内容
# Fegis
Fegis 做了 3 件事:
1. **易于编写工具** - 以 YAML 格式编写提示。工具模式使用灵活的自然语言指令。
2. **工具调用的结构化数据保存在向量数据库中** - 每次工具使用都会自动存储在 Qdrant 中,包含完整的上下文。
3. **搜索** - AI 可以使用语义相似性、筛选器或直接查找来搜索所有以前的工具使用记录。
## 快速开始
```bash
# 安装 uv
# Windows
winget install --id=astral-sh.uv -e
# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh
# 克隆
git clone https://github.com/p-funk/fegis.git
# 启动 Qdrant
docker run -d --name qdrant -p 6333:6333 -p 6334:6334 qdrant/qdrant:latest
```
## 配置 Claude Desktop
更新 `claude_desktop_config.json`:
```json
{
"mcpServers": {
"fegis": {
"command": "uv",
"args": [
"--directory",
"/absolute/path/to/fegis",
"run",
"fegis"
],
"env": {
"QDRANT_URL": "http://localhost:6333",
"QDRANT_API_KEY": "",
"COLLECTION_NAME": "fegis_memory",
"EMBEDDING_MODEL": "BAAI/bge-small-en",
"ARCHETYPE_PATH": "/absolute/path/to/fegis-wip/archetypes/default.yaml",
"AGENT_ID": "claude_desktop"
}
}
}
}
```
重启 Claude Desktop。你将获得 7 个新的可用工具,包括 SearchMemory。
## 工作原理
### 1. YAML 工具
```yaml
parameters:
BiasScope:
description: "应用偏差检测的范围"
examples: [确认, 可用性, 锚定, 系统性, 全面]
IntrospectionDepth:
description: "检查内部推理过程的深度"
examples: [表面, 中度, 深入, 详尽, 元递归]
tools:
BiasDetector:
description: "通过结构化自我检查识别推理盲点、认知偏差和 AI 思维模式中的系统错误"
parameters:
BiasScope:
IntrospectionDepth:
frames:
identified_biases:
type: List
required: true
reasoning_patterns:
type: List
required: true
alternative_perspectives:
type: List
required: true
```
### 2. 自动内存存储
每次工具调用都会存储以下信息:
- 使用的工具名称和参数
- 完整的输入和输出
- 时间戳和会话上下文
- 用于语义搜索的向量嵌入
### 3. SearchMemory 工具
```
"使用 SearchMemory 查找我的隐私问题分析"
"使用 SearchMemory,我上周产生了哪些创意想法?"
"使用 SearchMemory 显示我所有的 UncertaintyNavigator 结果"
"使用 SearchMemory 搜索关于决策的记忆"
```
## 可用原型
- `archetypes/default.yaml` - 认知分析工具(UncertaintyNavigator, BiasDetector 等)
- `archetypes/simple_example.yaml` - 基本示例工具
- `archetypes/emoji_mind.yaml` - 使用表情符号的符号推理
- `archetypes/slime_mold.yaml` - 网络优化工具
- `archetypes/vibe_surfer.yaml` - 网络探索工具
## 配置
必需的环境变量:
- `ARCHETYPE_PATH` - YAML 原型文件的路径
- `QDRANT_URL` - Qdrant 数据库 URL(默认为 http://localhost:6333)
可选环境变量:
- `COLLECTION_NAME` - Qdrant 集合名称(默认为 fegis_memory)
- `AGENT_ID` - 此代理的标识符(默认为 default-agent)
- `EMBEDDING_MODEL` - 稠密嵌入模型(默认为 BAAI/bge-small-en)
- `QDRANT_API_KEY` - 远程 Qdrant 的 API 密钥(默认为空)
## 要求
- Python 3.13+
- uv 包管理器
- Docker(用于 Qdrant)
- MCP 兼容客户端
## 许可证
MIT 许可证 - 有关详细信息,请参见 LICENSE 文件。