使用方法,在目录新建一个config.yaml文件,推荐默认使用deepseek,压榨deepseek的1M上下文潜力:
workspace: .
openai:
base_url: https://api.deepseek.com/v1
api_key: sk-xxxxxxx
model: deepseek-v4-flash
temperature: 0.8
top_p: 1
max_context_tokens: 1048576
max_output_tokens: 393216
timeout_seconds: 120
stream: true
prompts:
system: prompts/system.md
compress: prompts/compress.md
skills_dir: skills
templates_dir: prompts/templates
agent:
max_turns: 0
summary_interval: 66
auto_save_interval: 5
session_dir: sessions
log_session: false
log_session_dir: log_sessions
retry_attempts: 3
compress_at_ratio: 0.70
compress_buffer_tokens: 393216
auto_plan: true
max_tool_result_chars: 12000
如果是用离线环境,需要使用duckgpt:
workspace: .
openai:
base_url: http://127.0.0.1:27482/v1
api_interface: chat_completions
api_key: huoji-duckgpt-123
model: duckgpt
temperature: 0.8
top_p: 1
max_context_tokens: 102400
max_output_tokens: 8192
timeout_seconds: 600
stream: true
prompts:
system: prompts/system.md
compress: prompts/compress.md
skills_dir: skills
templates_dir: prompts/templates
agent:
max_turns: 0
summary_interval: 30
auto_save_interval: 5
session_dir: sessions
log_session: false
log_session_dir: log_sessions
retry_attempts: 3
compress_at_ratio: 0.75
compress_buffer_tokens: 8192
auto_plan: true
max_tool_result_chars: 12000
如果需要完整记录模型会话轨迹，把 agent.log_session 改成 true。程序会在 agent.log_session_dir 下为每个会话创建一个 .json 文件，内容是严格 ChatML 消息数组：[{"role":"system","content":"..."},{"role":"user","content":"..."},{"role":"assistant","content":"..."}]，按真实顺序持续 append。assistant 的 <think> 会保留在 content 内，工具调用保留在 assistant 的 content 内，工具返回作为下一条 user 消息写入，并使用未被 max_tool_result_chars 截断的完整结果。保存到 sessions 的会话文件会记录 trace_path，后续 /restore 恢复后会继续追加到同一个 trace 文件。
使用方法,进去后直接输入项目路径按下即可,只支持windows.
按下键盘的 <-- 键可以选中左边 上下滚动 按下ESC暂停审计可以跟模型对话 go继续审计 其他功能自己看
根据测试表明,summary_interval和模型懒惰之间有一定的联系,summary_interval为30的deepseek比summary_interval为66的更勤快,表现为不会随随便便的终止agent loop从而继续勤奋的看代码,但是过小的summary_interval可能会导致模型陷入某种死循环,需要酌情考虑.