Conversation Foundation · 人与 Agent 对话基础
本文档是 negentropy「Home / 人与 Agent 对话」系列的理论总章与业界对标坐标。所有具体落地方案与协议事实分别沉淀于 framework.md（架构）、a2ui.md（协议）、rfc-0001 / rfc-0002（设计），以及 user-guide.md 与 user-guide/chat-essentials.md（操作手册）。
#0. 如何阅读本系列（Single Source of Truth 映射）
每一层只负责一层，互相之间用相对路径链接，禁止内容复制（参见 AGENTS.md "Direct Hyperlinking" 与 "Single Source of Truth"）。
#1. 对话式 Agent 范式（Conversational Agent Paradigms）
#1.1 范式综述
近三年学术界与工业界对"对话式 Agent"的范式收敛到了 Plan-Act-Observe 三段式循环（PAO）[1]，并在此之上叠加自我反思（Reflexion[2]）、树搜索（LATS[3]）、计划-求解（Plan-and-Solve[4]）等扩展。它们的共同前提是：LLM 作为认知核心，工具/记忆/检索作为外部能力，对话流作为时序状态机。
#1.2 negentropy 的对应
negentropy 把 PAO 演化为「一核五翼」（PerceptionFaculty / InternalizationFaculty / ContemplationFaculty / ActionFaculty / InfluenceFaculty）协调模型，根 Agent 负责调度系部，系部负责具体能力（参见 apps/negentropy/src/negentropy/agents/agent.py）。这与 ReAct 的"Reason → Act"双相、Reflexion 的"act → reflect"循环相比，多了一层正交分解（系部即正交概念主体），在工程上把"机制"（调度）与"策略"（系部内部 LLM）解耦。
#1.3 关键引用
[1] S. Yao et al., "ReAct: Synergizing Reasoning and Acting in Language Models," in Proc. ICLR, 2023, arXiv:2210.03629. [2] N. Shinn et al., "Reflexion: Language agents with verbal reinforcement learning," in Proc. NeurIPS, 2023, arXiv:2303.11366. [3] A. Zhou et al., "Language Agent Tree Search Unifies Reasoning, Acting, and Planning in Language Models," in Proc. ICML, 2024, arXiv:2310.04406. [4] L. Wang et al., "Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models," in Proc. ACL, 2023, arXiv:2305.04091.
#2. 流式 UI 协议（Streaming UI Protocols）
#2.1 协议谱系
| 协议 | 提出方 | 关键设计点 | negentropy 对齐情况 |
|---|---|---|---|
| AG-UI | CopilotKit (2024) | 16 标准事件 / state delta 旁路 / generative UI | ✅ 主信道。事件流经 @ag-ui/client HttpAgent 接入 |
| A2UI | Google (2025) | 双工 ChannelMap / A2A delegation / UI Component Tree | 🟡 ConversationNode 数据模型借鉴；Sub-Agent 嵌套卡片在 RFC 0002 §4.2 待落地 |
| OpenAI Assistants Stream | OpenAI (2024) | thread + run + step + delta 四级事件 | ❌ 未直接采用 |
| LangGraph events | LangChain (2024-2025) | StateGraph 中断 / 时间穿梭重放 | 🟡 Run 终态 hydration 借鉴；中断门 RFC 0002 §4.4 |
#2.2 设计教训
- "事件流要稀疏"：progress 应按里程碑稀疏推送，并走 state-delta 旁路而非 message ledger（避免双气泡风险）。高频细粒度事件会挤占渲染帧预算，导致 UI 卡顿而非流畅体验。
- "读模型与写模型分离"：CQRS 思想[5]将 server→client 与 client→server 分成不同 surface，避免事件回环。negentropy 的
state.tool_progress旁路是同思想的轻量实现；A2UI 的 ChannelMap[6]也遵循此模式。
#2.3 关键引用
[5] G. Hohpe and B. Woolf, Enterprise Integration Patterns. Boston, MA, USA: Addison-Wesley, 2003. [6] Google, "Agent-to-User Interface (A2UI) Concepts," 2025. [Online]. Available: https://adk.dev/
#3. 业界框架对标（Industry Framework Benchmark）
| 框架 | 流式协议 | 治理 | Reasoning 可视化 | KG 集成 | Eval |
|---|---|---|---|---|---|
| AG-UI / CopilotKit | ✅ 标准 16 事件 | ❌ 无 | 🟡 自定义 | ❌ | ❌ |
| A2UI | ✅ ChannelMap | 🟡 计划中 | ✅ Component Tree | ❌ | ❌ |
| Google ADK | 🟡 SSE | ✅ Eval harness | 🟡 step 事件 | 🟡 Vertex AI Search | ✅ |
| Claude Code | 🟡 stdin/stdout | ❌ | 🟡 thinking 块 | ❌ | ❌ |
| Paperclip | 🟡 控制平面 | ✅ governance | 🟡 任务图 | ❌ | 🟡 |
| Conductor | ✅ workspace diff | 🟡 plan mode | ❌ | ❌ | ❌ |
| LangGraph | ✅ StateGraph events | ❌ | 🟡 时间穿梭 | 🟡 Neo4j 适配器 | 🟡 LangSmith |
| AutoGen v0.4 | ✅ multi-agent group chat | ❌ | ❌ | ❌ | ❌ |
| Semantic Kernel | 🟡 IAsyncEnumerable | ❌ | ❌ | 🟡 Memory connector | ❌ |
| negentropy | ✅ AG-UI 16 事件 + Sub-Agent Transfer 可视化 | 🟡 Approval Gate（已接入 ingest_paper） | ✅ Reasoning Panel + Sub-Agent 嵌套卡片 | ✅ KG + 向量混合 | 🟡 Langfuse |
2026-05-10 更新：
- G1 (Sub-Agent Transfer 可视化) 已落地，参考 AutoGen v0.4 GroupChat 嵌套卡片模式
- G2 (对话内搜索) 已落地，参考 ChatGPT / Claude Code 搜索模式
- G3 (Approval Gate 工具接入) 已落地，
ingest_paper已接入审批流程 + 前端闭环（ApprovalDialog → BFF → state.approval_responses） - G4 (Session Summary Preview) Phase A 已落地，SessionList 显示 title + relative time
negentropy 的取长补短：
- 已对齐：AG-UI 事件流 + ADK 五翼调度 + LangGraph 中断思想（RFC 0002）+ Sub-Agent Transfer 可视化（G1）+ 对话内搜索（G2）+ Approval Gate 完整闭环（G3）+ Session Preview Phase A（G4）。
- 还可借鉴：A2UI Component Tree（Sub-Agent 嵌套卡片已落地 G1，后续可进一步增强）；LangGraph 时间穿梭（Conversation Branching，RFC 0002 §4.5）；ADK Eval harness（计划在 Phase 3 引入）；MemGPT/Letta 跨 session 记忆（G4 Phase B 需后端支持）。
#4. RAG + 引用机制（Retrieval-Augmented + Citation）
#4.1 主流路线对比
- Self-RAG[7]：模型自决何时检索 + 自评 retrieval 质量。论文同时强调 stable citation token 是把 hallucination 压到可控的关键工程契约。
- Corrective RAG (CRAG)[8]：retrieval 结果质量评估器，质量低时触发 web search 兜底。
- RAG Survey 2023[9]：奠基性综述，定义 retrieval / generation / augmentation 三段。
#4.2 negentropy 的落点
P2-3（参见本仓库 apps/negentropy/src/negentropy/agents/tools/perception.py _format_citation）实施 IEEE 风格 stable citation：
- 后端：
search_knowledge_base/search_knowledge_graph_with_papers在每条 result 注入citation_id+formatted_citation； - LLM 指令：在回复中按
[N]引用 + 末尾追加「参考文献」节； - 前端：
apps/negentropy-ui/utils/citation-parser.ts解析[N]token + 渲染尾注 + arXiv 跳转。
#4.3 关键引用
[7] A. Asai et al., "Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection," in Proc. ICLR, 2024, arXiv:2310.11511. [8] S.-Q. Yan et al., "Corrective Retrieval Augmented Generation," 2024, arXiv:2401.15884. [9] Y. Gao et al., "Retrieval-Augmented Generation for Large Language Models: A Survey," 2023, arXiv:2312.10997.
#5. 知识图谱增强对话（KG-Augmented RAG）
#5.1 主流路线
- GraphRAG[10]：本地实体抽取 → 全局社区摘要 → 查询时层级聚合。强调 schema-guided 抽取与增量构建一致性。
- HybridRAG[11]：向量 + 图遍历联合，对长尾问题召回率提升显著。
- KG-RAG Survey[12]：把 KG 引入 RAG 的设计空间总览。
#5.2 negentropy 的落点
- 实体/关系 schema：
AI_PAPER_SCHEMA（7 实体 + 9 关系，参见apps/negentropy/src/negentropy/knowledge/graph/extraction_schema.py）。 - 增量构建：P2-2
paper_kg_pipeline.enqueue_kg_build在ingest_paper后异步触发GraphService.build_graph(incremental=True, schema=ai_paper)，fail-open 不污染主路径。 - KG 反向推荐：P2-3
search_knowledge_graph_with_papers工具基于 KG 实体反查相关论文，与search_knowledge_base互补。
#5.3 关键引用
[10] D. Edge et al., "From Local to Global: A Graph RAG Approach to Query-Focused Summarization," 2024, arXiv:2404.16130. [11] B. Sarmah et al., "HybridRAG: Integrating Knowledge Graphs and Vector Retrieval Augmented Generation for Efficient Information Extraction," 2024, arXiv:2408.04948. [12] B. Peng et al., "Graph Retrieval-Augmented Generation: A Survey," 2024, arXiv:2408.06717.
#6. HITL 与 Guardrails
- NeMo Guardrails[13]：以 Colang DSL 在对话流中嵌入 rule-based guardrail。
- Constitutional AI[14]：把"原则"作为内嵌反馈，让模型在生成时自我评估。
- HITL ML Survey[15]：人在环的设计模式综述。
negentropy 的当前落地：HITL 工具确认（参见 home-body.tsx handleConfirmationFollowup）；中断门见 RFC 0002 §4.4（Phase 4 排期）。
[13] T. Rebedea et al., "NeMo Guardrails: A Toolkit for Controllable and Safe LLM Applications with Programmable Rails," in Proc. EMNLP System Demonstrations, 2023. [14] Y. Bai et al., "Constitutional AI: Harmlessness from AI Feedback," 2022, arXiv:2212.08073. [15] E. Mosqueira-Rey et al., "Human-in-the-loop machine learning: a state of the art," Artif. Intell. Rev., vol. 56, 2023.
#7. 可观测性（GenAI Observability）
- OpenTelemetry GenAI Semantic Conventions[16]：把 LLM 请求/响应/Token/成本纳入 OTel 标准 span 属性，跨厂商可移植。
- Langfuse：LLM 应用专用 trace + cost + eval 工具链。
- LangSmith：LangChain 系内 trace + dataset + eval。
negentropy 已接入 Langfuse（参见 apps/negentropy/src/negentropy/engine/bootstrap.py），Phase 3 计划对齐 OTel GenAI semconv。
[16] OpenTelemetry Project, "Semantic Conventions for Generative AI," 2024-2025. [Online]. Available: https://opentelemetry.io/docs/specs/semconv/gen-ai/
#8. 适用范围与下一步
本文档覆盖范围：人与 Agent 对话模块所需的理论坐标系与业界对标。它不重述协议字段（去 a2ui.md）、不重述具体架构图（去 framework.md）、不重述用户操作（去 user-guide.md 与 chat-essentials.md）。
后续 Phase 3 将在此基础上叠：
docs/observability-genai.md— OTel GenAI semconv 落地说明；docs/conversation-bench.md— Eval harness 的可执行测试集；- RFC 0001 / 0002 实现进度反向更新本文档第 3 节对标列。