Skip to content
项目

willingning-coder/eagle-eye has 47 GitHub stars and 4 forks. GitHot measured 0 stars in 24 hours. Last checked 2026-11-16 18:47 UTC. Last push 2026-06-01.

这些数字如何统计

实测星标增长

24小时
0
7天
更新延迟
15天
更新延迟
1个月
更新延迟

各周期内的星标净变化,周期相互重叠,并非每日新增。缺失的测量保持空白。星标代表关注度,不代表软件质量。

关于

🦅 5-Layer Intelligent Skill Retrieval for Hermes Agent — hard triggers, FTS5, synonym dictionary, dense embedding, RRF fusion. Zero core modification.

人工智能

README_CN.md

原文

🦅 鹰眼 — Hermes Agent 5层智能技能检索引擎

从100+技能中精准匹配Top-5 —— 硬检测词、模糊匹配、语义搜索、排名融合。零核心修改。

English


问题

Hermes Agent 将所有已安装技能以平铺列表形式加载到系统提示词中。当技能数量超过50个时:

  • LLM选错技能 —— 描述重叠导致选择混乱
  • 浪费token —— 每轮对话仅技能列表就消耗5,000–10,000 token
  • 低频技能被埋没 —— 沉在长列表底部,永远不被选中

解决方案

鹰眼是一个零侵入插件,在每次API调用前充当智能预过滤器,将技能列表缩小到最相关的Top-5候选,以轻量提示注入用户消息。

用户查询
    │
    ▼
┌─────────────────────────────────────────────┐
│  L1: 硬检测词                                │
│  确定性关键词匹配(三层匹配算法)             │
│  命中 → 直接注入完整SKILL.md                 │
│  未命中 ↓                                   │
├─────────────────────────────────────────────┤
│  L2: FTS5 BM25      (文本相似度)           │
│  L3: 同义词词典      (领域知识编码)         │
│  L4: 稠密嵌入        (语义相似度)           │
│  L5: RRF融合         (排名组合)            │
│                                             │
│  分数 ≥ 阈值 → 注入技能提示                 │
│  分数 < 阈值 → 静默(LLM自主回答)           │
└─────────────────────────────────────────────┘
    │
    ▼
LLM最终决策

核心设计决策

1. "不匹配"本身也是正确的匹配结果

不是每个查询都需要技能。"晚饭吃什么?"最好由LLM用通用知识回答——而不是加载美食搜索技能。鹰眼的置信度门槛防止强制匹配。

2. 确定性优先,概率性兜底

L1(硬检测词)是100%精确的——用户输入"debug",调试技能立即加载,没有任何概率成分。L2–L5处理长尾场景,模糊/语义匹配在此发挥作用。

3. 提示,而非决策

L2–L5返回候选,而非结论。LLM保留最终决定权:加载技能、组合多个技能、或完全忽略提示。检索系统不覆盖LLM的判断。

4. 每层独立可失败

如果sentence-transformers未安装,L4优雅降级——L1+L2+L3仍然工作。如果jieba缺失,L1+L4仍然工作。系统永不崩溃,始终回退到可用子集。

快速开始

# 1. 克隆
git clone https://github.com/willingning-coder/eagle-eye.git
cd eagle-eye

# 2. 从本地技能库生成配置
python scripts/generate_config.py

# 3. 审查并自定义
#    - 编辑 src/skill_retriever.py 中的 _HARD_TRIGGERS
#    - 编辑 src/skill_synonyms.yaml
#    (参见 PROMPTS_CN.md 获取LLM辅助生成提示词)

# 4. 安装
bash scripts/install.sh

# 5. 重启Hermes
hermes gateway restart

自定义

鹰眼自带最小示例数据。真正的价值在于根据你安装的技能生成专属配置。

自动生成(推荐)

# 扫描本地技能并生成模板配置
python scripts/generate_config.py

# 或仅列出发现的技能
python scripts/generate_config.py --scan-only

手动自定义

组件 文件 操作
硬检测词 src/skill_retriever.py → _HARD_TRIGGERS 添加(关键词, 技能名)元组,更具体的放前面
同义词词典 src/skill_synonyms.yaml 将自然语言术语映射到技能,每个技能5–15个
嵌入模型 环境变量HERMES_EMBEDDING_MODEL 替换为不同的sentence-transformers模型

LLM辅助生成

使用 PROMPTS_CN.md 或 PROMPTS_EN.md 中的提示词,配合任意LLM,从你的技能列表自动生成高质量的触发词和同义词。

环境变量

变量 默认值 描述
HERMES_DISABLE_SKILL_RETRIEVAL (未设置) 设为1完全禁用
HERMES_SKILL_RETRIEVAL_TOP_K 5 返回的技能数量
HERMES_EMBEDDING_MODEL shibing624/text2vec-base-chinese-paraphrase L4使用的嵌入模型

性能

指标 数值
L1真实对话准确率 ~90%
功能测试准确率 100%
查询延迟(缓存后) ~20ms
首次调用延迟 ~11s(模型加载)
内存占用 ~403MB(含嵌入模型)

技术文档

参见 ARCHITECTURE.md,涵盖:

  • 逐层算法分析(含代码)
  • RRF融合数学原理及其优于分数归一化的原因
  • 置信度门槛设计哲学
  • 故障模式矩阵与降级层级
  • 延迟与内存剖析

文件结构

eagle-eye/
├── src/
│   ├── skill_retriever.py      # 核心5层检索引擎
│   ├── skill_synonyms.yaml     # 同义词词典(模板)
│   ├── plugin.py               # Hermes插件(pre_llm_call钩子)
│   └── plugin.yaml             # 插件清单
├── scripts/
│   ├── generate_config.py      # 从本地技能自动生成配置
│   └── install.sh              # 一键安装脚本
├── templates/
│   └── hard_triggers.example.py  # 硬检测词格式参考
├── README.md                   # English文档
├── README_CN.md                # 本文件(中文)
├── ARCHITECTURE.md             # 技术深潜文档
├── PROMPTS_EN.md               # LLM配置生成提示词(English)
├── PROMPTS_CN.md               # LLM配置生成提示词(中文)
├── CHANGELOG.md                # 版本历史
└── LICENSE                     # MIT

依赖

包 是否必需 用途
jieba 是 L2–L3中文分词
sentence-transformers 可选 L4稠密嵌入(缺失时优雅降级)
numpy 可选 L4数值计算

贡献

欢迎贡献!特别需要帮助的领域:

  • 触发词/同义词质量:分享你的_HARD_TRIGGERS和skill_synonyms.yaml配置
  • 嵌入模型基准测试:测试替代模型并报告准确率
  • 多语言支持:扩展中英文之外的触发词和同义词
  • Bug报告:模糊匹配中的边界情况、假阳性/假阴性

许可证

MIT