liquid

# Liquid **连接您的 AI 代理到任何事物 — 无需编写或维护连接器。** 将 Liquid 指向一个 URL 或数据库，它会自动为您找出接口： 发现其结构，映射到您要求的字段，并处理身份验证、 分页和规范化 — 类型记录，无需客户端代码。当上游发生变化时， 它会重新映射并继续。相同的简单 API — `fetch` · `query` · `write` · `sense` — 可以访问 Web API、数据库、其他代理（MCP/A2A）、电子邮件、 甚至物联网和工业系统（MQTT、Modbus、OPC UA、BACnet）。LLM 在设置时进行学习（和漂移）； 数据路径本身不调用模型。 [](https://pypi.org/project/liquid-api/) [](https://github.com/ertad-family/liquid/blob/main/LICENSE) [](https://www.python.org/) --- ## Liquid 可以连接的工具 一个代理接口（`fetch` · `query` · `write` · `sense`）可以访问代理可能需要的所有内容 — Liquid 可以自动识别 *如何连接*，因此代理不需要。 这是代理的感知 **和** 操作： `fetch`/`query` 探测，`sense` 感知实时事件流，`write` 操作世界。 - **Web API 和消息传递** — REST/JSON，GraphQL，SOAP/WSDL，gRPC，WebSocket， SSE/NDJSON 流，MQTT（IoT 发布/订阅 — 订阅感知，发布操作） - **电子邮件** — IMAP/SMTP（任何提供商，应用密码或 OAuth2 `XOAUTH2`）和 Gmail API（OAuth2）：读取邮箱，`sense` 新邮件到达，发送 - **工业 / OT** — Modbus（PLC，传感器）和 OPC UA（工业 4.0 节点， 原生订阅）适用于工厂车间；BACnet 适用于建筑物（暖通空调/建筑管理系统）— 读取，写入，感知 - **Android 设备** — 手机，电视盒，信息亭通过 ADB：感知 `logcat`，读取 `shell`，操作 `input`/`am` - **其他代理和工具** — 任何 MCP 服务器，A2A 代理，ChatGPT 插件清单 - **数据库** — Postgres（+ pgvector），MySQL/MariaDB，SQLite，DuckDB，SQL Server， Neo4j（图），MongoDB（文档），Redis（键值） - **人，地点和事物** — 一个人类，一个家或一辆车作为节点通过 `connectors`：Telegram（感知消息，`send` 回复），Home Assistant （感知整个智能家居的状态变化，通过 `call_service` 操作 — 灯， 锁，媒体），和 Smartcar（感知连接的车辆，跨约 30 个品牌 — 位置/电池/燃料 — 和操作：`lock`/`unlock`，充电） 将它指向一个 `https://…` 端点，一个 `postgres://…` / `mongodb://…` / `redis://…` DSN，一个 `grpc://…` 目标，或另一个 MCP 服务器 — 发现识别接口， 学习其结构，并为您的代理提供类型记录。相同的 `fetch`/`query`/`write` 无论底层是什么都起作用。 无需为每个服务编写连接器；集成在上游更改时自行维护。 ```python # 一个它从未见过的 Web API — 没有规范，没有连接器，没有身份验证 adapter = await liquid.get_or_create( "https://api.openbrewerydb.org/v1/breweries", target_model={"name": "str", "city": "str", "country": "str"}, auto_approve=True, ) breweries = await liquid.fetch(adapter) # 类型记录 # 数据库只是另一个接口 — 相同的 API，也可以写入 db = await liquid.get_or_create("postgresql://reader@host/shop", target_model={"id": "int", "email": "str"}, auto_approve=True) orders = await liquid.fetch(db, "/public/orders") await liquid.write(db, "/public/orders", op="insert", values={"email": "a@b.com", "total_cents": 9900}, allow_write=True) # 需要许可；修改存储 ``` 您不需要编写连接器和模式：LLM 在设置时学习接口（数据库自我检查并跳过此步骤）， 并且集成在上游漂移时**自我修复**。运行时是纯确定性传输 — 可预测的成本，可复制的行为，无需维护。 ## 为现实代理的约束而构建 连接一切是一半的工作。另一半是代理为每个令牌付费， 遇到不一致的格式时感到困惑，无法解析错误文本。 Liquid 用具体的原始类型回答每个问题 — 所有这些都已发货，全部在 PyPI 上。 ### 上下文预算控制 ```python # 在服务器端搜索/聚合，而不是获取后过滤 — 减少 10-100 倍的令牌 orders = await liquid.search(adapter, "/orders", where={"total_cents": {"$gt": 10000}, "status": "paid"}, limit=20) stats = await liquid.aggregate(adapter, "/orders", group_by="status", agg={"total_cents": "sum", "id": "count"}) hits = await liquid.text_search(adapter, "/tickets", "shipping delay") # BM25-lite data = await liquid.fetch(adapter, "/orders", max_tokens=2000) # 预算上限 data = await liquid.fetch(adapter, "/customers", verbosity="terse") # id + 1-2 个字段 ``` ### 跨源规范化 ```python liquid = Liquid(..., normalize_output=True) # Stripe {amount:1000,currency:"usd"} · PayPal {value:"10.00",currency_code:"USD"} # → Money(amount_cents=1000, currency="USD", amount_decimal=Decimal("10.00")) ``` 时间戳（Unix / ISO 8601 / RFC 2822）折叠为 UTC `datetime`；分页 信封（`{data:[…]}` / `{results:[…]}` / Link 头）展平；ID 字段 在 `id` / `_id` / `uuid` / `*_id` 之间规范化。 ### 规范意图 — 跨服务的一种心智模型 ```python await liquid.execute_intent(adapter, "charge_customer", {"customer_id": "cus_xyz", "amount_cents": 9999, "currency": "USD"}) # 相同的意图在 Stripe / Braintree / Square / Adyen — 71 种规范意图 ``` ### 结构化恢复 — 代理在无需解析文本的情况下自我修复 ```python try: await liquid.fetch(adapter, "/orders") except LiquidError as e: if e.recovery and e.recovery.next_action: await agent.call_tool(e.recovery.next_action.tool, e.recovery.next_action.args) ``` 每个错误都带有 `Recovery` 和 `next_action: ToolCall`、`retry_safe` 和 `retry_after_seconds`。401 → `store_credentials`。404/410 → `repair_adapter`。429 → 在给定的延迟后重试。而当上游的模式漂移时，适配器 **自我修复**（`repair_adapter`）— 代理继续工作。 ### 可预测的成本 — 调用前就知道 ```python est = await liquid.estimate_fetch(adapter, "/orders") # FetchEstimate(expected_items=250, expected_tokens=52_000, confidence="high", …) if est.expected_tokens < my_budget: data = await liquid.fetch(adapter, "/orders") ``` `to_tools()` 发出的工具带有 `metadata` 块（`cost_credits`、 `typical_latency_ms`、`cached`、`idempotent`、`side_effects`、`related_tools`），所以 代理可以推理出应该选择哪个工具 — 而环境工具 （`liquid_check_quota`、`liquid_list_adapters`，...）允许它询问状态而不是 记忆它。 --- ## 测量的影响 现实代理任务的确定性基准测试（500 个订单，200 个票据 基准，模拟 HTTP）— 可通过 `python -m benchmarks.run` 重现： | 任务 | 指标 | 基线 | 使用 Liquid | 增量 | |---|---|---:|---:|---:| | 查找 10 个超过 100 美元的订单 | 令牌 | 75,482 | 1,519 | **-98%** | | 按状态划分收入（聚合） | 令牌 | 75,482 | 115 | **-100%** | | 获取客户（仅限 id 和电子邮件） | 令牌 | 424 | 12 | **-97%** | | 从 401 恢复 | 结构化的下一步 | 否 | 是 | — | | 查找运输票据 | 令牌 | 14,588 | 154 | **-99%** | | Stripe↔PayPal 一致性 | 字段重叠 | 0.11 | 1.00 | **+9×** | | 通过估计跳过浪费的调用 | 令牌 | 14,943 | 0 | **-100%** | | `max_tokens=2000` 预算上限 | 令牌 | 14,943 | 1,999 | **-87%** | 完整的 方法论 + 每个任务的详细情况：[`benchmarks/RESULTS.md`](benchmarks/RESULTS.md). ## 安装 ```bash pip install liquid-api # 核心 + 捆绑的 MCP 服务器（`liquid-mcp` 命令） pip install 'liquid-api[discovery]' # + 一个用于发现无规范 REST API 和字段映射的 LLM ``` **您需要额外的 LLM 吗？** 自描述接口 — OpenAPI，GraphQL， gRPC，MCP，A2A，WSDL — 和 **所有数据库**（自省）通过 **无 LLM** 发现， 整个运行时（`fetch`/`query`/`write`/`sense`）从不调用模型。您只需要一个 LLM 后端来 **发现没有机器可读规范的 REST API** （启发式 + LLM）和 **映射** 其字段。 `[discovery]` 拉取 LiteLLM，它可以访问 OpenAI / Gemini / Anthropic / 本地 / 100+ 提供商； 或直接选择一个： ```bash pip install 'liquid-api[gemini]' # Google Gemini (或 [anthropic]；OpenAI/本地通过 base_url 工作，无需额外操作) pip install 'liquid-api[grpc]' # gRPC 传输（反射） pip install 'liquid-api[ws]' # WebSocket 传输 pip install 'liquid-api[pg]' # Postgres / pgvector（asyncpg） pip install 'liquid-api[mysql]' # MySQL / MariaDB（aiomysql）；SQLite 无需额外操作 pip install 'liquid-api[neo4j]' # Neo4j 图（Bolt / Cypher） pip install 'liquid-api[duckdb]' # DuckDB（嵌入式分析） pip install 'liquid-api[mssql]' # SQL Server（ODBC；需要系统 ODBC 驱动程序） pip install 'liquid-api[mongodb]' # MongoDB（集合作为端点） pip install 'liquid-api[redis]' # Redis（键空间命名空间作为端点） pip install 'liquid-api[mqtt]' # MQTT（IoT 发布/订阅） pip install 'liquid-api[modbus]' # Modbus（工业寄存器） pip install 'liquid-api[opcua]' # OPC UA（工业 4.0 节点 + 订阅） pip install 'liquid-api[bacnet]' # BACnet（建筑自动化；ADB 需要系统 `adb` 二进制文件） # 框架集成（LangChain / OpenAI / Anthropic / MCP）已内置 — 无需额外包。 ``` 核心依赖项为空 — 每个后端的库都是可选的额外项， 仅在需要时导入。 ## 看它工作 — 实时的，无需预配置 将 Liquid 指向它从未见过的 API（无适配器，无 OpenAPI 规范，无身份验证） 并获取类型化的记录 — 您无需编写连接器；发现 + 映射是 模型运行的唯一地方。通过 [`examples/live_quickstart.py`](examples/live_quickstart.py) 可运行端到端： ```text 连接到 Liquid 从未见过的 API： https://api.openbrewerydb.org/v1/breweries 发现方法 : rest_heuristic 映射字段 : ['name', 'city', 'state', 'country'] 至今的 LLM 调用 : 2 (发现 + 映射) fetch() -> 50 个类型化记录；前 3 个： {'name': '(405) Brewing Co', 'city': 'Norman', 'state': 'Oklahoma', 'country': 'United States'} {'name': '(512) Brewing Co', 'city': 'Austin', 'state': 'Texas', 'country': 'United States'} {'name': '1 of Us Brewing Company', 'city': 'Mount Pleasant', 'state': 'Wisconsin', 'country': 'United States'} 提取过程中的 LLM 调用 : 0 第二次提取的 LLM 调用 : 0 ``` 您没有编写连接器，没有模式，没有身份验证代码 — Liquid 为您学习了接口， 并且如果它发生变化，将重新学习。 这就是重点：您不构建或维护的集成。 ## 作为 MCP 服务器运行（开源，自我托管） 将引擎暴露给任何 MCP 客户端（Claude Desktop，Cursor，Claude Code）— 它**在您自己的进程中运行**，无需云，无需帐户，无需锁定： [](cursor://anysphere.cursor-deeplink/mcp/install?name=liquid&config=eyJjb21tYW5kIjoidXZ4IiwiYXJncyI6WyJsaXF1aWQtbWNwIl19) 在 Cursor 中一键安装（按钮将服务器写入您的 `mcp.json`；之后在 Cursor 的 MCP 设置中添加您的 `OPENAI_API_KEY`）。 或手动设置： ```bash pip install liquid-api export OPENAI_API_KEY=sk-... # 或 GEMINI_API_KEY / ANTHROPIC_API_KEY， # 或 OPENAI_BASE_URL=http://localhost:11434/v1 用于本地（Ollama/vLLM） liquid-mcp # 或：python -m liquid.mcp_server ``` 使用 `uvx` 零安装（[`liquid-mcp`](https://pypi.org/project/liquid-mcp/) 软件包使命令可以按名称运行）— Claude Code： ```bash claude mcp add liquid --scope user -e OPENAI_API_KEY=sk-... -- uvx liquid-mcp ``` Claude Desktop / 任意 MCP 客户端： ```json { "mcpServers": { "liquid": { "command": "uvx", "args": ["liquid-mcp"], "env": { "OPENAI_API_KEY": "sk-..." } } } } ``` （或在 `pip install liquid-api` 后，删除 `uvx` 并直接使用 `"command": "liquid-mcp"`。） **Claude Desktop 中的一键安装：** 安装 [`.mcpb` 包](packages/liquid-mcp/mcpb) — 它提示您安装密钥（存储在 OS 密钥链中），无需编辑 JSON。 需要机器上的 `uv`。 <!-- mcp-name: io.github.ertad-family/liquid --> 工具：`liquid_connect`（发现 + 映射任意接口），`liquid_fetch`， `liquid_query`（服务器端搜索/聚合），`liquid_estimate`（预估成本/大小，无调用）， `liquid_list_adapters`，`liquid_discover`。 默认情况下**仅限读取**； 启动服务器时使用 `LIQUID_ALLOW_WRITES=1` 也会暴露 `liquid_execute`（数据库插入/更新/删除）。 适配器和凭证存储在 `~/.liquid` 下。 由 **任意 LLM** 支持 — OpenAI，Gemini，Anthropic， 任意 OpenAI 兼容/本地端点通过 `base_url`，**100+ 提供商通过 LiteLLM**， 或通过 `CallableBackend` 使用您自己的函数。 ## 快速入门 — LangGraph 代理 ```python from liquid import Liquid, InMemoryCache, RateLimiter from liquid._defaults import InMemoryVault, InMemoryAdapterRegistry, CollectorSink from liquid_langchain import LiquidToolkit from langgraph.prebuilt import create_react_agent from langchain_openai import ChatOpenAI liquid = Liquid( llm=my_llm, vault=InMemoryVault(), sink=CollectorSink(), registry=InMemoryAdapterRegistry(), cache=InMemoryCache(), rate_limiter=RateLimiter(), normalize_output=True, # 跨源规范化形状 include_meta=True, # 每个响应中的 _meta 块 ) adapter = await liquid.get_or_create( "https://api.shopify.com", target_model={"id": "str", "total_cents": "int", "customer_email": "str"}, credentials={"access_token": "shpat_..."}, auto_approve=True, ) tools = LiquidToolkit(adapter, liquid).get_tools() agent = create_react_agent(ChatOpenAI(model="gpt-4o-mini"), tools) result = await agent.ainvoke( {"messages": [("user", "Find 5 recent orders over $100 from VIP customers")]} ) ``` 代理的工具附带丰富的描述（何时使用，不用于什么，返回 形状，成本），每个错误都有结构化的恢复，服务器端搜索因此 它从不拉取 500 个订单来查找 5 个。 ## 每种接口，一个 API 发现功能会识别目标并为每个端点标记一个协议；一个可插拔的传输驱动程序运行它 — 但是面向代理的 API（`fetch`、`query`、`write`、映射、恢复、缓存、速率限制） 在所有接口中都是相同的。 | 接口 | 运行时 | 写 | 安装 | |---|---|---|---| | REST / HTTP+JSON | ✅ | ✅ 操作（POST/PUT/PATCH/DELETE） | — | | GraphQL | ✅ 查询 + Relay 分页 | ✅ 变更 | — | | SOAP / WSDL | ✅ 标准库 XML | — | — | | gRPC | ✅ 单工 + 服务器流（反射） | — | `liquid-api[grpc]` | | WebSocket | ✅ 有界批量读取 + 订阅 + 实时 `sense` | — | `liquid-api[ws]` | | SSE / NDJSON（HTTP 服务器推送） | ✅ 有界批量读取 + 实时 `sense` | — | — | | MCP（代理） | ✅ 调用工具 / 读取资源 + 通知 `sense` | ✅ 工具调用 | — | | A2A（代理） | ✅ JSON-RPC `message/send` 到 AgentCard 技能 | — | — | | Postgres（+pgvector） | ✅ 表/视图，过滤，分页，向量搜索 | ✅ | `liquid-api[pg]` | | MySQL / MariaDB | ✅ 表/视图，过滤，分页 | ✅ | `liquid-api[mysql]` | | SQLite | ✅ 表/视图，过滤，分页 | ✅ | — （标准库） | | DuckDB | ✅ 表/视图，过滤，分页 | ✅ | `liquid-api[duckdb]` | | SQL Server | ✅ 表/视图，OFFSET/FETCH 分页 | ✅ | `liquid-api[mssql]` | | Neo4j（图） | ✅ 标签/关系类型，属性过滤 | ✅ 节点 CRUD | `liquid-api[neo4j]` | | MongoDB（文档） | ✅ 集合，字段过滤，分页 | ✅ | `liquid-api[mongodb]` | | Redis（键值） | ✅ 键空间命名空间，类型值，SCAN 分页 | ✅ SET/HSET/DEL | `liquid-api[redis]` | | MQTT（IoT 发布/订阅） | ✅ 订阅 → 批量 + 实时 `sense` | ✅ 发布 | `liquid-api[mqtt]` | | Modbus（工业） | ✅ 寄存器/线圈读取 + 增量轮询 `sense` | ✅ 寄存器/线圈写入 | `liquid-api[modbus]` | | OPC UA（工业） | ✅ 节点读取 + 原生订阅 `sense` | ✅ 节点写入 | `liquid-api[opcua]` | | BACnet（建筑） | ✅ 对象属性读取 + 增量轮询 `sense` | ✅ 属性写入 | `liquid-api[bacnet]` | | ADB（Android） | ✅ shell 读取 + logcat `sense` | ✅ shell 操作（input/am） | — （系统 `adb`） | | 电子邮件 — IMAP/SMTP | ✅ 读取邮箱按 UID + 新邮件 `sense` | ✅ 发送（MIME） | — （标准库） | | 电子邮件 — Gmail API | ✅ 列表/获取 + `history` `sense` | ✅ `messages.send` | — （OAuth2） | **读写。** `liquid.write(adapter, endpoint, op="insert", values={...}, allow_write=True)` 修改任何数据库（SQL `INSERT`/`UPDATE`/`DELETE`，MongoDB 插入/更新/删除，Redis `SET`/`HSET`/`DEL`，Neo4j 节点 CRUD）；Web/代理写入通过验证的操作进行。标识符来自内省，值是参数化的；`update`/`delete` 需要 `where`（无空白修改）；写入 **在您选择启用时才进行**，需设置 `allow_write=True`。 **Sense — 感官器官。** `liquid.sense(adapter, endpoint)` 在任何地方感知实时事件流：SQL 行增量（和 Postgres `LISTEN/NOTIFY`），Redis 发布/订阅，WebSocket 帧，HTTP 服务器推送（SSE/NDJSON），以及 MCP 通知 — 每个都作为模态无关的事件产生。指向 *内部*，`liquid.sense_webhook(port=…, verifier=…)` 托管一个入站端点，以便服务（或人类，通过 Webhook）发布到代理成为可感知的信号。所有这些都受 `max_events` / `max_seconds` 的限制，以便代理可以排空并拉取。 **感官运动循环。** `react(stream, handler)` 为每个感知的事件驱动一个处理程序 — 具有错误隔离和有界并发 — 以便主机可以 *感知 → 唤醒代理 → 采取行动*。`merge_senses(*streams)` 将多个感知合并为一个循环，以便一个代理可以同时监视数据库、队列和 Webhook： ```python events = merge_senses( await liquid.sense(orders, "/orders"), await liquid.sense_webhook(port=8088, verifier=stripe_verifier), ) await react(events, on_event, max_concurrency=4) ``` **发现是自动的 — 并实时识别。** 在管道运行之前， 指纹步骤命名目标：一个裸 `host:port` 通过知名端口规范化（`db:5432` → `postgresql://db:5432`），`liquid.identify(url)` 回答“这是什么，它的驱动程序是否已安装？”如果缺少后端，则提供安装提示。（识别协议是可行的实时；*发言*新的身份验证二进制协议不是 — 所以未知协议被命名，而不是猜测。） | 发现 | 它寻找的地方 | 成本 | |---|---|---| | 数据库 | 目录内省（`postgres://`，`mysql://`，`mongodb://`，`redis://`，`neo4j://`，…） | 低 | | gRPC / WebSocket / SSE | 服务器反射 / 帧采样 / 内容类型嗅探 | 低 | | MCP / A2A / 插件 | `/mcp`，`/.well-known/agent-card.json`，`/.well-known/ai-plugin.json` | 低 | | OpenAPI / GraphQL / SOAP | 规范，内省，或 WSDL | 低 | | REST 启发式 | 常用路径 + LLM 解释 | 中 | | 浏览器 | Playwright 捕获网络 | 高 | **无需编写代码即可添加后端。** 对于 SQL 系列，契约是声明式的，可以作为 **数据**：一个 **方言清单**（引用，占位符样式，分页，内省 SQL，错误映射，DBAPI2 模块）通过 `register_sql_manifest({...})` 注册，安装一个工作驱动程序 + 发现 — 因此一个新的 SQL / 线兼容存储（CockroachDB，ClickHouse，任何 DBAPI2 驱动程序），甚至一个从网络获取为 JSON 的存储，无需发布即可连接。新协议否则通过 `liquid.transport.ProtocolDriver` 协议插入；SQL 后端共享一个方言感知核心，因此一个新的大约是 80 行的适配器。 **您想教 Liquid 一个新协议吗？** 一个完整的传输驱动程序（`fetch`/`write`/`sense`）通常大约 150 行 — 请参阅 [docs/ADDING_A_DRIVER.md](docs/ADDING_A_DRIVER.md) 以获取演练和愿望清单（CAN 总线，CoAP，KNX，AMQP，NATS，SNMP，…）。欢迎贡献。 2,500+ 个 API 已在 [全局目录](https://liquid.ertad.family/catalog) 中预先发现和预先映射 — 大多数热门服务连接时无需发现成本。 ## 架构 ``` URL / DSN 代理 ↓ ↑ 指纹 → 发现 FETCH · QUERY · WRITE · SEARCH · AGGREGATE ↓ ↑ 每个接口的一个 ProtocolDriver 确定的每协议传输 REST GraphQL gRPC WS SSE MQTT 查询 DSL（服务器端过滤） MCP A2A · SQL 图文档 KV · 输出规范化 Modbus OPC-UA BACnet ADB … 详细协议列表见上表 ↓ 结构化恢复 + 自我修复 APISchema 速率限制感知令牌桶 ↓ 响应缓存（Cache-Control 感知） AI 映射（仅设置） 经验数据探查（云） ↓ 适配器配置 ``` **AI 仅在设置时参与。** 运行时是纯传输，带有转换 — 没有每次调用的 LLM，可预测的成本，可复制的行为（除了 `search_nl`，它会缓存其编译）。 ## 可交换组件 每个横切关注点都是一个可以替换的 `Protocol`： ```python from liquid.protocols import ( Vault, LLMBackend, DataSink, KnowledgeStore, AdapterRegistry, CacheStore, ) ``` 所有这些都附带内存实现；`liquid-cloud` 为托管部署提供 `PostgresVault`、`RedisCache` 等。 ## 框架支持 ```python adapter.to_tools(format="anthropic") # Claude 工具使用 adapter.to_tools(format="openai") # OpenAI 函数调用（LangChain/CrewAI 直接使用） adapter.to_tools(format="mcp") # MCP（Claude Desktop，Cursor） ``` ## 框架集成 无需安装额外的包 — 它内置于 `liquid-api`。`adapter.to_tools(format="anthropic" | "openai" | "mcp")` 发出可直接使用的工具定义，用于 Claude 工具使用、OpenAI 函数调用（LangChain / LangGraph 和 CrewAI 直接使用），以及任何 MCP 客户端（Claude Desktop，Cursor，…）。捆绑的 `liquid-mcp` 服务器还开箱即用地将 Liquid 作为 MCP 工具公开。 ## 比较 | 功能 | Liquid | Zapier | LangChain 工具 | DIY | |---|---|---|---|---| | 自动发现任何接口（无精选连接器） | 是 | 否 | 否 | 否 | | 一个层中的 API + 数据库 + 代理 | 是 | 部分 | 否 | 否 | | 通过一个 API 读取 **和** 写入 | 是 | 是 | 部分 | 否 | | 服务器端搜索 / 聚合 | 是 | 否 | 否 | 部分 | | 跨源输出规范化 | 是 | 部分 | 否 | 否 | | 带有 next_action 的结构化恢复 | 是 | 否 | 否 | 否 | | 架构漂移时的自我修复 | 是 | 否 | 否 | 否 | | 预飞行成本估算 | 是 | 否 | 否 | 否 | | MCP + A2A + LangChain + CrewAI 原生 | 是 | 否 | 部分 | 否 | | 开源 | 是 | 否 | 是 | 不适用 | ## 文档 - [快速入门](docs/QUICKSTART.md) — 发现 → 映射 → 获取，以及 **无 LLM 运行时** - [开源 vs. 云](docs/OSS-VS-CLOUD.md) — 诚实的边界：免费/自托管 vs. 托管 - [架构](docs/ARCHITECTURE.md) - [扩展](docs/EXTENDING.md) — 实现您自己的 Vault / LLM / Sink - [写入操作规范](docs/SPEC-WRITE-OPERATIONS.md)