系统结构#

概述#

EurekaClaw 以多智能体流水线形式组织，由 MetaOrchestrator 统一调度。每个智能体专注于研究生命周期的某一阶段，产物通过中央 KnowledgeBus 在智能体之间共享。

流水线阶段#

EurekaClaw Main Pipeline

核心组件#

KnowledgeBus#

所有智能体共享的中央内存产物存储。所有数据通过它流转——智能体在轮次之间不保留私有状态。

KnowledgeBus
├── ResearchBrief    — survey findings, selected direction
├── TheoryState      — proof state machine (lemma DAG, proofs, goals)
├── Bibliography     — all papers found during survey
├── ExperimentResult — numerical validation results
└── TaskPipeline     — current task execution plan

产物在每次会话结束时持久化到 ~/.eurekaclaw/runs/<session_id>/。

智能体会话与上下文压缩#

每个智能体在工具调用循环中维护一段对话历史（AgentSession）。为防止上下文无限增长：

  • 历史每隔 N 轮压缩一次（通过 CONTEXT_COMPRESS_AFTER_TURNS 配置，默认 6）

  • 快速模型将历史压缩为要点摘要

  • 完整对话被替换为该摘要

技能注入#

每次调用智能体之前，SkillInjector 从技能库中检索最相关的前 k 个技能，并以示例形式注入系统提示词。这是跨会话学习的主要机制。

领域插件系统#

领域特定的行为（工具、技能、工作流提示）通过 DomainPlugin 类注入。正确的插件根据领域字符串或猜想关键词自动检测。详见 domains.md。

数据模型#

TheoryState — 证明状态机#

TheoryState
├── informal_statement      — plain-English conjecture
├── formal_statement        — LaTeX-formalized theorem
├── known_results[]         — KnownResult extracted from literature
├── research_gap            — GapAnalyst's finding
├── proof_plan[]            — ProofPlan (provenance: known/adapted/new)
├── lemma_dag{}             — LemmaNode graph (dependencies)
├── proven_lemmas{}         — lemma_id → ProofRecord
├── open_goals[]            — remaining lemma_ids to prove
├── failed_attempts[]       — FailedAttempt history
├── counterexamples[]       — Counterexample discoveries
├── assembled_proof         — final combined proof text
└── status                  — pending/in_progress/proved/refuted/abandoned

ResearchBrief — 规划状态#

ResearchBrief
├── domain, query, conjecture
├── directions[]            — ResearchDirection (scored 0-1)
│     ├── novelty_score
│     ├── soundness_score
│     ├── transformative_score
│     └── composite_score   — weighted average
├── selected_direction      — chosen after convergence
└── open_problems[], key_mathematical_objects[]

TheoryAgent 内层循环（7 阶段）#

TheoryAgent 运行一个自底向上的证明流水线，实现于 inner_loop_yaml.py：

阶段

类

输入

输出

1

PaperReader

Bibliography

known_results[]

2

GapAnalyst

known_results + conjecture

research_gap

3

ProofArchitect

research_gap

proof_plan[]（带来源标注）

4

LemmaDeveloper

proof_plan, open_goals

proven_lemmas{}

5

Assembler

proven_lemmas

assembled_proof

6

TheoremCrystallizer

assembled_proof

formal_statement

7

ConsistencyChecker

完整 TheoryState

一致性报告

LemmaDeveloper 对每个引理运行独立的内层循环：

TheoryAgent Inner Loop and LemmaDeveloper Sub-Loop

LaTeX 编译流水线#

LaTeX Compilation Pipeline

方向规划回退机制#

IdeationAgent 运行后，MetaOrchestrator._handle_direction_gate() 调用 DivergentConvergentPlanner.diverge() 生成 5 个研究方向。若规划器失败或返回空列表（例如 LLM 解析错误、API 超时），编排器不会静默地以无方向继续执行，而是暂停并提示用户：

  1. 打印调研发现的最多 5 个开放问题作为上下文。

  2. 请求用户手动输入一个假设/方向。

  3. 根据输入构建 ResearchDirection 并写入 ResearchBrief。

  4. 若用户未输入任何内容或按下 Ctrl+C，则抛出 RuntimeError，会话干净退出。

该逻辑实现于 meta_orchestrator.py 的 _handle_manual_direction() 中。

理论评审关卡#

TheoryAgent 完成后、WriterAgent 运行前，MetaOrchestrator 执行 theory_review_gate 编排器任务。该关卡独立于 gate_mode，始终触发。

流程：

  1. GateController.theory_review_prompt() 打印带编号的引理列表，每个已证明引理标注 ✓ verified / ~ low confidence，并显示所有未解决目标。

  2. 询问用户：y（继续）或 n（标记最有问题的步骤）。

  3. 拒绝时：

    • 用户输入引理编号（L3）或 ID，以及逻辑缺口的描述。

    • MetaOrchestrator._handle_theory_review_gate() 找到理论任务，将反馈以 [User feedback]: ... 形式注入，将任务重置为 PENDING，并重新运行 TheoryAgent 一次。

    • 修订后再次展示更新后的草稿（不再进一步重试）。

  4. 第二次拒绝时，流水线仍会继续推进到 WriterAgent，并显示警告。

暂停 / 恢复#

TheoryAgent 通过 ProofCheckpoint（agents/theory/checkpoint.py）支持在阶段边界优雅暂停。

暂停流程：

  • eurekaclaw pause <session_id> 或 Ctrl+C 会在 ~/.eurekaclaw/sessions/<session_id>/pause.flag 写入暂停标志。

  • 在 inner_loop_yaml._run_once() 的每个阶段边界处，检查 ProofCheckpoint.is_pause_requested()。

  • 检测到暂停时：清除标志，保存 checkpoint.json（当前阶段 + 完整 TheoryState），抛出 ProofPausedException。

  • ProofPausedException 在 _run_once 和 agent.py 中均会显式重新抛出，向上传播。

恢复流程：

  • eurekaclaw resume <session_id> 加载 checkpoint.json，重建 TheoryState，并从保存的阶段重新运行 TheoryAgent。

检查点文件： ~/.eurekaclaw/sessions/<session_id>/checkpoint.json

运行后学习#

Post-Run Continual Learning