药材谷 · 底座十层详解（实扫真版）

我方实现：本地 ollama（端口 11434），模型归档在 D:\ollama_models（OLLAMA_MODELS 环境变量）。不走外脑 API，自己机器上跑——好处：数据不出门、零调用费、断网可用。

给 K3 的话：起步可先接外脑 API（快），但记住这条路是「租脑子」；攒够语料就走我方这条——本地 ollama / vLLM 自部署，模型归自己。

注意：另有 2 个模型属别的项目，我方页面用白名单 屏蔽过滤，不混用。

真实文件：train/ 下有 lora_train.py（LoRA SFT）· dpo_train.py（偏好对齐）· prepare_sft.py（语料制备）· merge_lora.py（合权重）· evaluate.py（评测）· 数据配方.md。

产出：yaocai-q4-v5 已经练出来并入 ollama。自训服务器：药材谷自己的香港服务器 43.161.221.92（不是别家的机器），训练管线待部署。

K3 可直接抄：这一层就是「合脑子」的车间——素材（prepare）→ SFT（lora）→ 对齐（dpo）→ 合并（merge）→ 评测（evaluate）五步，缺一不可。

种子种苗档案：后端路由/data/seedling.json 等 4 表（含意向单、跳单防控）。

知识图谱本体：本草大脑_v149/backend/kg/ontology_loader.py——五层记忆的语义层会往这里沉淀三元组（见第五节）。

采集蜂数据：后端路由/data/swarm_*.json 共 20 个（行情/资讯/审核/集群…）。

护栏库：backend/guard/（违禁词 / 敏感词 / 内容护栏 / 记忆护栏）——输入输出都要过安检。

我方特色：166 个 bre/*.py——把中医药知识写成确定性规则引擎（配伍禁忌 / 道地 / 炮制 / 采收 / 煎药…）。查得到的可解释、可复现、不会瞎编；这是向量检索给不了的确定性。

已暴露检索端点：GET /api/v1/herbs/search · /api/v1/prescriptions/search（关键词检索）。

缺口（如实说）：向量检索管道未接——bge-m3 模型已在册，但「切块 → 向量化 → pgvector → 检索 top5 → 门槛拒答」这条链还没串。这正是 K3 药方二要补的 minScore 0.72 那段。

给 K3 的话：你那边规则 + 向量两条腿都要：规则管「确定的硬知识」（禁忌/剂量），向量管「软资料」（药典全文/行情资讯）。只靠向量会飘，只靠规则不够广。

名册：plugins/agents/manifest.json → version gen-164 · 165 台 · 已接线 164 · 孤儿 0（生成物，跑 tools/rebuild_manifest.py 重生）。

三个通用端点（照抄即可）：

GET /api/v1/bre/{engine}/demo              # 无参演示
GET /api/v1/bre/{engine}/ask?herb=附子      # 带参真查（#276 新增）
GET /api/v1/bre/federate?herb=附子          # 联邦：19 台并行（#277）

要点：ask 用 inspect 嗅探函数首参名自动传参；federate 扫名册自动发现「接受药材入参」的引擎并行执行——新引擎上线自动入列，不用改代码。这比一个个写 function calling 省事得多。

真实实现：routers/chat.py —— 每轮把 user/assistant 消息写 Session_ / Message 两张表；/api/v1/chat/history 列最近 50 个会话、/{sid}/messages 取回某会话全部消息（这就是「跨会话历史」的真身）。

缺口（如实说）：主前端 index.html 发送时 session_id:null → 每次是全新会话，暂未把上一轮历史喂回。后端能力已就绪，前端续聊待接。

真实文件：backend/plugins/memory_layers.py —— FiveLayerMemory（v154·v31 图纸）：

# 出 prompt 前取上下文（真代码）
m.context() → {working, recent=short[-5:], episodes=episodic[-3:],
               profile=long, knowledge=semantic[:5]}

给 K3 的话：你的「短期滑窗 6 轮 + 长期画像表」是对的，但可以再拆细——添上「情景记忆（干过哪些事）」和「语义记忆（沉淀成图谱）」两层，系统才会越用越像老中医，而不只是记住你叫啥。

真实文件：backend/bre/nightly_consolidation.py —— Consolidator.sleep()：白天的日间轨迹 → 压缩短记忆 → 蒸馏实体（absorb 进语义层）→ 去重 → 写明日就绪报告。

每日进化编排：backend/plugins/daily_loop.py —— 一键夜巡四步：好奇心(白天缺口) → 守夜人(睡眠巩固) → 梦境(反事实推演) → 进化闭环(明日任务)，服务器 crontab 02:00 跑。

# daily_loop 夜巡（真代码节选）
step1 = 好奇心()                    # 找白天没答上的缺口
step2 = 守夜人.sleep(日间轨迹, 记忆)  # 压缩+蒸馏+去重
step3 = 梦境.dream(决策)             # 反事实推演
step4 = 进化()                      # 明日按清单执行

给 K3 的话：记忆不是存了就行，要「睡一觉」才会长脑子——白天积累，夜里压缩蒸馏去重。这条是很多底座忽略的，抄走。

我方另有四张浏览器本地台账（localStorage），把记忆治理做成了可视页面：

真实文件：backend/agents.py → route_intent(query, has_image, skills) —— 用关键词/规则把问题分派给对应引擎：

# 真代码节选：问题 → 派哪些引擎
图片 或 skills含identify  → ["herb_identify"]        # 识药
方/剂量/禁忌/配伍/反/畏    → ["prescription_audit","herb_info"]  # 审方
《/古籍/原文/古人          → ["classics"]             # 古籍
价格/行情/涨/产地          → ["market","herb_info"]   # 行情
写/PPT/方案/合同/文案      → ["writer"]               # 代写
种植N亩/投资成本           → ["calculator"]           # 测算
兜底                       → ["herb_info"]

更高级的决策：plugins/decision_router.py —— DecisionRouter：配了 vLLM 地址就用小模型输出结构化决策 {choice,score,prob}；没配就规则兜底（零依赖）。LLM 决策 + 规则兜底双模。

另有：plugins/leader.py identify() 意图路由 + plugins/agents/driver.py 按 manifest 取 engine 并 __import__ 调用（派单执行）。

# agents.py swarm() 真代码节选——多引擎并行
plan = route_intent(query, has_image, skills)
if 并行(默认开) and len(plan) > 1:
    tasks = [协程(识药) if 识药 else 线程池(引擎) for 引擎 in plan]
    results = await asyncio.gather(*tasks)     # ← 真并行，不是排队
else:
    results = [串行执行每个引擎]
content = safety_review(results, plan)         # 汇总后过安全复核
return {content, sources, agents=plan}

要点：多个引擎用 asyncio.gather + 线程池真并行（识药是协程、其余同步引擎丢线程池），不是一个个等。K3 的 ReAct 循环（转 3 圈封顶）是串行工具调用；我方这套是「一次派多个、并行收结果」——两条路各有场景：追问式多轮用 ReAct，一次要多源汇总用并行。

真实文件：后端路由/routes/swarm_orchestrator.py —— 定位是「架在底座之上的编排层」，把 任务入队 → 自动派单(按职能匹配蜂群) → 工位执行 → 心跳巡检 → 失败重试 → 熔断 串成自动闭环。

# 派单规则（真代码节选）
RULES = {
 "collect": {组:"采集蜂", 执行器:"swarm_collect", human_gate:False},
 "content": {组:"内容蜂", 执行器:"swarm_content", human_gate:False},
 ...
}
# 铁律①：human_gate=True 的职能（发布/资金）自动派单只到「待人工确认」，绝不自动执行

18 个蜂群模块（在 后端路由/routes/）：采集/内容/情报/审核/营销/集群/流水线/名册/技能/资金闸门/治理…

给 K3 的话：「分群怎么调度」的答案是——先按职能分群（采集蜂/内容蜂/情报蜂…），再来一个中枢按任务职能自动派单，超权限的（对外发布、花钱）必须留人工闸门。别让 Agent 手里没缰绳。

我方两处定时：① 夜巡（daily_loop，crontab 02:00，见 9.3）；② 后端 后台守护线程（security.py / seed_data.py / routers/bre.py 等 6 个模块用 threading 起常驻线程）。

# 与 K3 的 cron 写法对应（我方同构、真实在跑）
cron.schedule('* * * * *', async ()=>{
  待办 = 查任务表(下次运行 < 现在)
  for 任务 of 待办: 结果 = 执行(); SSE推(用户, 结果); 更新下次运行时间
})

K3 可直接抄：任务表 + 每分钟扫描 + 到点执行 + SSE 推 + 自动算下次时间——正是你文件里那段，逻辑等价。

主前端文件：本草大脑_v149/frontend/index.html（左抽屉 11 项 / 中间 hero+chips → 对话流 / 底部输入框）。

输入框：textarea（问药材、方剂、鉴别、行情…）+ 「＋上传照片」+ 模型标识 Yaocaigu-4B · 进阶 + 发送「↑」+ 快捷 chips（药材鉴别/方药解析/煎法推荐/行情速览/配伍禁忌）。回车发送、按钮置灰防重复提交。

输出框：#msgs 消息流（用户气泡右 / 助手气泡左），助手气泡顶部实时显示「蜂群路由中… → herb_info → market · 已作答」。

K3 可照抄的防卡五机关（对应你文件 8.2）：① rAF 批量刷 DOM（别每个 token 都 setState）② 句子级渲染（攒够一句再刷）③ AbortController 停止键④ 流式 Markdown 安全渲染 ⑤ 发送防抖。我方侧重 ①②⑤，③④（停止键 / Markdown 渲染）是待补项。

① Markdown / 代码高亮渲染：当前输出是纯文本 textContent 追加，未做 Markdown 流式渲染；② 引用角标：sources 已随流返回，前端未渲染角标；③ 停止键：未接 AbortController。

这三项正是 K3 图纸里比我们细的地方，照抄回去补上即可。