使命 (Mission): 通过 Oracle 事实锚定 与 对抗式辩论 的双重熔炉,将挥发的原始创意锻造成经得起现实检验的工业级执行方案。
SparkForge 不仅仅是一个文档生成器,它是一个 认知熔炉。它通过 "The Crucible" 工作流,强制所有文档经历 "事实扫描 -> 激烈辩论 -> 逻辑收敛 -> 外科手术" 的迭代循环,直至其变成坚不可摧的交付物。
本项目遵循严苛的 Crucible 协议,这是一套集成外部知识与内部对抗的闭环系统:
-
Phase 0: Oracle Scanning (全知扫描)
- 雷达锁定: 在辩论前夕,自动调动
oracle_scanner.py扫描文档中的知识盲区。 - 事实锚定: 通过
Find -> Verify -> Inject循环,将外部实时数据注入本地知识库 (docs/knowledge/),防止闭门造车。
- 雷达锁定: 在辩论前夕,自动调动
-
Phase 1: Council Debate (理事会辩论)
- 多模态对抗: 调用顶级 LLM (DeepSeek/Qwen/GLM) 分区扮演 Affirmative (价值捍卫者) 与 Negative (风险审计员)。
- 事实对抗: Negative 角色被强制要求基于 Oracle 提供的知识进行攻击,而非凭空质疑。
-
Phase 2: Adjudication & Mending (裁决与修补)
- 元裁决: Adjudicator 综合双方论点与事实依据,给出量化评分与强制性的 "Mending Orders" (修补指令)。
- 退出机制: 只有当评分 >90 或达到最大循环次数时,熔炉才会开启出口。
-
Phase 3: Surgical Action (外科手术)
- 精准执行: Agent 执行 Adjudicator 的指令,对文档进行原子化修改。
- 审计日志: 每一次参数修正与逻辑调整都被记录在案。
| 模块 | 核心组件 | 职责描述 |
|---|---|---|
.agent/ |
/workflows/ |
战略编排器: 包含 crucible.md (熔炉协议) 等标准作业程序 (SOP)。 |
llm/ |
client.pyconfig.json |
推理中枢: 统一的 LLM 接口网关,集成 DeepSeek/Qwen/GLM。支持动态 Token 管理。 |
prompts/ |
*.md |
认知配置: 存储 negative.md, adjudicator.md 等系统提示词,定义 AI 认知边界。 |
scripts/ |
oracle_scanner.pydialecta_debate.pypdf_tool/ |
执行引擎: 知识扫描、辩论调度、PDF 交付。 |
docs/ |
knowledge/reports/ |
资产仓库: 隔离存储外部事实知识库与辩论档案。 |
flowchart TB
%% ======================================================================================
%% 🎨 视觉风格定义
%% ======================================================================================
classDef userSpace fill:#eff6ff,stroke:#1e40af,stroke-width:2px,color:#1e3a8a;
classDef workflow fill:#f8fafc,stroke:#475569,stroke-width:2px,stroke-dasharray: 5 5,color:#334155;
classDef script fill:#1e293b,stroke:#94a3b8,stroke-width:1px,color:#fff;
classDef agent fill:#7c3aed,stroke:#4c1d95,stroke-width:3px,color:#fff;
classDef db fill:#ecfccb,stroke:#4d7c0f,stroke-width:2px,color:#365314;
classDef doc fill:#fff7ed,stroke:#c2410c,stroke-width:2px,color:#7c2d12;
classDef web fill:#cffafe,stroke:#0891b2,stroke-width:1px,color:#155e75;
%% ======================================================================================
%% 第 1 层:交互入口
%% ======================================================================================
subgraph UserSpace [🔵 第 1 层: 用户指令]
CMD["💻 /crucible<br/>(启动熔炉)"]:::userSpace
end
%% ======================================================================================
%% 第 2 层:引擎核心
%% ======================================================================================
subgraph Engine [⚙️ 第 2 层: SparkForge 引擎]
direction TB
SOP(["Workflow: crucible.md<br/>(SOP 标准作业程序)"]):::workflow
subgraph Phase0 [阶段 0: 全知扫描]
direction LR
Scanner[["🔮 oracle_scanner.py<br/>(知识雷达)"]]:::script
WWW(("🌐 互联网搜索")):::web
Scanner <--> WWW
end
subgraph Phase1 [阶段 1: 理事会辩论]
direction TB
Debater[["⚖️ dialecta_debate.py<br/>(辩论主控)"]]:::script
subgraph Council [🧠 认知对抗区]
Aff("🛡️ 正方<br/>(价值捍卫)"):::agent
Neg("🗡️ 反方<br/>(风险审计)"):::agent
Adj("🧑⚖️ 裁决官<br/>(Adjudicator)"):::agent
end
Debater --- Aff & Neg
Aff & Neg ==> Adj
end
subgraph Phase3 [阶段 2: 外科手术]
Surgeon{{"⚡ 执行 Agent<br/>(精准修改)"}}:::agent
end
end
%% ======================================================================================
%% 第 3 层:数据资产
%% ======================================================================================
subgraph Storage [📂 第 3 层: 项目资产]
Store_Know[("🧠 知识库<br/>(docs/knowledge/)")]:::db
Store_Report[("📜 辩论档案<br/>(docs/reports/)")]:::db
Target_Doc["📄 目标文档"]:::doc
end
%% ======================================================================================
%% 🔗 数据流逻辑
%% ======================================================================================
%% 启动
CMD ==> SOP
%% 阶段 0: 知识注入
SOP -->|① 扫描盲区| Scanner
Scanner ==>|注入事实| Store_Know
%% 阶段 1: 事实锚定辩论
SOP -->|② 发起辩论| Debater
Debater -->|读取| Target_Doc
Store_Know -.->|事实支撑| Neg
Adj ==>|强制指令 Mending Orders| SOP
Adj -.->|归档| Store_Report
%% 阶段 2: 执行
SOP -->|③ 执行指令| Surgeon
Surgeon ==>|原子化写入| Target_Doc
这是 SparkForge 的终极形态。
在 IDE 中打开目标文档,输入指令:
/crucible "优化目标描述"发生了什么?
- Oracle 扫描: 系统首先运行
oracle_scanner.py,找出文档中的弱点(外部知识盲区)。 - 知识注入: 最新鲜的外部事实(法规、数据、案例)被存入
docs/knowledge/。 - 理事会辩论:
dialecta_debate.py启动,Negative 辩手手持 Oracle 知识对文档发起猛烈攻击。 - 裁决与修补: 最后,Agent 根据裁决结果,对文档进行精准修改。
- 循环: 这个过程会自动循环 (Loop 1 -> Loop 2...),直到文档达到 90 分或用户满意。
如果你只想检查文档的知识盲区,而不进行完整辩论:
python3 scripts/oracle_scanner.py {文档路径}如果你已有知识库,只想进行逻辑审计:
python3 scripts/dialecta_debate.py {文档路径} --oracle {knowledge_file}将打磨好的文档导出为精美 PDF:
make glass {文档路径} # 适合移动端阅读的长图风格
make a4 {文档路径} # 适合打印的商务风格- Oracle Grounding (事实锚定): 内部逻辑再完美,如果违背外部事实(法规、物理定律、市场数据),也是废品。
- Adversarial Resilience (对抗鲁棒性): 没有经过攻击的观点是不值得信任的。
- Audit Trail (审计留痕): 每一次决策、每一个参数的修改,都必须可追溯。
© 2025 SparkForge High-Fidelity Intelligence Engine.