新闻详情

新闻详情

首页 / 资讯中心 / 详情

Loop Library架构内幕:Cloudflare Worker加SQLite Durable Object构建智能体循环目录

发布时间:2026/11/16 5:20:43来源:尧图网络
Loop Library架构内幕:Cloudflare Worker加SQLite Durable Object构建智能体循环目录
Loop Library架构内幕Cloudflare Worker加SQLite Durable Object构建智能体循环目录【免费下载链接】loop-libraryA library of practical AI-agent loops and an installable skill for finding, adapting, and designing repeatable agent workflows.项目地址: https://gitcode.com/gh_mirrors/lo/loop-libraryLoop Library 是一个收集实用 AI 智能体循环Agent Loop的开源目录项目它的后端只用一个 Cloudflare Worker 和 SQLite Durable Object就完成了目录存储、版本控制、备份恢复、防滥用表单与投票系统的全部功能。本文带你拆解这套架构的设计思路看看它如何用极少的基础设施撑起一个完整的智能体循环目录站点。一、整体架构一个 Worker三个 Durable Object整个后端位于 loop-library/worker/ 目录入口是 src/index.js。它在 wrangler.jsonc 中注册了三个 Durable Object 绑定各司其职Durable Object类职责LOOP_CATALOGLoopCatalog循环目录的核心数据库存所有 loop 记录和修订历史FORM_GUARDFormGuard表单限流、去重、幂等控制VOTE_STOREVoteStore每个 loop 的点赞/点踩投票数据这个设计的关键点数据不是放在外部数据库里而是直接以 SQLite 的形式嵌入 Durable Object 内部。Cloudflare 会为每个命名对象保证单实例串行处理天然避免了并发写冲突也不需要维护任何独立的数据库服务。二、SQLite Durable Object目录存储是怎么设计的打开 src/catalog-store.js 可以看到LoopCatalog在构造函数里直接用state.storage.sql建了三张表loops当前每个 loop 的最新状态slug作主键状态只能是draft、published、archived之一loop_revisions追加式修订日志每次发布、改稿、归档都留一条完整快照catalog_settings存放开关类配置比如公开目录是否已激活一个 loop 的完整文档以 JSON 整块存入document_json字段而结构校验由 src/loop-schema.js 负责。worker/examples/loop.json 给了一份完整示例编号、slug、标题、prompt、验证标准、步骤、关键词、相关 loop……这些字段正好对应循环详情页、目录、搜索和面向智能体的各种输出格式所需的全部内容。用修订号做乐观并发控制写入时upsert方法有一个精巧的细节调用方必须带上读取时拿到的expectedRevision服务端发现实际修订号不一致就返回 409 冲突。这就是教科书式的乐观锁——两个管理员同时编辑同一个 loop 时后写的人会被明确拒绝而不是静默覆盖。三、备份与恢复带摘要校验的安全恢复流目录数据可以完整导出/export恢复过程则分三步走/restore/start开始、/restore/chunk分块上传修订记录、/restore/finalize收尾。这套流程值得新手学习的地方有三点只能恢复到空的目录库——避免覆盖线上数据分块上传必须按修订 ID 严格升序每块都做一次 SHA-256 链式摘要chainRevisionDigest任何乱序或篡改都会立刻报 409收尾时逐条核对每个 loop 的最新修订与当前文档一致并回算created_at/updated_atAGENTS.md 中明确要求首次激活必须携带人工审核过的 bootstrap 目录摘要BOOTSTRAP_CATALOG_DIGEST数据库才能对外激活。宁可麻烦也不让未经审查的内容直接上线。四、请求路由从 Worker 到 HTML 页面loop-routes.js 是这个 Worker 的前台。一个请求进来后它先判断路径类型/api/loops返回 JSON API供站点前端和第三方调用/loops/slug动态渲染出完整的循环详情页 HTML/catalog.json、/catalog.md、/llms.txt、/sitemap.xml、/feed.xml同一份数据渲染成多种格式其中 llms.txt 专门服务 AI 智能体让没有安装 Loopy 技能的智能体也能直接读取目录/admin/loops/*管理端点用 Bearer Token 鉴权比对时先做 SHA-256 哈希再恒时比较防止时序攻击也就是说首页、详情页、目录、RSS、sitemap 全部来自同一次数据库读取。发布一个 loop 后所有出口同时更新不存在页面更新了但 sitemap 没更新的一致性问题。所有公开响应统一带Cache-Control: no-store保证发布即时可见。五、防滥用与投票另外两个 Durable Object 在做什么表单提交提交 loop 建议、订阅周报是公开端点天然会被恶意刷。Worker 里为此设计了一条完整的防线Honeypot 陷阱字段机器人填写则静默返回成功Turnstile 人机校验校验 action、hostname 是否匹配幂等键同一表单会话重放请求不会重复入库内容冲突返回 409IP 维度限流建议表单每小时 3 次、每天 10 次由FormGuard用 SQLite 存储事件窗口并靠 alarm 自动清理过期数据投票系统vote-store.js则简单得多一张loop_votes表主键是(loop_slug, voter_key)一个 GitHub 账号对每个 loop 最多一票可随时改票或撤票聚合统计直接用 SQL 的SUM(CASE WHEN ...)一次算出。六、这套架构给新手的启示 Loop Library 后端不到千行核心代码却完整演示了一套现代 Serverless 数据应用的做法SQLite Durable Object 代替外部数据库——小团队项目的目录、配置、投票完全够用零运维追加式修订日志 乐观并发控制——免费获得完整的版本历史且天然支持精确恢复一次写入多格式渲染——JSON、Markdown、llms.txt、sitemap 同源输出人读智能体也读摘要校验贯穿恢复流程——数据完整性不靠信任靠密码学证明想继续深入可以从 worker/test/ 的测试用例入手再对照 README.md 中Notes for maintainers一节了解发布命令与部署细节。这套架构对任何想自建小型内容目录文章库、提示词库、模板库的项目都是一份很值得参考的蓝图。【免费下载链接】loop-libraryA library of practical AI-agent loops and an installable skill for finding, adapting, and designing repeatable agent workflows.项目地址: https://gitcode.com/gh_mirrors/lo/loop-library创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉