge-catalog/tree/main/okf)** · Google — Markdown+YAML+Git 知识格式
- **[Don't Do RAG](https://arxiv.org/abs/2412.15605)** · WWW '25 — CAG 验证「干净 Markdown 就够了」
- **[agency-orchestrator](https://github.com/jnMetaCode/agency-orchestrator)** — `ao compose` 一行编排
- **[agency-agents-zh](https://github.com/jnMetaCode/agency-agents-zh)** — 215 个中文岗位模板
- **[MiroFish](https://github.com/666ghj/MiroFish)** — 工具调用与答案分离，启发证据分层
- **[superpowers](https://github.com/obra/superpowers)** — Skill 作为 Harness 杠杆
- **[best-of-agent-harnesses](https://github.com/RyanAlberts/best-of-agent-harnesses)** — 101+ Harness 项目索引
- **[agent-skills](https://github.com/addyosmani/agent-skills)** · Addy Osmani — 反合理化表设计
- **[gstack](https://github.com/garrytan/gstack)** · Garry Tan — 六层安全栈+原子写入+角色分解
- **[Multica](https://github.com/multica-ai/multica)** —「自己不调 LLM 全推子进程」
- **[GBrain](https://github.com/garrytan/gbrain)** · Gary Tan — LLM Wiki 工业级落地，与 knowledge/ 同构
- **[skills](https://github.com/mattpocock/skills)** · Matt Pocock — 深模块受控词汇表与设计熵勘测
## 社区
- **[ClawHub](https://clawhub.ai)** — 全球 Skills 社区
- **[/goal 命令](https://docs.anthropic.com/en/docs/claude-code/goal)** · Claude Code — 自主执行循环，启发用户确认设计
- **[OpenFDE](https://open-fde.com)** — FDE 开源社区
## 关于作者
我叫孔放勋，一个只懂点前端代码的产品经理。2026 年初开始用 OpenClaw，攒了些笔记，整理成了这份 Handbook。为什么叫 sofagent？sofa + agent，合起来「沙发特工」——希望有一天能躺在沙发上，Agent 就把活干完了。这个项目里的文件是模型间 Loop 实验的产物（见上方[生成伙伴](#生成伙伴)），分享出来期待你也参与进来一起优化。