项目介绍与验证方式

Spring Boot Agent Gateway

项目亮点：用调用记录定位参数错误、工具越界和超时，方便接入 Java 服务时排查。

我做了什么

我用 Java 21 / Spring Boot 3 实现 Agent Chat API、有界 Agent Loop、白名单 Tool Registry、JSON Schema 参数校验、工具 trace、会话存储和最小 RAG。

工具管理

注册 knowledge_search 与结构化 read_only_query；通过白名单、JSON Schema、超时与有限重试控制执行。

验证结果

在 JDK 21.0.12 与 Maven 3.9.16 环境完成编译，4 个测试类共 6 项测试通过；测试覆盖工具执行、RAG 切分/召回和应用层 Agent Loop。

运行方式

mvn test；本地验证使用 H2 与内存适配器；MySQL、Redis 与在线模型接入需另行验证。

扩展接口

默认 HashEmbeddingPort 完成服务链路验证；EmbeddingPort 保留替换接口，便于结合具体数据评估召回质量。

Text2SQL / Data Agent

项目亮点：沿可信关系补联合键；遇到多条路径或无授权路径时先停下来。

业务问题

将自然语言查数拆成可澄清、可校验的执行流程，控制生成 SQL 的执行范围。

我做了什么

在训练营协作版 LangGraph 工作流上，我继续维护澄清、Schema 检索、SQL 生成与执行链路，重点收紧了 SQL 校验和只读执行边界。

验证结果

2026-09-10 的本地安全验证通过 11 条离线回归和 2 条 MySQL 权限测试。自然语言生成正确率和端到端任务通过率尚待验证。

数据环境

Agent 原型使用本地 MySQL 样例库；后续 Schema 评测使用 SQLite 合成数据。

开源贡献

为 awesome-ai-roadmap 补充 Schema 选择与关联路径的中英双语说明，经维护者评审与修订后，PR #17 于 2026-09-29 合并。

后续评测

实现 Python / SQLite 评测工具，以 8 张合成数据表、9 个测试输入和 34 项自动化测试，验证关联键补齐、权限约束、路径歧义与信息不足时的处理。

验证方式

对比补齐前后的字段召回、完整查询策略与固定参考 SQL 结果；对歧义关联要求澄清，对无可用路径或权限不足保留拒绝执行分支。

协作雷达

项目亮点：把群聊提议与会议确认分开，任务带原文依据，缺失期限留待核对。

公开来源

ClawHub：中文版本、英文版本。

项目内容

我实现了七模块协作状态卡片和确定性处理层：来源记录、PII 脱敏、跨轮聚合、Schema 校验、冲突检测，以及 CSV、飞书多维表格和 Notion 字段映射导出。

自测范围

代码中包含 CSV 公式注入 E4、SVG XSS T5、Markdown 表格注入 M1–M5，以及坏 JSON、类型不符和缺文件的对抗输入处理。

实现方式

通过固定 Schema、确定性处理和 selftest，将会议纪要、群聊记录等材料整理为结构化状态卡片。

适用范围

适合协作材料整理、状态汇总和结构化导出场景。

阅读完整案例：输入 → 状态卡 → 原文核对 → 导出 ↗

WeRead AI Brain

项目亮点：围绕一个问题对照跨书观点，核对原文、排除误关联后再导出。

公开来源

GitHub：yamyeed/weread-ai-brain。

项目内容

项目整合微信读书相关数据、可视化看板、AI 分析与 Markdown 知识导出；Skill 文档包含依赖、命令和环境变量说明。

使用前提

使用者需自行提供 API Key 并在本地配置环境变量；公开仓库不包含个人密钥。

使用方式

项目提供开源仓库和 Skill 配置。公开跨书演示使用人工编写的解读，供核对原文、修正关系和导出，不接入个人微信读书账号。

企业年报文本情感分析交付

项目亮点：把整份年报筛成指定主题的句子，逐句分析后导出；客户可在 Windows 操作。

业务问题

客户需要从若干上市公司年报中筛选指定主题语句并识别情感态度。原流程依赖人工逐份查阅，非技术用户也无法直接运行模型脚本。

需求与迭代

我将模糊需求拆成文本处理、主题语句筛选、句级情感分类、结果校验和结构化导出；先完成单企业版本，再按实际使用需求扩展多企业批处理和 XLSX 字段。

交付形态

将基于 BERT 的句级情感分析流程封装为 Windows GUI，支持拖拽上传年报或 ZIP 批量处理，并导出 Excel / CSV。

运行与交接

针对客户环境缺少依赖、GUI 无法启动、批量运行慢和网络等问题重新封装环境，并补充演示与操作指南。

完成结果

客户能够按指南完成批量处理和结构化导出，项目随后完成验收并付款。

项目定位

工具用于投研信息整理与辅助判断，最终投资判断由使用者完成。

Agent 任务评估

检查任务是否完成，沿工具调用、文件处理和产物保存记录定位失败环节。

业务问题

复合任务需要工具执行、文件处理和结果保存。评估时要核对每一步的实际产物与任务要求。

我做了什么

在两个执行环境下，记录 5 个代号模型完成 3 类复合任务时的工具调用、代码执行、数据分析与产物保存表现。

如何验证

对照任务要求、执行记录和评测产物截图，核查任务完成情况，并将问题归到任务理解、工具输入、执行、保存或结果依据。

观察结果

整理了上下文丢失、工具链路中断、产物格式不一致、结论缺少数据支撑等失败模式，用于讨论校验、人工确认和异常回退。

材料范围

此处汇总评估方法和失败模式。原始任务材料按保密要求管理，尚无完整公开脱敏包；这些记录用于说明特定任务中的观察与归因。

RAG 与 MCP 工具协议验证

项目亮点：分开验证检索质量、工具协议与应用权限，避免把能调用当成能交付。

项目内容

我用 LangChain 与 LlamaIndex 分别实现一套 RAG 管线，对照切分、Dense + BM25 多路召回与 RRF 重排，并以 Chroma 持久化检索数据。

MCP 验证

使用 Python 标准库实现 JSON-RPC 2.0 over stdio 的最小 MCP server，注册 2 个工具；自建 client 已完成 initialize、tools/list 与两个 tools/call 冒烟测试。

工程判断

双框架对照用于验证“框架负责管线封装，检索质量取决于切分、召回与重排策略”；MCP 验证工具协议，权限、审计和人工确认由应用层负责。

测试记录

覆盖协议握手、工具发现，以及自建 client 对 2 个工具的调用链路。

费用审核预检：流程节点 AI 化与人机协同

项目亮点：把缺证据和制度违规分开，告诉人工补什么，齐备后才进入规则审核。

问题范围

聚焦报销材料在进入费用规则审核前的证据完整性检查。附件缺失、票面与字段冲突或特批证据不足时转 FLAG 并给出人工补证 / 核实建议；最终审批仍由人工负责。

一次纠偏

规则复核发现，早期规则曾把“附件缺失”与已证实制度违规一起归入 REJECT。修正后，证据不足统一保留为待核验信号；T10 验证“附件缺失不自动驳回”。

验证范围

12/12 条分流测试通过；30 条标注样本的决策准确率为 63.33%，低于预设 80% 门槛，当前范围保留人工复核。

项目中的判断

主动收窄高风险范围、区分证据缺失与制度违规、用评测门槛决定是否扩围，并为人工复核保留可执行的下一步。

科学营养顾问

项目亮点：按预算和偏好给外卖选餐建议，信息不足先追问，遇特殊人群提示适用边界。

公开来源

中文版本、英文版本、讯飞获奖公示。

下载量统计

中文和英文版本的累计下载量可在各自 ClawHub 公开页面查看；按平台统计口径理解分发情况。

健康提示

产品说明包含特殊人群、疾病与医疗建议的转介机制，定位为健康管理辅助工具。

AI 带读教练

项目亮点：同一本技术书，换一个工作目标，就能看到不同的优先阅读章节。

产品任务

将一次性 AI 问答改造成有状态、可追踪、可复用的领读产品：根据读者身份、痛点和目标生成全书裁剪地图，逐章产出领读稿，并用迁移应用题检查理解。

我做了什么

把数据模型、章节解析、阅读批次、进度状态、生成约束、降级策略与验收清单写进可直接供 AI 工具读取的结构化需求，再推进 UI 原型。

产品边界

HTTP Agent 接口兼容 SSE、NDJSON、JSON 与纯文本响应。公开演示使用本地流式引擎，开发者面板展示生成来源、token 估算与耗时。

验证结果

2026-11-03 的本地预览版本通过 40 项测试、类型检查与构建。测试曾发现并修复新建书籍时忽略传入章节状态的问题。

当前状态

公开原应用提供书架、章节进度与 Agent 接入接口；本次离线演示按目标词匹配章节标题。生成内容与应用题用于体验流程，尚待目标用户验证。

媒体抽取 media-extract

项目亮点：优先提取已有文字或字幕，保留出处；批量中断时只重跑未完成项。

按媒体类型选择文字层、内置字幕、OCR 或语音识别，输出可阅读正文、机器可读元数据和原始依据。

阅读完整案例 ↗

PersonalOS Tool-Calling Agent

项目亮点：从检索来源生成待保存预览，用户确认才写入，重复确认不新增。

业务问题

在本地优先的多模块工作流系统中，让模型按问题选择知识检索、全文检索和文章查询等工具，并完成多轮调用。

我做了什么

为工具能力定义 JSON Schema；模型只提出调用意图，系统校验参数、执行受定义的工具，再将结果回填到对话。

上下文边界

按问题关键词裁剪模型可见的工具 Schema；默认只暴露知识检索与全文检索，并限制工具结果长度及历史消息数量。

运行边界

历史消息最多带入最近 10 条，Agent Loop 上限为 10 轮；对话与已使用工具记录在本地 SQLite 中。

API 与记录

提供受登录保护的工具列表、对话创建、读取与删除接口，支持恢复会话并核查已调用工具。

模块验证

2026-10-29 的 20 项本地专项回归通过，覆盖工具循环、失败处理、确认与取消、上下文边界和检索来源。

公开演示范围

隔离验证使用三条公开材料，检查空检索、取消、过期和重复确认；草稿由检索摘录拼接。主应用中的模型与知识库完整链路仍待端到端验证。