不是 Chatbot，这是一家由 AI Agent 组成的虚拟公司。
每个 Agent 都是一名员工——有工位（独立文件夹）、有档案（soul.md）、有记忆（memory.md）、有上级（reports_to 链）。
它们像真实公司一样运转：CEO 分解战略、部门协作执行、会议决策、失败升级、HR 招聘。
现有 Multi-Agent 框架（AutoGen、CrewAI、MetaGPT）解决的是"让 Agent 对话"，但没有解决组织治理问题。
真实世界的公司不是一群人围成一圈轮流发言——有层级、有流程、有问责。
Corpus 把 Agent 嵌入到公司组织架构中运行：
| 传统 Multi-Agent | Corpus |
|---|---|
| Agent 之间聊天 | Agent 在部门中、向上级汇报 |
| 一轮对话结束 | 任务有编号、有状态机、可审计追溯 |
| 出错了人工介入 | 沿 reports_to 链自动升级，监察部分析根因 |
| "人不够了" 无解 | Agent 向 HR 发起招聘请求，拉会定稿 soul.md |
| 对话即产出 | 任务有 Artifact，子任务有依赖图，树形追踪 |
CEO 办公室 (T0)
│
├─ 幕僚长 ──────────────────── 首席助理 · 跨部门协调
├─ 秘书科 (T2) ─────────────── 所有会议强制参会 · 纪要生成
├─ 通讯科 (T2) ─────────────── 每日简报 · 邮件汇报
│
├─ 产品部门 (T1)
│ ├─ 创意中心 (T2) ─────── 商机发现 · 创意生成
│ ├─ 实现中心 (T2) ─────── 代码→测试→运维
│ └─ 研究中心 (T2) ─────── 市场分析 · 趋势研判
│
├─ 监察部门 (T1)
│ └─ 改进中心 (T2) ─────── 运行时分析 · 根因诊断 · 改进建议
│
└─ 人力资源部门 (T1)
└─ 招聘中心 (T2) ─────── 招聘研判 · soul.md 研讨会议
任意扩展：API / CLI 动态创建部门、调整层级、挂靠 Agent，不限层级深度。
# 1. 安装
pip install sqlalchemy aiosqlite alembic litellm fastapi uvicorn typer \
pydantic pydantic-settings cryptography pyyaml httpx websockets
# 2. 配置
cp .env.example .env # 填入 FERNET_KEY（DATABASE_URL 保持默认即可）
# 3. 初始化
python -m src.cli.main init # 创建组织架构
python -m src.cli.main seed-agents # 创建 11 名员工
# 4. 配置模型
python -m src.cli.main preset-create # 填入 API Key
# 5. 启动
python -m src.cli.main serve --port 8080打开 http://localhost:8080/dashboard/ → 开始与 CEO 对话。
| 功能 | 描述 |
|---|---|
| 独立人格 | 每个 Agent 有 soul.md（角色定位 + 能力 + 约束），可热编辑 |
| 持久记忆 | memory.md 持续记录经验，支持重要性评分与容量上限 |
| 物理工作区 | Agent = 文件夹，soul.md + memory.md + workspace/ ，可直接在磁盘上查看 |
| 模型切换 | 预设模板保存 API Key，Agent 一键选配，免重复输入 |
| 权限矩阵 | T0/T1/T2 各层级权限递减，部门权限 ∩ 个人权限 = 实际权限 |
CEO 收到用户指令
→ 分解为子任务，生成层级编号 (T-20260526-001-001)
→ 沿部门链分配给执行 Agent
→ Agent 自动认领 → LLM 执行 → 产出 Artifact
→ 子任务全部完成 → 父任务自动标记完成
| 特性 | 实现 |
|---|---|
| 层级编号 | T-{date}-{root}-{child}-{grandchild} 模式，自动生成 |
| 7 状态机 | pending → in_progress → completed / failed / needs_clarification / blocked / cancelled |
| 依赖图 | 任务间 blocks / informs 依赖，DFS 环检测 |
| 自动执行 | AgentWorker 每 5 秒轮询 pending 任务，Agent 认领后 LLM 执行 |
| 审计链 | 每次状态变更写入 audit_log，完整追溯 |
| 超时检测 | TaskWatchdog 监控超时 / 长时间阻塞，触发升级 |
非轮询式。主席管理发言队列，Agent 主动请求发言，动态回应。
秘书科强制参会 + 实时纪要。终止前逐一轮询所有 Agent 确认无补充。
WebSocket 实时推送。
| 会议类型 | 场景 |
|---|---|
| 协调会议 | Agent 间工作协作，主席（或 CEO）主持 |
| 用户直连 | 用户直接对 Agent 下达指令 |
| 招聘研讨 | HR 组织，T1+T2+请求人 6 轮议程定稿 soul.md |
任务失败 / 超时 / 需澄清
→ TaskWatchdog 检测
→ 监察部-改进中心 分析根因（LLM 记录 + 指标 + 上下文）
→ 沿 reports_to 链上报：执行 Agent → T2 负责人 → T1 部门长 → CEO → 用户
→ 上级 5 选 1：修改重试 / 再升级 / 直接解决 / 退回原 Agent / 取消
Agent 向 HR 发起招聘请求
→ HR 研判（工作量 / 技术栈 / 新能力 / 替换）
→ 通过 → soul.md 研讨会议（6 轮议程，三方确认）
→ 定稿 → 创建 Agent → 入职培训 → 活跃
→ 拒绝 → 给出详细理由（含"你处理速度远超人类"提醒）
http://localhost:8080/dashboard/ 提供 8 个页签：
| 📊 总览 | 🏗️ 组织 | 🤖 Agent | 📋 任务 | 💬 对话 | 💬 会议 | ⚙️ 预设 |
|---|
核心交互：在 💬 对话页签选 CEO，自然语言布置任务 → CEO 自动解析并创建任务 → AgentWorker 自动执行 → 任务页签实时追踪。
| 层 | 选型 | 理由 |
|---|---|---|
| 语言 | Python 3.12+ / asyncio | LLM 生态第一选择；异步支撑并发 Agent |
| LLM 抽象 | LiteLLM + OpenAI SDK | 100+ 模型统一调用；新模型自动降级直连 |
| 数据库 | SQLAlchemy 2.x / SQLite↔PostgreSQL | 开发零配置，生产高性能，一套 ORM 兼容 |
| Web | FastAPI + WebSocket | 异步原生，自动文档，实时会议推送 |
| CLI | Typer | 33 个管理命令，类型安全 |
| 安全 | Fernet (cryptography) | API Key 静态加密存储 |
src/
├── core/ 配置 · 数据库引擎 · 异常体系
├── models/ 22 个 ORM 模型（23 张表）
├── services/ 业务逻辑（Agent 生命周期 · 组织管理 · 任务 · 会议 · 升级 · 招聘）
├── agents/ 8 个专项 Agent + 注册表 + 基类
├── meeting/ 会议协议引擎（消息总线 · 发言队列 · 状态机）
├── api/routes/ 8 组 REST 路由 + WebSocket 实时会议
├── cli/ 33 个 CLI 命令 + 种子数据
├── repositories/ 4 个异步数据仓库
├── workers/ AgentWorker · TaskWatchdog · DailyBriefing · Scheduler
└── utils/ LLM 客户端 · Fernet 加密 · 文件系统 · ID 生成
python -m pytest tests/ -v
# 59 passed覆盖：ORM 模型 · T0/T1/T2 层级校验 · 任务状态机 · 依赖环检测 · 会议协议 · 发言队列 · 升级链 · Agent 创建
MIT — 自由使用、修改、分发。
Built with ❤️ by the Corpus Team