关于迁移重构方面

[wuweizhe256]

一个成熟Agent框架的优势包括：

1. 高度抽象与开发加速。框架将与llm交互的流程封装为简易接口，使用者无需关心底层逻辑，专注于agent的核心功能即可
2. 高度的模块化与可重用性。可以轻松切换不同的llm，而且具有对话记忆功能，可以结合上下文感知语境和主题，同时提供一些标准化接口以接入一些插件，让agent可以调用搜索引擎等外部api
3. 强大的可扩展性与灵活性。支持使用者自定义框架的标准组件和拓展一些外部组件
4. 内置先进的智能体模式。使用者可以直接使用高级模式来实现更强的推理和规划能力
5. 庞大的生态系统与社区支持
6. 稳定性和可维护性。成熟agent框架内置错误处理、日志记录等机制，能自行处理和解决部分bug

基于以上评估此项目，关于迁移重构方面，可以发现主要不足在拓展性和可维护性。ArcanAgent启动时一定会按女祭司->隐士->魔术师->正义->皇后这个流程进行，如果想要新增agent（例如生成思维导图类图像的agent），可能会需要重写核心代码

大体解决方向为：

1. 引入任务队列(Introduce a Task Queue)异步化，即将每个agent封装成可被任务队列调用的任务。
2. 改造 ArcanAgentOrchestrator：它的职责不再是直接调用 Agent，而是向任务队列派发第一个任务（女祭司的评估任务），并立即返回给前端一个 session_id
3. 每个 Agent 任务完成后，负责触发下一个 Agent 任务的派发。例如，女祭司任务成功后，将评估结果存好，然后调用 tasks.hermit.delay(session_id)。

另外任何一个agent接口变化都可能导致编排逻辑出错，并且由于是线性调用链，中间步骤出错调试会比较复杂（比如魔术师生成内容不正确导致正义无法解析）

大体解决方向为：

1. 使用一个简单的数据库来记录每个 session_id 的状态。
2. 每个 Agent 任务开始时，从数据库读取当前会话的状态；任务结束时，将自己的产出更新回数据库。以解决agent之间的数据依赖
3. 为整个学习会话创建一个父 Span，为每一个 Agent 任务的执行创建一个子 Span，在 Span 中记录关键信息：Agent 的输入参数、输出结果的摘要或路径、LLM 调用的 token 消耗、耗时等，这样错误环节能方便找出