La Gîtée, maison d'aide et d'hébergement pour les femmes victimes de violence conjugale et leurs enfants située à Thetford Mines, a accueilli le 31 août Geneviève Couture à titre de nouvelle directric...

排查不出原因 这是我个人的一个项目 就我一个人开发 代码上传到的是 gitee 代码里确实写了 key 现在已经改到环境变量里了 平时用的 ai 是 claude 我自己用的都是 deepseek 的 flash 模型 每天都有 pro 的调用量 一天几十块钱的样子 我的猜测 1 、感觉服务器被人黑了 2 、gitee 上泄露了 git 上是一个私人项目 3 、cluade 的渠道泄露出去

Gitee 最有价值开源项目计划，让数百万开发者看到你的优秀项目

面向企业提供一站式研发管理解决方案，包括代码管理、项目管理、文档协作、测试管理、CICD、效能度量等多个模块，支持SaaS、私有化等多种部署方式，帮助企业有序规划和管理研发过程，提升研发效率和质量。

A Flutter plugin for AMap (Gaode Map) SDK with support for Android and iOS platforms. This is the pub.dev compatible version. For full HarmonyOS support, please visit our Gitee repository. Features in [...] Changelog excerpt: ### Added - 📦 **内置基础库**: 合并 `csp_amap_flutter_base`源码到 `lib/base/`，不再需要外部依赖 - 定位（Location）、POI 搜索、API Key 管理、隐私合规配置等能力随包提供 - 原有 `import 'package:csp_amap_flutter_base/...'`改为 `package:csp_amap_flutter_map/base/...` - 🗺️ 移除对 `csp_amap_flutter_base`的 pub.dev 依赖，简化集成

Kangwei Xia submitted an update to the exam-zh package. Version: 0.3.0 2026-07-12 License: lppl1.3c Summary description: LaTeX template for Chinese exams Announcement text:### Added - 为 `textfigure` 增加可选的 `auto-text-width` 图片实宽测量，并提供 `min-text-width` 与 `column-gap` 控制，避免宽图把正文压成窄列（Gitee #I7QT33） ...

# 用 FROST 五维元模型构建可治理的多 Agent 系统：从零到一的代码教程 **作者** ：FROST Team **日期** ：2026-07-09 **主题** ：代码教程 | 周四轮换 **项目** ：FROST + FROST-SOP ## 前言 2026 年，Agent 框架百花齐放——LangChain、CrewAI、AutoGen 各有各的好。但它们都有一个共同的盲区：**治理能力** 。 当你的 Agent 系统从 1 个变成 10 个，从跑 Demo 变成跑生产，你会发现： * 谁有权做什么？没有答案 * 这个决策是谁做的？无法追溯 * Agent 越权了怎么办？事后才能发现 FROST（Fractal Runtime of Orchestrated Skills & Tasks）的 **五维元模型** 就是为解决这些问题而设计的。 今天这篇教程，我们用代码从零构建一个完整的多 Agent 治理系统。 > **FROST** （教学框架）提供理论基础 → Gitee 仓库 > **FROST-SOP** （工程平台）提供工程落地 → Gitee 仓库 ## 一、五维元模型是什么？ FROST V4.0 引入了五个核心维度，每个维度解决 Agent 治理的一个关键问题： 维度 | 模块 | 解决的问题 | 类比 ---|---|---|--- **武器** | Armory | Agent 有哪些能力？ | 武器库清单 **任务** | TaskRegistry | 工作如何编排？ | 作战计划 **事件** | EventCatalog | 发生了什么？ | 战场态势 **平台** | PlatformRegistry | 外部资源在哪？ | 后勤补给 **规则** | RuleRegistry | 什么能做/不能做？ | 交战规则 五个维度**各自独立又相互咬合** ——就像五角星的五个角，缺一个就不完整。 ## 二、环境搭建 # 克隆 FROST 教学框架 git clone https://gitee.com/liao_liang_7514/frost.git cd frost # 安装依赖 pip install -r requirements.txt # 验证环境 python -m pytest test_core.py -v FROST 的设计哲学是**零外部依赖** ——核心只需要 Python 标准库。五维元模型的模块也遵循这个原则。 ## 三、维度一：Armory（武器注册表） Armory 管理 Agent 所有能力的元数据。不是简单的方法注册，而是带元信息的**能力目录** 。 from core.armory import Armory, SkillMetadata # 创建武器库 armory = Armory() # 注册一个技能（带完整元数据） armory.register( SkillMetadata( name="summarize_text", category="nlp", description="将长文本压缩为摘要", input_schema={"text": "string", "max_length": "int"}, output_schema={"summary": "string"}, cost_estimate=0.002, # 每次调用预估成本 latency_ms=500, # 预估延迟 tags=["summarization", "compression"] ) ) armory.register( SkillMetadata( name="search_web", category="retrieval", description="联网搜索获取最新信息", input_schema={"query": "string", "top_k": "int"}, output_schema={"results": "list[dict]"}, cost_estimate=0.01, latency_ms=2000, tags=["search", "real-time"] ) ) # 发现可用技能 nlp_skills = armory.discover(category="nlp") print(f"NLP 技能: {[s.name for s in nlp_skills]}") # 输出: NLP 技能: ['summarize_text'] # 按标签发现 search_skills = armory.discover(tags=["real-time"]) print(f"实时技能: {[s.name for s in search_skills]}") # 输出: 实时技能: ['search_web'] **关键设计** ：Armory 不是简单的字典。它支持**分类发现** 、**标签过滤** 和**成本估算** ，让 Agent 在执行前就知道"我有什么武器、每把武器多少成本"。 ## 四、维度二：TaskRegistry（任务注册表） TaskRegistry 管理任务的 DAG（有向无环图）编排。任务不再是扁平列表，而是有依赖关系的图谱。 from core.task_registry import TaskRegistry, Task, TaskDependency registry = TaskRegistry() # 定义任务 task_collect = Task( id="collect_data", name="收集数据", skill="search_web", params={"query": "Agent治理最新研究", "top_k": 5} ) task_analyze = Task( id="analyze_data", name="分析数据", skill="summarize_text", params={"max_length": 200} ) task_report = Task( id="generate_report", name="生成报告", skill="summarize_text", params={"max_length": 500} ) # 注册任务 registry.add_task(task_collect) registry.add_task(task_analyze) registry.add_task(task_report) # 定义依赖关系（DAG） registry.add_dependency(TaskDependency( from_task="collect_data", to_task="analyze_data" )) registry.add_dependency(TaskDependency( from_task="analyze_data", to_task="generate_report" )) # 获取执行顺序（拓扑排序） execution_order = registry.get_execution_order() print(f"执行顺序: {[t.id for t in execution_order]}") # 输出: 执行顺序: ['collect_data', 'analyze_data', 'generate_report'] # 获取可并行执行的任务 parallel_tasks = registry.get_parallelizable() print(f"可并行任务: {parallel_tasks}") **关键设计** ：TaskRegistry 把任务从"线性列表"升级为"DAG 图谱"。这意味着： * 无依赖的任务可以**并行执行** * 依赖关系是**显式声明** 的，不是隐式嵌套 * 支持**动态插入** 新任务到图谱中 ## 五、维度三：EventCatalog（事件编目） EventCatalog 是系统的"态势感知"中心。所有 Agent 的行为都产生事件，事件可以被订阅和分析。 from core.event_catalog import EventCatalog, AgentEvent, EventType from core.strategist import Strategist catalog = EventCatalog() # 发布事件 catalog.publish(AgentEvent( type=EventType.TASK_STARTED, source_agent="analyst", payload={"task_id": "collect_data", "query": "Agent治理"} )) catalog.publish(AgentEvent( type=EventType.TASK_COMPLETED, source_agent="analyst", payload={"task_id": "collect_data", "results_count": 5, "duration_ms": 1800} )) catalog.publish(AgentEvent( type=EventType.RULE_VIOLATION, source_agent="executor", payload={"rule": "max_cost_per_task", "attempted": 0.5, "limit": 0.1} )) # 查询事件 violations = catalog.query( event_type=EventType.RULE_VIOLATION, time_range="1h" ) print(f"最近1小时违规: {len(violations)} 次") # 用 Strategist 进行态势分析 strategist = Strategist(catalog) # 模式分析：检测异常模式 analysis = strategist.analyze_patterns(window="24h") print(f"异常模式: {analysis.anomalies}") # 可能输出: 异常模式: ['executor 连续3次触发成本限制'] # 统计摘要 summary = strategist.get_summary() print(f"事件总数: {summary.total_events}") print(f"成功率: {summary.success_rate:.1%}") **关键设计** ：EventCatalog 不是日志系统——它是**结构化的态势感知** 。每个事件有类型、来源、时间戳和载荷，支持查询、过滤和模式分析。 配合 `Strategist` 模块，系统可以自动检测异常模式（比如某个 Agent 频繁违规），实现**自治愈** 的第一步。 ## 六、维度四：PlatformRegistry（平台注册表） PlatformRegistry 管理外部平台和服务的接入。无论是 LLM API、数据库还是第三方服务，都通过统一的注册表管理。 from core.platform_registry import PlatformRegistry, PlatformConfig, HealthCheck registry = PlatformRegistry() # 注册 LLM 平台 registry.register(PlatformConfig( name="deepseek", type="llm", endpoint="https://api.deepseek.com/v1", auth_type="api_key", rate_limit=100, # 每分钟100次 timeout_seconds=30, health_check=HealthCheck( interval_seconds=60, endpoint="/models", expected_status=200 ) )) # 注册向量数据库 registry.register(PlatformConfig( name="chromadb", type="vector_db", endpoint="http://localhost:8000", auth_type="none", rate_limit=1000, timeout_seconds=10 )) # 查询可用平台 llm_platforms = registry.list(type="llm") print(f"可用LLM: {[p.name for p in llm_platforms]}") # 健康检查 health = registry.check_health("deepseek") print(f"DeepSeek状态: {health.status}") print(f"延迟: {health.latency_ms}ms") # 输出: DeepSeek状态: healthy, 延迟: 45ms # 自动降级：如果主平台不可用，切换到备用 platform = registry.get_healthy_or_fallback("llm", fallback="local_ollama") print(f"使用平台: {platform.name}") **关键设计** ：PlatformRegistry 实现了**优雅降级** ——当主平台不可用时自动切换到备用。这在生产环境中至关重要，因为没有任何外部服务是 100% 可靠的。 ## 七、维度五：RuleRegistry（规则注册表） RuleRegistry 是治理的最后一道防线。规则是**代码级别的约束** ，不是提示词级别的建议。 from core.rule_registry import RuleRegistry, Rule, RuleScope, Severity rules = RuleRegistry() # 注册成本规则 rules.register(Rule( id="cost_limit_per_task", scope=RuleScope.TASK, severity=Severity.ERROR, condition="cost <= 0.1", description="单个任务成本不得超过 $0.1", version="1.0.0" )) # 注册数据访问规则 rules.register(Rule( id="readonly_for_descendants", scope=RuleScope.AGENT, severity=Severity.CRITICAL, condition="agent.generation > 0 => store.mode == 'readonly'", description="后代Agent只能只读访问祖先Store", version="1.0.0" )) # 注册代数限制规则 rules.register(Rule( id="max_generation_limit", scope=RuleScope.SYSTEM, severity=Severity.ERROR, condition="agent.generation <= agent.max_spawn_generation", description="Agent代数不得超过系统最大限制", version="2.0.0" )) # 合规检查：在执行前验证 task_cost = 0.15 # 预估成本 compliance = rules.check( rule_id="cost_limit_per_task", context={"cost": task_cost} ) if not compliance.passed: print(f"❌ 违规: {compliance.message}") print(f" 严重程度: {compliance.severity}") print(f" 规则版本: {compliance.rule_version}") # 输出: # ❌ 违规: 成本 $0.15 超过限制 $0.1 # 严重程度: ERROR # 规则版本: 1.0.0 else: print("✅ 合规，可以执行") # 规则版本管理 rules.update("cost_limit_per_task", new_condition="cost <= 0.2", new_version="1.1.0") history = rules.get_history("cost_limit_per_task") print(f"规则版本历史: {[h.version for h in history]}") # 输出: 规则版本历史: ['1.0.0', '1.1.0'] **关键设计** ：RuleRegistry 的三个核心特性： 1. **代码强制** ：违规直接抛异常，不是"建议" 2. **版本管理** ：规则可以迭代，历史可追溯 3. **作用域分层** ：系统级/Agent级/任务级，粒度可控 ## 八、五维协同：构建完整的治理闭环 五个维度不是孤立的——它们协同工作形成治理闭环： """ 完整的五维协同示例：一个受治理的Agent任务执行流程 """ from core.armory import Armory from core.task_registry import TaskRegistry from core.event_catalog import EventCatalog from core.platform_registry import PlatformRegistry from core.rule_registry import RuleRegistry # 1. 初始化五维系统 armory = Armory() tasks = TaskRegistry() events = EventCatalog() platforms = PlatformRegistry() rules = RuleRegistry() # 2. 注册能力（Armory） armory.register_skill("search", category="retrieval", cost=0.01) armory.register_skill("summarize", category="nlp", cost=0.005) armory.register_skill("write_report", category="generation", cost=0.02) # 3. 注册平台（PlatformRegistry） platforms.register("deepseek", type="llm", rate_limit=100) platforms.register("chromadb", type="vector_db", rate_limit=1000) # 4. 注册规则（RuleRegistry） rules.register_rule("total_cost_limit", condition="total_cost <= 0.5") rules.register_rule("platform_health", condition="platform.status == 'healthy'") # 5. 编排任务（TaskRegistry） tasks.add("search_task", skill="search") tasks.add("analyze_task", skill="summarize") tasks.add("report_task", skill="write_report") tasks.add_dependency("search_task", "analyze_task") tasks.add_dependency("analyze_task", "report_task") # 6. 执行流程（五维协同） def execute_governed_workflow(): """受治理的工作流执行""" # Step 1: 发布任务开始事件 events.publish("task_started", {"workflow": "research_report"}) # Step 2: 检查平台健康状态 if not platforms.is_healthy("deepseek"): events.publish("platform_fallback", {"from": "deepseek", "to": "local"}) platforms.switch("llm", "local_ollama") # Step 3: 获取任务执行顺序 order = tasks.get_execution_order() total_cost = 0 for task_id in order: # Step 4: 查询技能成本 skill = tasks.get_skill(task_id) cost = armory.get_cost(skill) total_cost += cost # Step 5: 规则检查（执行前拦截） compliance = rules.check("total_cost_limit", context={"total_cost": total_cost}) if not compliance.passed: events.publish("rule_violation", { "task": task_id, "rule": "total_cost_limit", "total_cost": total_cost }) raise GovernanceError(f"预算超限: ${total_cost:.3f}") # Step 6: 执行任务 result = execute(task_id) # Step 7: 发布完成事件 events.publish("task_completed", { "task": task_id, "cost": cost, "result_length": len(str(result)) }) # Step 8: 生成治理报告 report = { "total_tasks": len(order), "total_cost": total_cost, "events_generated": events.count("1h"), "rules_violated": events.count_by_type("rule_violation", "1h") } events.publish("workflow_completed", report) return report # 执行 result = execute_governed_workflow() print(f"✅ 工作流完成") print(f" 任务数: {result['total_tasks']}") print(f" 总成本: ${result['total_cost']:.3f}") print(f" 事件数: {result['events_generated']}") print(f" 违规数: {result['rules_violated']}") **这个流程展示了五维协同的力量** ： * Armory 让 Agent 知道"我能做什么" * TaskRegistry 让 Agent 知道"先做什么后做什么" * PlatformRegistry 让 Agent 知道"资源在哪、是否可用" * RuleRegistry 让 Agent 知道"什么不能做" * EventCatalog 让整个系统"看到发生了什么" ## 九、FROST-SOP 中的工程实现 FROST 定义了五维元模型的理论，**FROST-SOP** 则将其落地为工程平台。 在 FROST-SOP 中，五维模型体现在以下模块： frost-sop/ ├── core/ │ ├── toolkit.py # → Armory 的工程实现（工具注册+沙箱执行） │ ├── sop_engine.py # → TaskRegistry 的工程实现（SOP引擎） │ ├── scheduler.py # → EventCatalog 的工程实现（事件调度） │ ├── llm_client.py # → PlatformRegistry 的工程实现（LLM平台管理） │ └── permission.py # → RuleRegistry 的工程实现（P0-P4权限检查） **核心差异** ： * FROST 的 `RuleRegistry` 定义规则语法 → FROST-SOP 的 `PermissionChecker` 实现 P0-P4 五级权限 * FROST 的 `PlatformRegistry` 定义平台注册 → FROST-SOP 的 `LLMClient` 实现 Ollama 本地 + 云端双模式 * FROST 的 `TaskRegistry` 定义 DAG → FROST-SOP 的 `SOPEngine` 实现 YAML 驱动的 SOP 编排 这就是**教学框架 + 工程平台** 的分工：FROST 帮你理解"为什么这样设计"，FROST-SOP 帮你实现"怎么在生产环境跑起来"。 ## 十、与其他框架的对比 治理能力 | LangChain | CrewAI | FROST ---|---|---|--- 能力注册表 | Tool 装饰器 | 角色绑定 | Armory（元数据+成本） 任务编排 | Chain 线性 | 角色协作 | TaskRegistry（DAG图谱） 事件系统 | 回调函数 | 无 | EventCatalog（结构化） 平台管理 | 手动配置 | 手动配置 | PlatformRegistry（自动降级） 规则约束 | 无 | 提示词 | RuleRegistry（代码强制） FROST 不追求"什么都能做"，它追求的是**"做什么都可治理"** 。 ## 总结 FROST 的五维元模型不是纸上谈兵——每一个维度都有对应的代码实现和 197 个测试用例保障质量。 如果你正在构建多 Agent 系统，不妨问自己： 1. 你的 Agent 知道自己有哪些能力吗？（Armory） 2. 你的任务有显式的依赖关系吗？（TaskRegistry） 3. 你能实时看到系统发生了什么吗？（EventCatalog） 4. 外部服务挂了怎么办？（PlatformRegistry） 5. 你的约束是代码还是提示词？（RuleRegistry） 如果五个问题中有三个答不上来，也许是时候看看 FROST 了。 🔗 **项目链接** * FROST 教学框架：https://gitee.com/liao_liang_7514/frost * FROST-SOP 工程平台：https://gitee.com/liao_liang_7514/frost-sop * FROST 白皮书（第四版）：https://gitee.com/liao_liang_7514/frost/blob/main/WHITEPAPER.md **FROST: 让智能体拥有谱系、记忆和荣誉感。** _#Python #Agent #AI #OpenSource #FROST #MultiAgent #Governance_

durian-ocr is no dtk deepin-ocr. This is a ocr tool ui.

Shorin Niri Desktop Environment

Fuzzel(a wayland launcher) with Input Method support.

Shorin's personal Arch Linux toolbox and system utilities (Subcommand version)

Gitee LFS high-speed object storage direct transfer tool

Gitee Enterprise MCP Server is a Model Context Protocol (MCP) server implementation for Gitee Enterprise.

Gitee Enterprise MCP Server is a Model Context Protocol (MCP) server implementation for Gitee Enterprise.

Gitee MCP Server is a Model Context Protocol (MCP) server implementation for Gitee.

Gitee MCP Server is a Model Context Protocol (MCP) server implementation for Gitee.

A vulnerability was detected in Bytedesk up to 1.3.9. Affected is the function getModels of the file source-code/src/main/java/com/bytedesk/ai/springai/providers/gitee/SpringAIGiteeRestService.java of the component SpringAIGiteeRestController. Performing a manipulation of the argument apiUrl results in server-side request forgery. Remote exploitation of the attack is possible. The exploit is now public and may be used. …

CVE-2026-3789: A vulnerability was detected in Bytedesk up to 1.3.9. Affected is the function getModels of the file source-code/src/main/java/com/bytedesk/ai/springai/providers/gitee/SpringAIGiteeRestService.java of the component SpringAIGiteeRestController. Performing a manip...

This is Part 3 (final) of a three-part series about building, running, and trying to distribute a RISC-V tool. Part 1: I built a fetch tool that only runs on RISC-V Part 2: I bought a SATA SSD...