开源我的确定性编码智能体内核——从1B到500B模型行为一致

我构建了 Istar Code v5.0.0，这是一个确定性编码智能体内核，旨在让AI辅助开发更加可预测。它不再依赖“AI魔法”或模糊的智能体行为，而是使用显式规则、工作流和验证关卡。 核心执行循环： 审查 → 规划 → 执行 → 验证 → 反思 每个阶段都有明确的规则、阶段关卡，以及在重新评估前最多重试2次。 它的独特之处： 指令层级： 安全 > 仓库约定 > 用户指令 > 技能 > 默认值 6个任务类别（T1-T6）： 决策表路由 根据任务复杂度采用不同的执行策略 工具层级 + 强制批处理： 默认情况下尽可能并行执行 减少不必要的工具调用 上下文预算： 50-60% 任务上下文 20-25% 加载上下文 10-15% 记忆 5-10% 系统规则 验证层级（V1-V6）： 任何代码变更至少需要V3验证 持久记忆系统： 6个记忆文件 每个文件最多50行 4个写入关卡：稳定、有用、简洁、有据可查 自我改进的技能： 重复的工作流在3次以上后可成为可复用技能 新技能创建时会自动验证 35条内部命令： Git工作流 发布 调试 技能管理 项目初始化 自动演化触发器 6种检测模式以识别改进机会 模型无关设计： 目标是无论使用何种模型，行为都一致。无论是运行较小的本地模型还是大型前沿模型，都适用相同的执行规则、记忆系统和验证流程。 示例： Gemma 4 26B North Mini Code GPT-OSS 120B 其他编码模型 欢迎来自探索AI智能体、MCP、本地模型和确定性工作流的开发者的反馈。