KongFangXun/sofagent

sofagent

简体中文 | English

这是什么

💬 一句话版本：进场时它替你把业务摸清、写成文件；离场后你的数字员工每次改代码、动文件，都按文件过一道安检、留一份记录、存一个快照——出事能查、能回滚，这就是 sofagent 干的事。

开源 FDE Harness 层。一人公司 / 小企业的 AI 落地工程师——不睡觉、不离职、自带审计官。横跨成熟 Agent（执行体：DSH / OpenClaw / WorkBuddy）、纵贯模型层（智力源：通用大模型 + 专属小模型 / 后训练模型），嵌在两者之间做治理。以 FDE 插件 + Skill + MCP + CLI + Dashboard 五种形态分发：进场，把业务判断写成文件——业务流、本体数据、AI 节点部署；离场，按文件审计每一次变更、持续优化。

sofagent 不造 Agent——执行能力交给成熟宿主（模型 + 工具 + 会话），它交付的是 FDE Harness 层：FDE 方法论 × Harness 工程，同一件事的两个阶段——进场生成判断（哪里该上 AI，写成机器可判定的文件），离场驻留判断（按文件 7×24 执行、审计每次变更）。约束层五种能力：注入 · 审计 · 回溯 · 沉淀 · 进化，装进任何已有 Agent；让任何模型（通用或专属）都被管住（注册/灰度/训练/部署全留痕）。两个阶段怎么咬合、为什么拆不开，见下文专章。

🚂 后训模块为什么在治理仓里（30 秒答案）：治理的天花板是数据——审计发现的错误（哪些任务做砸了、哪种输出不合格）正是训练的燃料。后训模块把「审计出来的问题 → 修复问题的模型」这条闭环接通，让治理数据反哺模型层；训练资产本身走商业侧交付，治理仓只保留协议与接口（外部化 / 可配置）。

📌 术语注：英文面使用 "training engine"，系 2026-09-03 拍板的保留边界（英文面豁免）——两者指同一模块。独立审查员：这是已拍板的已知边界，不是漏改。

零配置审计实拍：一行命令审计最近一次 commit，密钥泄漏当场拦截

🗺️ 系统架构总览（FDE Harness 五模块编制）

约束 Agent 行为 · 审计每次变更 · 沉淀经验（五模块编制，治理/执行模块规划中；完整交互版见 ARCHITECTURE）

🏞️ 大厂给你"水"（大模型）和"河床"（Agent 平台），但水是原水，你不敢直接喝。sofagent 是帮你把河里的水让整个城市用起来的工程——堤坝不让水泛滥、自来水厂把原水变直饮水、管网把水送到每家每户的水龙头。模型给 90% 的智力，sofagent 补 10% 的可靠执行。

该不该装？

| 如果你是… | 建议 |
|----------|------|
| 给现有 Agent 加纪律——已有 DSH / OpenClaw / WorkBuddy，想让 AI 干活时守规矩、留痕、出事能回溯 | ✅ 现在装。核心价值就是约束层（注入 · 审计 · 回溯 · 沉淀 · 进化），装完即用 |
| 一人公司 / 小企业想落地 AI——没有专职工程师，需要一个"不离职的 FDE"帮你梳理业务流、部署 AI 节点 | ✅ 现在装。FDE Harness 层就是干这个的——进场把判断写成文件，离场按文件执行与审计，全链路 |
| 要开箱即用的企业级 Agent 平台——期待完整商业产品（多租户、权限管理、计费、SLA） | ⏸️ 暂缓。sofagent 是治理层，不是平台产品——平台级能力不在本开源仓库范围内。有集成能力的团队仍可把约束层接入自有平台，作为其中的治理模块；纯开箱需求建议另选平台产品 |
| 纯研究 / 想看看约束层怎么设计——读代码、学架构、借鉴方法论 | ✅ 现在装。文档齐全（HANDBOOK / ARCHITECTURE / PHILOSOPHY），MIT 协议 |

和 gitleaks / pre-commit 这类工具什么关系？（互补不互替）
| | gitleaks 等扫描器 | pre-commit 等钩子 | sofagent |
|---|---|---|---|
| 定位 | 密钥全量历史扫描 | 通用提交钩子框架 | Agent 行为审计约束层 |
| 证据面 | 仓库文本模式 | 自定义脚本 | git diff 硬证据 + Agent 日志 + 决策留痕 |
| 覆盖维度 | 密钥泄漏 | 任意（自己写） | 24 条规则：密钥/越界/注入/权限/后门 |
| 建议 | 强密钥合规必配 | 已有体系可保留 | 与前两者并用，专注 Agent 治理维度 |

10 分钟轻量试用：npx -y -p @sofagent/audit sofagent-audit（任意 git 仓库，密钥泄漏当场拦截）。

核心特性

进场 · 生成判断（FDE 相位——把「该不该上 AI、值多少钱」判断出来，冻结成交付物）：

- 🧭 梳理业务流——五要素深挖 + 三问判定法，把每个岗位环节摸清，算清每个 AI 节点值多少钱
- 🤖 部署 AI 节点——三层交付物（文档层 + Skill 层 + 运行层），装进你已有的 AI 工具，从"你干活"变"你派活"
- 📦 判断冻结成交付物——每个节点带「做好标准（merge_criteria）· 谁拍板（approver）」，机器可判定、跨阶段共享

离场 · 驻留判断（Harness 相位——按交付物 7×24 执行，进化时写回）：

- 🏠 离场后常驻——FDE 能力留下巡检、审计、优化，7×24 在线守护（commit 时触发审计），人离场治理不离开
- 🔍 零配置审计——npx -y -p @sofagent/audit sofagent-audit，任何 git 仓库秒级审计最近一次 commit（单机实测：quick 约 1.1s、5 万行 diff 约 6.1s，口径见 HANDBOOK）
- 🧱 24 条审计规则 + 104 个 MCP tool——密钥泄漏、越界编辑、注入防御、权限红线，违规当场拦截（critical 层命中后其余规则跳过——fail-fast 设计）。证据两档：24 条中 19 条基于 git diff 硬证据（本地即生效）+ 4 条混合（diff + Agent 日志，Agent 接入后生效）+ 1 条文件系统扫描；A7/A8 等日志规则在无 Agent 日志时跳过（信任边界详见 LIMITATIONS §三）
- 🛡️ 自动快照回溯——每次审计后自动存档，出事一键回到任意快照

什么是 FDE Harness

FDE = Forward Deployed Engineer（前线部署工程师）——把模型塞进企业真实业务里的人。sofagent 把这个角色做成开源 FDE Harness 层，嵌在你的 Agent（DSH / OpenClaw / WorkBuddy）与模型层之间。一个 FDE Harness 的完整业务流分两个阶段，中间的交接物把它们缝成一件事：

- 进场 · 生成判断：四步走完——梳理业务流 → 构建双图谱 → 判定 AI 节点 → 部署。双图谱 = 业务图谱（系统边界、数据流向，人读）+ 本体图谱（共享语义底座，AI 读），把企业变成机器可读的结构；每个 AI 节点的「做好标准（merge_criteria）· 谁拍板（approver）· 何时跑（trigger）」在这一步被判断出来，冻结进交付物（workflow.yml + 本体数据 + skills）。
- 离场 · 驻留判断：FDE 走，判断留下——审计在 commit 等变更事件时按冻结的标准自动触发（证据分档见「核心特性」首条）；daemon 7×24 巡检、快照可回滚、经验持续沉淀。人离场，治理不离开。

🔗 为什么必须一体：交付物是两个阶段共享的活状态——进场时写入、离场后执行时读、进化时写回（试验分支晋升基线、反思蒸馏回流）。没有 FDE，约束层没有判据可执行；没有约束层，FDE 的判断随人离场蒸发。这正是「FDE Harness」名字的由来——不是 FDE 功能 + Harness 功能的拼盘，是同一件事的两个阶段。

从 FDE 到 FDEing：两个阶段的合成效果，是把 Forward Deployed Engineer（一个岗位）变成 Forward Deployed Engineering（一种能力）——岗位随人走，能力随交付物留。FDEing 读作 /ef-di-i-ing/，与 engineering 同构。

为什么是 FDE Harness

- 企业 AI 落地的瓶颈不是模型，是部署——MIT NANDA《生成式人工智能的鸿沟》：95% 的企业 GenAI 项目没能产生能写进财务报表的价值，而 FDE 岗位发布量一年涨了 729%（核验见 VALIDATION）
- 完整来自组合——DSH 解决「能干活」，sofagent 解决「持续干」，两者合起来才是完整的 FDE Harness（见下章）
- 约束层「持续优化」靠机制不靠承诺——外部独立实验（ARC-AGI-3，能力型 harness 数据——提升的是任务得分与 token 效率，与治理型约束层的可靠性收益非同一量纲）：同一模型仅优化外层 Harness 可显著提升任务完成率。核验见 VALIDATION · THANKS
- 能力可迁移，绝不绑死单一平台——约束层平台无关，方法论跟着业务走、不跟着平台走

🔄 自举：sofagent 给自己做的第一份 FDE，就是 sofagent 自己——项目本身就是一条完整的 FDE 业务流（梳理 → 构建 → 部署 → 离场），这个开源仓库就是那份交付物。

多平台挂载

横跨你已有的 Agent、纵贯模型层，不替代模型，只补可靠执行——FDE Harness 层平台无关（插件 / Skill / MCP / CLI / Dashboard 五种形态按宿主能力分发），方法论跟着业务走，不跟着平台走：

| 档位 | 平台 | 约束注入 | 挂载方式 |
|------|------|---------|---------|
| 深度结合 | DeepSeek Harness | ✅ 逐工具调用可拦 | 6 款原子 cordis-plugin-sofagent- 挂进运行时（另有 1 款聚合插件可选，见上章）——tools/pre-execute 等 8 个生命周期事件 |
| 完整挂载 | OpenClaw | ✅ 每会话注入一次 | Hook 注入四层约束 + 断路器 + 4 款 OpenClaw 插件 |
| 标准挂载 | Claude Code / Cursor | ⚠️ Skill 自觉加载 | Skill 目录 symlink + 平台规则文件 + 拦截配置（内容为提交级 24 规则，非调用级拦截） |
| 薄挂载 | WorkBuddy / Codex / Gemini CLI / Hermes | ⚠️ Skill 自觉加载 | Skill 目录 symlink（Codex 走 AGENTS.md 挂载点）+ git hook 审计 |

- 别假设能力对齐——档位差的是注入强度，不是「有没有」：DSH 逐工具调用可拦，OpenClaw 每会话注入一遍，其余宿主由 Agent 自觉读 Skill 文本（建议性）。「支持某平台」= 约束资产在该平台可用，≠ 约束强度与其他平台相同；跨宿主迁移或写集成文档前，先看目标宿主落在哪一档，完整矩阵见加载链 HOOK
- 审计兜底平台无关——sofagent-audit --install-hook 走 git hook，任何档位每次 commit 都过 24 条审计，违规硬拦截。约束是建议性的，审计是强制性的

一条命令选定挂载档位：bash install.sh --platform （全部平台与差异见 HANDBOOK）

v1.4.9：设备接入与数据承接

📡 设备接入与数据承接——引擎从单机审计长成多设备数据承接层，三条链一次收口：设备注册与派单（G9：Ed25519 身份 + 心跳新鲜度判定 + 在线才派单/掉线改派挂起）· 授权读取与加密上行（G10/G11：device_data_query 白名单授权读取 + device_data_push opt-in 上行——WAL 加密暂存/明文不落盘/断点续传/审计计量 evidence）· 训练数据飞轮（T7/T8/T9：router 过站 session 承接 schema fail-closed + 签名验签 + 脱敏贯通 + cost 台账 · 敏感识别三层插槽 L0 正则/L1 词典/L2 NER · 权重灰度 AB hash 稳定分流 + 劣化触发 + 噪声保护）· 平台接口面（G5b/G1：连接器注册/发现租户隔离 + workflow 模板导出/导入与血缘追踪）· 工程效能（T6/T10 + bugfix：installer skill 四步装机引导 + 模型清单上报 + skill 快照 · 修复批 13 项）。MCP 工具 95 → 104 · 测试 4429 → 4805。完整内容见开发日志 · 更早版本见 CHANGELOG。

FDE 方法论

两阶段的前半段。很多企业上 AI 的路径是反的——先选模型、搭平台、买 Agent，结果没人用。问题不在技术，在于还没搞清楚自己的业务流程，就想让 AI 接管。

多数工具教你怎么造 Agent，sofagent 先解决AI 该放在哪——把这个判断从拍脑袋变成可复制的方法论：

| 阶段 | 输入 | 做什么 | 产出 |
|------|------|--------|------|
| 一、梳理 | 岗位清单 · 现有系统 | 五要素深挖——按岗位摸清每个环节的输入 / 输出 / 负责人 / 耗时 / 痛点 | 企业画像 |
| 二、判定 | 企业画像 | 三问判定法——从业务节点识别可 AI 化的：🔄 自动执行 / ⚡ 强化岗位 → AI 节点，👤 暂不动，按 ROI 排优先级 | 节点方案 + 年节省金额 |
| 三、交付 | 节点方案 | 三层交付物——文档层 + Skill 层 + 运行层，让 AI 节点真的跑起来 | 本体数据（ontology）+ workflow.yml + skills/ |

完整方法论（四阶段十二步）见 FDE/GUIDE.md——半天精读，读完能独立做 FDE。

💾 部署完别急着走：单个节点的 workflow 经 DeepSeek Harness 执行后端直接「烧」进 U 盘——U 盘就变成一个节点、一把 key，插到哪台机器哪台就能跑（拔掉零残留）。开源 6 款原子插件已挂载进 DSH（另有 1 款聚合插件可选），烧录即用。

FDE Skill 体系

两阶段的缝合处——进场生成的判断冻结成随节点加载的 Skill，离场后约束层按它执行。部署 AI 节点只是第一步：上面讲的是判断怎么生成、放在哪里，接下来是它怎么被驻留执行。FDE Skill 体系解决这个问题：

- 📜 SKILL.md——唯一主入口，由你的 AI 工具加载：按阶段路由到对应子 Skill，岗位规范按任务类型自动注入（梳理 / 审计 / 编排）
- 🧩 阶段子 Skill——进场 → 深挖 → 量化 → 交付 → 离场五步闭环（01-entry → 05-exit），每一步该做什么、交付什么都定义清楚
- 🔒 harness 约束骨架——entry-gate / fde-template / engage / loop-check / task-closure…，从进场到离场每一步都有对应的约束模板
- 📚 知识资产管道（沉淀能力）——think.md 反思 + knowledge 维护的结构化管道已就绪；持续使用场景下的沉淀效果实测数据积累中（详见 LIMITATIONS §核心效果实测情况）

部署的不是裸 Agent，是带约束骨架的 Agent——约束是建议性的，审计是强制性的：Agent 可以不遵守约束，但每次变更都逃不过审计。

约束层（Harness）
The second half of the two-phase process. The judgments generated during onboarding (merge_criteria / approver / trigger) are executed by it while resident—this is the half that keeps judgments effective after the FDE leaves. The constraint layer is sofagent's behavioral foundation, with five capabilities (external narrative; internally implemented as a five-module organization—orchestration/audit/post-training/governance/execution; for the correspondence between these two and the five distribution forms, see ARCHITECTURE Functional Organization):

- Injection—injects enterprise constraints at Agent startup, a four-layer loading chain; constraints are advisory
- Audit—24 git diff hard-evidence rules (quick zero-config defaults to 17 rules, 7 extended rules enabled via config) + AgentShield five-category configuration surface static scanning; auditing is mandatory, every change must be audited, violations are intercepted on the spot
- Rollback—automatic snapshot archiving after each audit, one-click return to any snapshot when something goes wrong
- Accumulation—audit trails, think.md reflections, and industry cases distilled into reusable knowledge assets (knowledge/ knowledge base + SKILL files; knowledge accumulation is currently a format pipeline, content filling advances with model integration, see LIMITATIONS)
- Evolution—think.md reflections + Dream Cycle + evolve, consuming accumulated knowledge assets to automatically grow stronger (knowledge accumulation is currently a format pipeline, content filling advances with model integration, see LIMITATIONS)

Installation

⚠️ Enterprise users read this first LIMITATIONS §3—config.yml defaults to non-fail-closed (rules can be tampered with and bypassed by the Agent), multi-tenant write-side isolation is not yet in place (v0 has delivered query-side isolation: orgId filtering + data// path foundation, see LIMITATIONS). For strong compliance scenarios, it is recommended to use CI as a fallback + file permission lock (chmod 444 .sofagent/config.yml), and not to use the single-machine default configuration directly in production.

30 seconds, zero config—run an audit in any git repository:

npx -y -p @sofagent/audit sofagent-audit

💡 quick runs 17 default rules (A3 task scope / A9 commit-msg injection detection activated—automatically reads the most recent commit message, and when there is no message A9 is treated as no input and marked as skipped), the full 24 rules + hook automatic auditing require --init—see LIMITATIONS §3 for details.

This is what it looks like when intercepting a specific-format key leak (real output; A2 detects known formats such as AWS AKIA/Secret, OpenAI sk-, GitHub ghp_, Google AIza, Slack xox-, JWT, PEM private keys, etc.; generic key patterns are not yet covered—a conservative design to prevent false positives, see LIMITATIONS §3 A2 for details)—the real screenshot on the first screen is exactly this scenario, so it will not be repeated here.

Full installation (Node.js ≥ 18, download and review before executing)—install on the device where the enterprise runs the AI node:

curl -fsSL https://raw.githubusercontent.com/KongFangXun/sofagent/refs/tags/v1.4.9/bootstrap.sh -o bootstrap.sh
less bootstrap.sh          # Take a look at the script contents first to confirm it is safe
bash bootstrap.sh && rm bootstrap.sh

🔒 Supply chain trust chain: tag pinning + sha256 verification + fail-closed + self-anchored hash re-entry secondary verification (see SECURITY.md remote installation section for details); ⚠️ Audit logs are written to disk in plaintext by default—for enterprise deployment it is recommended to enable static encryption.

sofagent-audit --init      # Install git hook, after which every commit is automatically audited
sofagent-audit --doctor    # Verify the environment (optional)

💡 The installation script mainly writes to ~/.sofagent/ (data directory) + ~/.local/bin (CLI entry point); when OpenClaw is detected it additionally writes to its integration directory; when npm permissions are insufficient, the CLI entry point falls back to /usr/local/bin. No other system files are changed. --init installs a three-layer defense line git hook (pre-commit blocks .sofagent/ from entering the repository + commit-msg rule audit + post-commit reconciliation); --no-verify can skip the commit-msg audit—what it guards against is the negligence of an honest Agent, not malicious bypass; skipped commits are recorded by post-commit retrospective reconciliation (flagged as "suspected bypass") but not blocked; the three personal fallback measures: CI-side sofagent-audit --diff, regular --doctor, and reviewing audit records. See LIMITATIONS for details.

📌 install.sh is the enterprise device installer—install it on the device where the enterprise runs the AI node (constraint layer + daemon inspection + single-machine dashboard); the FDE's own computer does not need to run it, the FDE's tool is FDE Skill (methodology), see Deployment Architecture for details.

📌 The relationship between bootstrap.sh and install.sh: bootstrap.sh is a one-line download wrapper for install.sh—curl bootstrap.sh | bash is equivalent to "download install.sh + run install.sh". The two scripts install exactly the same thing; bootstrap just saves the manual clone/download step.
更多安装方式（clone 安装 / npx 完整安装 / 最小安装 / 企业部署）见 HANDBOOK；卸载方式见 HANDBOOK · 卸载（bash engine/scripts/uninstall.sh，会一并回收三层 git hook）。企业用户想直接用 FDE 方法论梳理业务流，看 FDE/README.md（零依赖，不需要 Node.js；15 分钟最短路径见其「15 分钟最短路径」小节）。

我要装什么 → 走哪条通道——两个「一次装全套」入口，按你所在环境二选一，无需同时装（两者互不依赖，也不互为前置）：

| 我要装什么 | 走哪条通道 | 装完得到什么 |
|---|---|---|
| 全套能力，走 npm 生态 | npm i -g sofagent（npm 裸名总包 engine/umbrella） | @sofagent/audit + @sofagent/mcp + @sofagent/orchestrator + @sofagent/daemon |
| 全套能力，走 DSH 宿主挂载 | 宿主 profile 的 bundles 挂一条 cordis-plugin-sofagent | 该聚合插件声明的全部原子插件（挂一条即聚合） |

⚠️ 两条通道都产出名为 sofagent 的命令，但语义不同——别混用一个名字的心智：

| | npm 裸名总包（npm i -g sofagent） | install.sh 安装态 |
|---|---|---|
| sofagent 是什么 | 审计薄转发——等价 sofagent-audit，零配置 30 秒审计 | 完整安装面入口——另有 status / web / dashboard 等子命令 |
| 实现位置 | engine/umbrella/bin/sofagent.js（spawn 转发到 @sofagent/audit） | $SOFAGENT_HOME/bin/（install.sh 写入） |

PATH 判别法（不确定自己在用哪个时）：command -v sofagent 看路径落在 npm global 还是 $SOFAGENT_HOME/bin；再 sofagent --help 看首屏是审计参数表还是安装版子命令表（sofagent web 只在 install.sh 安装态可用）。
两者同时存在于 PATH 时，显式用全名（审计走 sofagent-audit …）或调整 PATH 次序——不要假设 sofagent 一定是完整安装面。（v1.4.9 安装入口消歧批）

使用

Dashboard 驾驶舱（单文件 HTML · 截图版本 v1.4.0）：规则通过率、审计任务、违规趋势——AI 在干什么，一眼看清。（实际界面以安装态为准）

📊 Dashboard 有三个入口，各归各位：

| 入口 | 命令 | 形态 | 给谁看 |
|------|------|------|--------|
| 终端版 | sofagent-dashboard --full | 终端 ASCII 三栏（零前端依赖） | 开发者 / FDE 快速看 |
| Web 版 | sofagent web（install.sh 安装态可用）· 仓库态 node tools/dashboard/serve-dashboard.mjs | 浏览器可视化（localhost:3780） | 老板 / IT 可视化看 |
| macOS 双击 | 双击 start-dashboard.command | Web 版的 macOS 快捷方式（仅 macOS 双击入口） | macOS 用户 |

👁️ Agent 视角：装完 hook 后每次 commit 触发审计——PASS 输出简短回声后放行（自动快照），违规直接打进终端输出并按配置推送 Webhook / IM，Agent 侧无独立图形界面（详见 PHILOSOPHY §二）。

| 入口 | 做什么 | 装在哪 | 花多久 |
|------|--------|--------|:----:|
| npx -y -p @sofagent/audit sofagent-audit | 零配置审计最近一次 commit，秒级出结果（首次 npx 约 30 秒） | 任意 git 仓库（临时） | 30 秒 |
| --ruleset 规则市场 | 加载安全等规则集，或自定义 JSON 规则 | 同上 | 1 分钟 |
| GitHub Action | 每次 PR 自动审计，违规标注在 diff 行上 | CI/CD | 配置一次 |
| install.sh 全套 | 注入·审计·回溯·沉淀·进化五能力 + daemon 巡检 + dashboard——Agent 的完整约束层 | 企业设备（跑 AI 节点的服务器/电脑） | FDE 驻场安装 |

安装粒度对比（同一个约束层，三种装法——按场景选）：

| 装法 | 命令 | 生命周期 | 适合 |
|------|------|---------|------|
| npx 临时 | npx -y -p @sofagent/audit sofagent-audit | 用完即走，每次重新下载 | 任意仓库快速审计、CI 外的一次性检查 |
| npm 项目内 | npm install @sofagent/audit（项目 devDependency） | 随项目安装，版本锁进 package-lock | 固定依赖的团队项目、可复现审计 |
| npm 全局 | npm install -g @sofagent/audit | 装一次到处用 | 跨仓库日常审计、daemon 常驻 |
⚠️ 不要裸装 npm i sofagent-audit——npm 上的裸名包 sofagent-audit 是本项目的旧代理包（已 deprecated，长期滞后于主包）。CLI 的正式包名是 @sofagent/audit（带 scope），CLI 安装统一走 bootstrap.sh / install.sh / @sofagent/audit。

规则市场——社区规则集以 sofagent-ruleset- npm 包发布、--ruleset-path 手动加载（也支持指向你自己的 JSON 规则）：

npx -y -p @sofagent/audit sofagent-audit --list-rulesets      # 看有哪些规则集
npx -y -p @sofagent/audit sofagent-audit --ruleset security   # 加载安全规则集

FDE 进场部署——两条路径任选：

- 方法论路径（零依赖）：读 FDE/GUIDE.md，按手册手动梳理业务流，Excel + 人脑也能跑
- 工具路径（Node.js ≥ 18）：FDE 在企业设备上跑 install.sh 装好约束层后，用自己的 AI 工具说"帮我做 FDE 诊断"，Agent 从进场开始引导

常见问题

- 能上生产吗？ 当前为单机单用户设计（多租户见 ROADMAP；静态加密与边界见 LIMITATIONS——企业部署前必读 SECURITY）。
- 收集我的数据吗？ 缺省全量本地。可选联邦查询 = 你主动配置才出本机（见 SECURITY）。

生态与文档索引

Featured in（社区收录 · 含收录申请中）：

Glama
awesome-dsh-plugin
awesome-ai-agents (Jenqyang)
dsh-plugin-radar
awesome-mcp-servers
awesome-harness-engineering
awesome-ai-agents (e2b)

上游与插件入口：

- DeepSeek Harness（DSH 上游仓库）：
- Cordis 运行时：
- 7 款 cordis-plugin-sofagent* 插件源码（6 款原子 + 1 款聚合）：engine/dsh-plugins/

| 你想了解 | 看哪里 |
|:---------|:--------|
| 全局索引（所有文档一个入口） | WIKI |
| 怎么装、怎么用、常见问题 | HANDBOOK |
| 架构设计（约束层「对内的技术名字」 · 注入链 · 进化机制 · 24 条规则） | ARCHITECTURE |
| 接口总览（七大接口面 + 104 MCP tools 清单） | API |
| 设计哲学 | PHILOSOPHY |
| 行业印证与生态定位（与现有工具的差异） | VALIDATION |
| 版本路线图 | ROADMAP |
| 每个版本做了什么 | CHANGELOG |
| FDE 诊断方法论（四阶段十二步） | FDE/GUIDE.md |
| 安全声明 · 已知局限 | SECURITY · LIMITATIONS |
| 贡献指南 | CONTRIBUTING |
🧪 工程可信度：4805 测试 / 13 模块包 + 11 插件（7 DSH + 4 OpenClaw）（口径：13 个 workspace 包；包数与统计标准见 WIKI）· 24 条审计规则 · fresh-eyes 独立审查持续运行（测试数以 tools/check/test-count.sh 判定为准，环境注意事项见 docs/guides/review-system.md。性能数据为单机参考值，跨工具横评排期 v1.4.x 与 Benchmark 集成）。

欢迎提 Issue 和 PR，尤其较真的那种 · 贡献指南 · 致谢
MIT License © 孔放勋 · ⭐ 如果 sofagent 帮到你，Star 一下让更多人看到