【免费下载链接】routaWorkspace-first multi-agent coordination platform for AI development, with shared Specs, Kanban orchestration, and MCP/ACP/ A2A support across web and desktop.项目地址https://gitcode.com/gh_mirrors/ro/routa点击查看免费下载Routa 是一个面向 AI 开发的 Workspace-first 多智能体协作平台支持共享 Spec、Kanban 编排以及 MCP/ACP/A2A 协议。它最迷人的能力之一是Trace 学习机制Agent 每执行一次任务平台就把结果记录成运行历史当类似任务成功执行足够多次后Routa 会自动提炼出一本带置信度和证据来源的Playbook可复用手册让下一次执行直接照方抓药越用越聪明。为什么 Agent 需要从历史中学习普通用户的体验是同一个 Kanban 卡片任务Agent 每次都要从零想——读哪些文件、先跑哪个补丁、怎么验证。Trace 学习改变的就是这一点运行留痕每次routa harness evolve --apply或卡片任务执行后关键信息成功/失败、补丁顺序、改动文件会被追加写入 history.jsonl自动找规律学习算法筛选成功率 ≥ 80% 的运行找出出现 3 次以上的相同缺口模式沉淀成 Playbook把验证过的策略推荐补丁顺序、反模式警告连同证据一起写成 JSON 手册存到 docs/fitness/playbooks/ 目录。这就是一个自我改进的闭环运行 → 证据 → Playbook → 运行时加载 → 护栏。三步看懂 Trace 学习机制第 1 步记录每次运行的体检报告历史记录的实现位于 history.rs每条记录包含字段作用gapCategories本次发现哪些缺口模式匹配的依据patchesApplied哪些补丁成功了学习补丁顺序的依据successRate1.0 全部成功0.0 全部失败sessionId关联完整 Agent 运行轨迹可做深度回溯第 2 步模式检测只学成功过的经验核心逻辑在 learning.rs流程非常克制只保留成功运行成功率 ≥ 80%按缺口组合分组——哪些缺口总是结伴出现要求共识——同一模式至少出现 3 次才成立提取策略——统计最常用的补丁顺序形成推荐打法。第 3 步生成带证据链的 Playbook打开仓库里真实生成的一份手册 harness-evolution-missing-governance-gate-missing-verification-surface.json结构一目了然confidence置信度1.0 表示 3 次运行全部成功strategy.preferredPatchOrder先建 CODEOWNERS、再开 Dependabotstrategy.antiPatterns从失败运行中学到的别做的事及原因provenance出处来自哪几次运行、成功率、证据条数——每个策略都能追溯到真实时间戳不是拍脑袋。最快上手方法两条命令跑通学习闭环# 1️⃣ 多次运行进化积累学习数据建议 3 次以上 routa harness evolve --apply # 2️⃣ 从历史中提炼 Playbook routa harness evolve --learn学习模式会打印类似输出 Harness Evolution - Learning Mode Found 5 evolution runs Detected 2 common patterns: - Gap pattern: [missing_governance_gate] (seen 3 times, avg success: 100.0%) ✅ Playbooks saved to docs/fitness/playbooks之后的每次--apply运行会自动尝试加载 Playbook 并给出预检提示 Loaded learned playbook (confidence: 95%, exact match) Recommended patch order: 1. patch.create_codeowners 2. patch.create_dependabotPlaybook 是如何对号入座的运行时加载由 trace-playbook.tsWeb 端与 harness/engineering/mod.rsCLI 端共同支撑匹配规则简单好懂匹配类型条件例子精确匹配缺口 100% 一致手册[A,B]vs 当前[A,B]✅模糊匹配重叠度 ≥ 50%手册[A,B]vs 当前[A,B,C]66%✅不匹配重叠度 50%手册[A]vs 当前[B,C,D]❌多个 Playbook 同时命中时按加权分 重叠比例 × 置信度择优保证最可信的经验胜出。一次学习多仓受益Playbook 是纯 JSON 文件天然适合跨仓库共享在 3 个相似仓库各跑一次 bootstrap提炼出手册后复制到第 4 个仓库它就能直接以精确匹配命中——新仓库不用重新踩坑。这也是为什么官方建议把 history.jsonl 和 Playbook 一起提交进版本库让团队共享集体智慧。延伸阅读想深入哪一层看哪一层功能总览docs/features/harness-trace-learning.md用户指南含多仓库工作流与排错docs/guides/harness-trace-learning-guide.md一页速查表阈值、常用命令、调试技巧docs/quick-reference/harness-trace-learning-cheatsheet.md运行时集成设计docs/design-docs/harness-trace-learning-phase2.md核心实现crates/routa-cli/src/commands/harness/engineering/learning.rs、src/core/trace/trace-playbook.ts小结Routa 的 Trace 学习机制给 Agent 装上了一套经验记忆记录每次运行、只从成功中找规律、用证据链生成 Playbook、运行时自动匹配加载。对新手来说只需记住两条命令——先evolve --apply攒数据再evolve --learn出手册剩下的交给时间。随着运行次数增加置信度会持续爬升Agent 也就会真正越用越聪明 赞分享【免费下载链接】routaWorkspace-first multi-agent coordination platform for AI development, with shared Specs, Kanban orchestration, and MCP/ACP/ A2A support across web and desktop.项目地址https://gitcode.com/gh_mirrors/ro/routa点击查看免费下载相关推荐Ruflo 中的 ReasoningBank 与 AgentDB用自适应学习让 Agent 从轨迹中沉淀可复用经验Ruflo 中的 ReasoningBank 与 AgentDB用自适应学习让 Agent 从轨迹中沉淀可复用经验 本篇围绕 ReasoningBank wi人工智能AI Agent多智能体Agent 编排Agent 记忆工具调用代码智能体MCP 服务AI 评测从历史中学习用 ML-For-Beginners 的时间线作业梳理机器学习发展史从历史中学习用 ML For Beginners 的时间线作业梳理机器学习发展史 这是一篇以 ML For Beginners 课程中 1 Introdu教程机器学习人工智能ImageHash最佳实践5个常见问题与解决方案ImageHash最佳实践5个常见问题与解决方案 ImageHash是一个强大的PHP感知哈希库能够为图片生成独特的指纹实现高效的图片相似度比较。本文将介计算机视觉开发工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考