完整示例：用仓库模式与依赖注入实现 SOLID

Repository Pattern 把所有与数据源（数据库、API、文件等）的交互封装进单一类，业务层只面对简洁的接口，就像图书馆的管理员负责取书，访客只需提出请求。代码中通过 IBookRepository 定义获取、查询、预订等操作，由 BookRepository 实现具体的数据访问。

Dependency Inversion Principle（DIP）要求高层模块依赖抽象而非具体实现，本文把业务类 BookReservationService 的构造函数参数声明为 IBookRepository 与 INotificationSender 接口。依赖注入（DI）则是把具体实现（BookRepository、EmailNotificationSender、SmsNotificationSender）在容器注册后自动注入，完成 DIP 的落地。

在示例里，单一职责体现在每个类只承担数据访问、业务规则或通知发送一种职责；开放/封闭体现在新增 SmsNotificationSender 时无需修改业务代码；里氏替换保证任意实现 INotificationSender 都可直接使用；接口隔离让 INotificationSender 只保留 SendAsync 一个方法，避免臃肿。

通过这套完整的图书预订系统，开发者可以直观看到 SOLID 五大原则在实际代码中的具体体现，并快速在自己的项目中复用相同的结构。

GitHub: GitHub

#开发者 #工具 #SOLID #RepositoryPattern #DependencyInjection #CSharp #DotNet
@DevToolboxHub

本地语义Shell实验：从 Needle2 到 llama.cpp + Granite

在一次语义Shell实验中，我尝试让本地模型把自然语言指令映射到具体工具，例如“copy report.pdf to backup” → filesystem.copy。模型只需理解意图，不生成Shell命令。

最初使用 Needle2，因其体积小、专注工具调用且支持本地运行，表现还算可用。但随着工具数量从5个扩展到50个，检索阶段出现两层决策：先筛选候选工具，再在其中选出最佳。若正确工具未进入候选集，后续就无从选择。为降低风险，我尝试将工具分组（每组5个）并并行评估，但不同组的置信分数是否可比仍不明确。

此外，工具描述的细节对小模型影响极大。仅用“Moves files from one place to another.”无法区分 filesystem.copy、filesystem.navigate、filesystem.rename，需要在描述中明确说明源文件会被删除等细节。

在尝试 C++ 原生运行时遇到平台兼容问题（ARM NEON 代码在 Intel Mac 上无法直接编译），我转而使用 llama.cpp 并加载 Granite‑4‑350M。结果出乎意料：模型在常规指令上能准确选出工具，在模糊或无匹配的输入上则直接返回“未找到合适工具”，避免了错误调用。Shell 可据此提示用户重新表述或手动选择。

实验表明，模型本身的完美并非关键，关键在于系统如何处理不确定性：意图解析 → 参数校验 → 缺失参数提示 → 策略确认 → 执行。只要外层逻辑能容错，模型不必完美。

结论：
- Needle2 仍适用于特定平台（如 ARM 目标），但在工具规模扩大、跨平台集成时存在隐性成本。
- llama.cpp + Granite 在本地语义工具调用上更稳健，尤其在处理无匹配或模糊输入时表现更好。
- 关注模型的失败模式、可移植性和置信度校准，比单纯追求演示效果更重要。

#开发者 #工具 #Needle2 #llama_cpp #Granite4_350M @开发者工具库频道
@DevToolboxHub

DeepSeek Harness：开源 Agent Harness 让你掌控每一步

DeepSeek Harness（dsh）是基于 Cordis 的插件化 Agent Harness，所有功能——工具、循环、UI、沙箱、权限、工作流、子代理、Token 计量、上下文压缩——均可通过插件自定义。

- 可观测性：Trajectory 视图记录每个回合的 User/Assistant/Tool/Subtool 事件，显示 TTFT、解码时间、token 消耗，错误信息如 [sandbox: file access denied under workspace‑write mode] 直观可追踪。
- 安全硬化：支持 read‑only、workspace‑write、danger‑full‑access 三种沙箱模式，bash 沙箱基于 Seatbelt/Landlock，敏感权限通过 ask 策略确认。
- 可定制 UI：UI 也是插件（client‑ui‑*），可改主题、布局、侧边栏、品牌，支持 HMR，完全可重品牌。
- 多 Agent 编排：Goals、Workflow、Ralph、subagent 等原生支持，能在同一会话中持久化目标、分阶段执行、无上下文偏差的迭代。
- 自托管：可在本地或私有云运行，控制数据、成本与 Token 计量。
- 跨供应商 Skills：通过插件可解析 Claude、Codex 等格式的 Skills，统一管理，避免 Vendor 锁定。

目前处于 release candidate（0.1.x）阶段，MIT 许可。

GitHub: GitHub

#开发者 #工具 #DeepSeekHarness #Cordis #插件化 #多Agent编排 #自托管 #安全沙箱
@DevToolboxHub

Skillware 0.5.3：可安装的 AI Agent 技能库

Skillware 0.5.3 已发布到 PyPI 与 GitHub，新增了完整的办公/邮件栈、KPI 业务指标门控、离线 smoke 测试等功能。核心改进包括：

- monitoring/kpi_gate v0.1.0：基于运营方制定的政策对指标快照进行评估，返回错误、警告或数据不足的拒绝，完全使用标准库，无网络依赖。
- office/gmail_handler：支持 IMAP/SMTP、地址簿、邮件预览、发送确认、附件和多签名配置，配套 CLI 可直接管理邮件。
- 安全防护：prompt_injection_firewall、deceptive_ui_guard 等离线扫描工具提升模型上下文安全。
- 框架与 CLI：持久化 .skillware.yaml、全局配置编辑、skillware doctor、加载时依赖锁定等，提升开发调试体验。

使用方式：pip install skillware，可选安装特定技能如 pip install "skillware[monitoring_kpi_gate]"。加载示例：SkillLoader.load_skill("monitoring/kpi_gate")，通过适配器对接 Gemini、Claude、OpenAI 等模型，即可在 agent 循环中调用。

GitHub: GitHub
PyPI: PyPI

#开发者 #工具 #Skillware #AI #Agent #KPI #Gmail #Security
@DevToolboxHub

免费服务器上让 Agent 重新执行时的 Token 预算管理

在 MonkeyCode 免费层（10 M Token）上运行的 Agent 循环，常因下游服务返回 429 而触发重试。每次重试都会把完整对话历史重新拼入 Prompt，导致 Token 消耗呈指数增长，短时间内耗尽配额。

关键问题
• 重试时未检查剩余 Token，只有在模型端返回错误后才发现预算不足。
• 模型超时、限流、工具调用失败等所有异常都被统一视为“需要重放”，导致同一轮次的副作用被重复执行。

为避免这种失控的 Token 烧毁，建议在免费服务器环境下做三件事：
1. 在编排器层预先检查 Token 预算，维护递减计数并在每次完成后持久化到磁盘，防止在即将耗尽时仍发起新请求。
2. 根据错误类型区分重试策略：对 503/超时可使用一次带退避的重试；对 429 限流则直接暂停并记录，避免重复请求。
3. 为所有工具调用加入幂等键，在缺失幂等键时阻止重放或写入死信队列，确保副作用不被重复执行。

此外，将免费服务器设计为状态机而非长进程：在每一步后将当前状态（待处理轮次、已执行工具、剩余 Token）序列化。服务器重启后恢复状态，并询问用户是否重放中断的轮次，这一步已在实际使用中显著降低 Token 消耗。

该方案适用于批处理式 Agent、评估脚本或实验环境；对需要毫秒级响应的生产交易系统而言，免费服务器和免费 Token 配额并不合适。

#开发者 #工具 #MonkeyCode #Agent #TokenBudget #免费服务器 #重试策略 #幂等性
@DevToolboxHub