# 讨论历史

## 2026-05-07 项目启动与架构设计

### 背景
用户有一个 `MSN天气API探索报告.md` 文档，记录了通过抓包发现的微软 MSN 天气内部 API（`assets.msn.cn`），该 API 国内访问速度快，数据完整（温度、湿度、风速、AQI、紫外线等），但属于非公开接口，无 SLA 保证。

### 目标演变
1. **最初目标**：做一个"天气情报官" agent，后期结合 TTS 和 ASR 实现语音查询播报
2. **深化**：用户想从 0 实现一个类似 opencode 主-从架构的个人 AI 助理，解决现有单 agent 框架（zeroclaw/picoclaw）的痛点：上下文污染、工具执行懒惰、skill 效果差
3. **当前范围**：先做一个最小化的 CLI 天气查询工具，验证 .md 外挂 agent 定义 + session 会话管理 + 工具注册表机制

### 架构决策

#### 为什么不用现有框架（LangChain 等）
- 核心创新是 .md 文件即 agent 定义，与任何框架都耦合不上
- 自实现核心 ~500 行，无外部依赖包袱

#### Agent 定义格式（仿 opencode）
- YAML frontmatter + Markdown body
- frontmatter 字段：name, description, type, tools, permission
- body 即 system prompt，定义角色行为

#### Session 会话机制
- `session.json` 文件存对话历史，格式兼容 OpenAI Chat Completion API messages 数组
- 每次启动清空，每轮对话追加
- 追问时 LLM 自动判断是否需要重新调 API（数据过期/不同城市）
- 通用设计，后续 master-subagent 架构也可复用

#### LLM 提供商
- 用户提供豆包（火山引擎）API：`https://ark.cn-beijing.volces.com/api/v3`
- 模型：`doubao-seed-2-0-pro-260215`
- 环境变量可配置：`LLM_ENDPOINT`, `LLM_MODEL`, `LLM_API_KEY`

### 工具系统
- 声明式注册：`tool.go` 注册工具，`.md` 文件声明即可用
- 内置工具：`http-get`, `skill`, `read-file`
- skill 工具按需加载，不预置到 system prompt

### Windows 编码问题
- PowerShell 输出编码为 GB2312，Go 输出 UTF-8 导致中文乱码
- 通过 `kernel32.SetConsoleOutputCP(65001)` 设置控制台 CP 为 UTF-8
- 在 PowerShell 中需额外执行 `[Console]::OutputEncoding = [Text.Encoding]::UTF8`

### 项目结构（最终）
```
weather/
├── main.go                    # CLI 入口
├── types.go                   # 核心类型
├── loader.go                  # .md 解析 + skill 加载
├── llm.go                     # LLM API 封装（默认豆包）
├── tool.go                    # 工具注册表
├── runtime.go                 # agent 循环 + session
├── agents/
│   └── weather-agent.md       # 天气情报官定义
├── skills/
│   └── msn-weather-api/SKILL.md
├── data/
│   └── cities.json            # 42 个中国城市
├── taolun.md                  # 本文件
├── changelog.md               # 版本变更
└── agents.md                  # 编码规范
```

### 验证结果
- 单次查询：`.\weather-agent.exe "北京今天天气"` → 成功返回温度、湿度、AQI 等
- 交互模式：启动后连续追问 → `session.json` 记录历史，LLM 基于上下文回答"适合穿什么"
- 豆包 API 工具调用正常：自动读取 cities.json → 调 MSN API → 分析输出

---

## 2026-05-07 项目重命名与配置体系

### 变更
1. **项目重命名**：`weather-agent` → `weather-cia`（CIA = 天气情报官）
2. **配置体系**：`~/.config/weather-cli/config.yaml` 统一管理 LLM 配置
3. **初始化方式**：`weather-cia onboard` 交互式向导，替代手动写配置文件
4. **双路径搜索**：项目目录优先 + `~/.config/weather-cli/` 后备

### 关键决策
- **用 config.yaml 而非 .env/.secret**：YAML 风格与 agent 定义一致，API Key 用 0600 权限保护
- **配置优先级**：环境变量 > 配置文件 > 默认值（`init()` 中依次加载）
- **`onboard` 子命令**：交互式 TTY 输入，自动复制默认 agents/skills/data 到全局目录
- **搜索路径**：`SearchFile()` 统一管理，开发者用项目文件，用户用全局配置

### 验证
- `weather-cia onboard` 成功创建 `~/.config/weather-cli/config.yaml`
- `weather-cia "北京今天天气"` 无需环境变量，直接读取配置文件中的豆包 key 并成功返回天气数据
- 全局配置目录自动包含 agents/、skills/、data/ 的完整副本

---

## 2026-05-07 架构分离：Agent Skill vs 普通 Skill vs Tool

### 背景
参考了 picoclaw 的 weather skill 设计，对比发现：
- picoclaw 的 skill 写得很完整（含验证规则、边界情况）
- 但我们的 `weather-agent.md` 之前 inline 了大量 API 细节 → 和 picoclaw 一样污染上下文

### 决策：三层分离

| 层 | 文件位置 | 加载时机 | 上下文影响 |
|---|---------|---------|-----------|
| **Agent skill** | `agents/weather-agent.md` | 启动即加载为 system prompt | **全程** |
| **普通 skill** | `skills/*/SKILL.md` | LLM 调用 `skill("name")` 时 | **仅该轮对话** |
| **Tool** | `src/tool.go` 注册 | 预声明，LLM 调用时执行 | **仅返回结果文本** |

### 具体改造

1. **新增 `geocode` tool**（Go 代码）：
   - 输入城市名，调 wttr.in `?format=j1` 解析 JSON
   - 返回 `{lat, lon, name, country}` 结构化数据
   - 确定性执行，比 LLM 自己构造 URL 解析 JSON 更可靠

2. **新建 `skills/geocoding/SKILL.md`**：
   - 纯知识：wttr.in 查询格式、JSON 解析路径
   - 验证规则：同名城市检测、country 核对、population 排序

3. **精简 `agents/weather-agent.md`**：
   - 去掉所有 MSN API URL、apiKey、请求头、JSON 路径等内联知识
   - 改为行为描述：识别城市 → geocode → skill("msn-weather-api") → http-get → 分析
   - 从 65 行缩减为 40 行，只留行为逻辑

4. **session 移至 `~/.config/weather-cli/session.json`**

### 结果
- Agent skill 保持瘦身，system prompt 不膨胀
- 知识按需加载，用完即走，不残留上下文
- Tool 执行可靠，不依赖 LLM 的 JSON 解析能力
- 三种内容互不干扰，为后续主-从架构打下基础

---

## 2026-05-07 项目更名：云枢·Agent

### 变更
1. **正式命名**：云枢·Agent（YunShu / yunshu）
   - 坐看云卷云舒，静听花开花落
2. **配置目录迁移**：`~/.config/weather-cli/` → `~/.config/yunshu/`（自动迁移）
3. **二进制名称**：`yunshu`
4. **架构白皮书**：`~/Desktop/yunshu-architecture.md`

### 设计理念
"云枢"二字呼应了项目作为 AI 助理"中枢调度"的定位——云是分布式的、流转的，枢是枢纽、核心。后续主-从架构中，master 负责调度、subagent 各司其职，恰如云卷云舒。