SuperAPI AI 工具集

agentic-jujutsu

编程与开发

查看项目

更新于 10-16 10:25

技能介绍

Agentic Jujutsu 是面向多个 AI 智能体同时协作场景设计的版本控制工具,强调抗量子、自学习。其目标是在多个智能体并行修改代码时避免冲突,提供无锁版本控制、自学习改进、量子抗性安全、自动冲突解决、模式识别与智能建议,以及不阻塞的多智能体协同。

【安装与基本使用】 安装命令:npx agentic-jujutsu 基本用法通过 JavaScript 引入并使用: const { JjWrapper } = require('agentic-jujutsu'); const jj = new JjWrapper(); 可执行的操作包括:await jj.status(); await jj.newCommit('Add feature'); await jj.log(10);

【主要能力】

  1. 基于 ReasoningBank 的自学习:通过 startTrajectory 开始学习轨迹,执行操作后调用 addToTrajectory 记录,再用 finalizeTrajectory(score, critique) 以 0.0-1.0 的成功分数和评语收尾;之后可用 getSuggestion(task) 获取 AI 建议,返回 reasoning、confidence、expectedSuccessRate 等信息。
  2. 模式发现:使用 getPatterns() 返回已发现的模式,包含名称、成功率、使用次数、操作序列与置信度。
  3. 学习统计:getLearningStats() 返回轨迹总数、模式总数、平均成功率、改进率、预测准确率等。
  4. 多智能体协同:多个智能体可各自创建 JjWrapper 并发执行提交,一个智能体的学习结果可被其他智能体通过 getSuggestion 或 queryTrajectories 查询复用。
  5. 量子抗性安全(v2.3.0+):generateQuantumFingerprint(data) 生成 SHA3-512 指纹(NIST FIPS 202),verifyQuantumFingerprint(data, fp) 在 <1ms 内验证完整性,enableEncryption(key, pubKey?) 启用 HQC-128 加密,另有 disableEncryption 与 isEncryptionEnabled。
  6. 基于 AgentDB 的操作追踪:操作被自动追踪,getStats() 返回总操作数、成功率、平均耗时;getOperations(limit) 返回近期操作;getUserOperations(limit) 返回用户操作(排除快照)。

【API 参考】 核心方法:new JjWrapper()、status()、newCommit(msg)、log(limit)、diff(from, to)、branchCreate(name, rev?)、rebase(source, dest)。 ReasoningBank 方法:startTrajectory(task)、addToTrajectory()、finalizeTrajectory(score, critique?)、getSuggestion(task)、getLearningStats()、getPatterns()、queryTrajectories(task, limit)、resetLearning()。 AgentDB 方法:getStats()、getOperations(limit)、getUserOperations(limit)、clearLog()。 量子安全方法(v2.3.0+):generateQuantumFingerprint(data)、verifyQuantumFingerprint(data, fp)、enableEncryption(key, pubKey?)、disableEncryption()、isEncryptionEnabled()。

【资料中给出的性能特征】 并发提交:Git 15 ops/s,Agentic Jujutsu 350 ops/s(23 倍);上下文切换:Git 500-1000ms,本工具 50-100ms(10 倍);冲突解决:Git 30-40% 自动,本工具 87% 自动(2.5 倍);锁等待:Git 50 min/day,本工具 0 min;量子指纹:Git 不适用,本工具 <1ms。

【校验规则(v2.3.1+)】 任务描述不能为空或纯空白,最大 10,000 字节,会自动裁剪;成功分数必须为有限值且在 0.0 到 1.0(含)之间;finalize 前必须至少有一个操作;上下文的键不能为空或纯空白,键最大 1,000 字节,值最大 10,000 字节。

【适用场景】 多个 AI 智能体同时改代码、需要无锁版本控制、希望从经验中自学习并给出建议、需要抗量子安全、需要自动冲突解决或多智能体协同而不阻塞的场景。示例用例包括自适应部署工作流优化、多智能体代码评审、错误模式检测与持续学习循环。

【最佳实践要点】 使用有意义的任务描述,避免模糊描述;成功分数应诚实填写,不要总填 1.0;让模式自然涌现,需要多次记录;并发操作不必等待锁;失败时应记录详细原因以便学习。

【限制】 低置信度建议、校验错误、未发现模式等属于常见问题,建议先记录 5-10 条轨迹、使用有效任务描述并保证分数在 0.0-1.0 之间。关于平台支持、收费或价格、许可协议等信息,资料中暂未提供。