
DeepClause 发布基于 Prolog 的自修改 agent 运行时
来源标题:DeepClause: Create task and domain-specific harnesses with Logic Programming
DeepClause 推出基于 Prolog 的运行时,可逐轮让内嵌 LLM agent 读取、扩展并测试模块代码,从 REPL 逐步构建面向特定场景的定制 harness。其 DML 语言将工具、提示词、记忆与工作流统一为谓词,运行时基于编译为 WebAssembly 的 SWI-Prolog,无需本地安装 Prolog。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
轻松构建高效的模型专用、任务专用或领域专用的harness。DeepClause是一个基于Prolog的运行时,用于可自我修改的agent harness。用DeepClause创建的harness是一个自包含的库,形式为一个DML模块。DML(DeepClause Meta Language)是一个Prolog DSL,额外增加了LLM模型调用、语义判断(Jev-type模型)和约束方面的功能。嵌入运行时的LLM agent会逐轮读取、扩展并测试实时模块中的代码。你通过一个交互式REPL来驱动它。使用一次REPL,就能逐步构建出一个针对特定用例优化的自定义harness。DML运行在编译为WebAssembly的SWI-Prolog上——整个语言运行时都在进程内且可移植,无需安装原生Prolog。
大多数agent技术栈都包含许多各自独立的组成部分:工具在一处,prompt在另一处,内存在第三处,而工作流又以图或链的形式放在别处。DML把它们统统归结为一个概念——谓词。一项技能是一个子句,一个工具是一个子句,内存和状态是子句,控制流和重试是子句顺序与回溯,而一个工作流不过是谓词调用谓词。因为它是同一种语言、同一个自包含文件,各部分可以互相读取、复用和扩展,整个harness也可以作为一个单元被检查、版本化和移动。
当某项能力具有很强的专用性时,这种形态带来的收益最大。因为harness是一个可以编辑、做diff和版本化的单一模块——又因为REPL让创作agent能够通过对话来扩展它——所以针对某个特定模型(其prompt风格、上下文预算、推理水平)、某个特定任务或某个特定领域来构建harness,成本异常低廉。同一个文件还可以通过with_model/2把各个调用路由到多个模型上:用便宜的模型做分类,用强大的模型做困难的那一步,全都在纯Prolog中决定。
DeepClause建立在他人的工作之上,并对此心怀感激:DML、REPL和SDK是原创工作;以下项目被用作依赖项和概念基础。
可复现性。控制流、重试和验证都是你可以阅读并重新运行的Prolog子句,因此一个DML harness往往能在不同会话和不同机器上产生相同的结果形态。模型只在你选定的点被咨询,其输出在有益之处是带类型的。
可审计性。每一轮都是一个事务:模块被快照,变更以替换谓词的方式提交,会话、事件轨迹和harness版本被记录下来并保持可查询。可以看到改了什么、何时改的、以及是响应什么而改的。
受监管和高风险的场景。当工作流必须被审查、版本化和复现——并且把确定性逻辑与模型判断分开会有帮助时——一个小而可检查的harness比一个prompt更容易审查。事务记录和回滚旨在支持这类审查,而非取代它。
神经符号AI研究。DML提供了一个具体的基底,用于把符号推理(Prolog、CLP、回溯)与LLM调用和语义判断结合到同一个程序中,并用于研究当agent随着时间编辑它时(事务、历史、回滚)这样的系统会如何表现。
当单个prompt或一段短脚本就足够时,或者当你没有任何想要复用、审查或复现的结构时,它很可能不值得。
DeepClause用两种方式使用同一个harness: Develop是默认模式。用自然语言描述一项技能、工具或变更;创作agent会编写、测试并提交它。Work是稳定的、非创作性的界面,用于一个已准备好使用的harness。
当一个harness声明了shell/1事实时,它就在Work中变得可用:
shell({ kind: agent, system: "You are a concise writing assistant.", host_tools: [], tools: [ {name: "text_length", goal: "length_of", description: "Count characters in text.", inputs: [{name: "Text", type: string}], outputs: [{name: "N", type: integer}]} workflows: [ {name: "Uppercase", goal: "uppercase", inputs: [{name: "Text", type: string}], outputs: [_{name: "Upper", type: string}]} welcome: "Ask about text, or choose Uppercase." }).
kind: agent给出一个聊天助手,它只能调用所声明的工具和工作流。kind: workflow给出一个仅含工作流的界面,没有助手。tools是声明的DML工具;host_tools列出该harness可以使用的宿主能力(例如bash)。宿主的授权和沙箱边界仍然适用。工作流的输入和输出是带类型的。缺失或无效的输入会在执行前失败;失败、被取消或挂起的工作流不算成功。一个没有shell/1的harness没有Work界面。请打开Develop或显式Run。
进入Work
在TUI中:
/mode work [harness] 打开一个Work对话
/workflows 列出已声明的工作流
/workflow "Uppercase" {"Text":"hello"} 精确运行该工作流
/mode develop [harness] 返回创作模式
从CLI(假设有一个名为example的harness):
deepclause repl --mode work --harness example
deepclause repl --mode work --harness example
--workflow "Uppercase" --inputs '{"Text":"hello"}' --json
手动--workflow运行会精确执行该工作流,且不产生任何助手调用。agent shell仅在对话需要时才调用模型。Work和Develop是分开的对话,拥有各自的快照。Work固定在其启动时的harness版本上;要更改shell、工具或工作流,请返回Develop(或在编辑后打开一个新的Work对话)。
完整的约定见Work mode,实现状态见TUI/web reconciliation。
在默认的Develop模式中,REPL维护一个持久的DML模块(“harness”)。你可以用两种方式与它对话: dml> add a research(Question, Answer) skill that answers with task/2 and cites sources dml> run research on "why is the sky blue?" A = "Rayleigh scattering scatters short wavelengths more strongly..."
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。