新闻详情

新闻详情

首页 / 资讯中心 / 详情

PromptX Runtime架构剖析:Docker式Agent生命周期与事件驱动SystemBus设计

发布时间:2026/11/13 1:26:28来源:尧图网络
PromptX Runtime架构剖析:Docker式Agent生命周期与事件驱动SystemBus设计
PromptX Runtime架构剖析Docker式Agent生命周期与事件驱动SystemBus设计【免费下载链接】PromptXPromptX · 领先的AI 智能体上下文平台 PromptX · Leading AI Agent Context Platform项目地址: https://gitcode.com/Deepractice/PromptXPromptX是一款领先的 AI 智能体上下文平台其核心执行引擎PromptX Runtime提供了完整的 Agent 运行时基础设施借鉴 Docker 的容器/镜像理念管理 AI 智能体的全生命周期并通过事件驱动的SystemBus 事件总线统一承载所有通信。本文将带你读懂这套架构的设计思路即使你没有深厚工程背景也能快速理解。一、Docker式Agent生命周期四大核心概念PromptX Runtime 最巧妙的设计是把大家熟悉的Docker 概念映射到了 AI 智能体世界让跑一个 Agent像跑一个容器一样直观Docker 概念PromptX Runtime 对应物通俗解释容器ContainerRuntimeContainer隔离边界管理一组 Agent按用户划分镜像ImageRuntimeImage持久化的会话定义名称、系统提示词、MCP 配置永久保存在磁盘容器实例RuntimeAgent临时运行实例由 Image启动而来停止即销毁数据卷VolumeRuntimeSession会话消息的持久化存储Agent 销毁后记录不丢失这套镜像优先Image-First模型带来一个非常实用的特性会话持久、实例短暂。你与 PromptX 对话的对象是 Image会话而真正干活的 Agent 只是它的临时运行时实例——服务重启后 Agent 会消失但你的对话历史和配置原封不动下次发消息时系统会自动重新启动一份 Agent。比如 PromptX 内置的大禹智能体角色就是一个典型的 Image 定义可随时启动/停止生命周期事件会实时广播到事件总线如container_created、agent_registered、session_destroyedUI 层只需订阅这些生命周期事件即可展示在线/离线状态。二、SystemBus 事件驱动架构一条总线串起全部通信在 PromptX Runtime 中所有组件之间不直接互相调用而是统一通过中央事件总线 SystemBusImpl 通信。这正是事件驱动架构的价值新增一个功能模块只需订阅它关心的事件无需改动其他代码。2.1 发布/订阅像群聊频道一样收发消息每个事件都携带type、source来源、category类别等元信息。订阅方可以按类型订阅只关心text_delta流式文字增量等特定事件通配订阅用onAny监听所有事件适合调试面板带过滤器与优先级按priority排序执行支持once一次性订阅例如 AI 回复的流式片段message_start→text_delta→message_stop会通过总线一路推送到界面实现逐字打字机效果。2.2 请求/响应事件总线上跑命令PromptX Runtime 的操作 API 并非普通函数调用而是基于 requestId 关联的命令事件。request()方法会生成唯一requestId发出如image_create_request的请求事件内部 CommandHandler 监听总线、执行实际操作后回发*_response事件发起方按requestId匹配响应并解析 Promise超时默认 30 秒自动失败。// 一条命令式 API 的典型用法完整示例见 packages/runtime/README.md const res await runtime.request(image_create_request, { containerId: user-123, config: { name: 我的助手, systemPrompt: 你是一名乐于助人的助手。 }, }); await runtime.request(message_send_request, { imageId: res.data.record.imageId, content: 你好介绍一下自己, });这种设计让创建会话、发送消息、中断 Agent等操作如message_send_request、agent_interrupt_request、image_stop_request都成为可观测、可拦截、可测试的事件流而不是黑盒调用。三、Environment 抽象Receptor / Effector 感知-执行模式AI 模型Claude SDK如何接入总线PromptX Runtime 用一对神经完成桥接实现于 ClaudeEnvironmentReceptor感受器感知 Claude SDK 的流式响应转成标准事件发射到 SystemBus——相当于 Agent 的感官Effector执行器订阅总线上的用户消息事件转发给 Claude SDK——相当于 Agent 的手脚。由于 Environment 是可插拔的工厂注入见 DefaultEnvironmentFactory理论上可以替换为任意 LLM 提供商而无需改动上层逻辑。Agent 创建时还会主动warmup()预热 SDK显著降低首条消息的等待时间。四、一张图看懂整体架构RuntimeImpl对外 API SystemBus 接口 ├── SystemBus事件路由pub/sub request/response ├── CommandHandler监听命令事件执行实际操作 └── RuntimeContainer隔离容器 └── RuntimeAgent临时运行实例 ├── AgentEngine状态机引擎 ├── Session会话消息存储 └── EnvironmentReceptor ⇄ Claude SDK ⇄ Effector整个入口仅通过 createRuntime 工厂函数构建RuntimeImpl 把所有公共 API 委托给内部总线自身只保留容器注册表与命令操作——职责清晰易于测试。五、源码与文档导航 想深入阅读 PromptX Runtime 实现建议从以下路径入手运行时总览与命令清单packages/runtime/README.md事件总线核心实现packages/runtime/src/internal/SystemBusImpl.tsDocker式容器与镜像RuntimeContainer.ts、RuntimeImage.tsAgent 生命周期管理RuntimeAgent.ts感知/执行环境桥接packages/runtime/src/environment/ClaudeEnvironment.ts运行时构建入口createRuntime.ts六、写在最后PromptX Runtime 用三个设计让 AI 智能体工程化变得可控Docker式生命周期让会话持久、实例短暂成为默认行为事件驱动 SystemBus让所有通信透明可观测Receptor/Effector 环境抽象让模型层可自由替换。理解了这套架构你就不难掌握 PromptX 作为 AI 智能体上下文平台在稳定性与可扩展性上的核心底气。【免费下载链接】PromptXPromptX · 领先的AI 智能体上下文平台 PromptX · Leading AI Agent Context Platform项目地址: https://gitcode.com/Deepractice/PromptX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 2026/11/13 0:43:49

【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 2026/11/12 23:59:09

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 2026/11/12 9:50:02

【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 ... 2026/11/12 9:25:38

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 2026/11/12 15:57:44

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 2026/11/13 0:02:27

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
📞 ✉