willingning-coder/eagle-eye
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.
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。
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