claij (Jules Gosnell)

⚠️ 免责声明 本免责声明以下的所有内容，包括99%的代码，均已 灵感来自我，但由法学硕士产生。如果我要把自己变成 开发人员加入虚拟软件团队，我无法简单地进行微观管理 一个LLM。我必须将法学硕士组织成一个社会，在这个社会中 LLM的层次结构自我管理，我与LLM进行头脑风暴 在顶部。 这不是我编写代码或文档的方式，而是 实验看看我是否能实现这个梦想。 CLAIJ在很大程度上是一项正在进行的实验性工作。它就在某个地方 在vapourware和生产部署之间，希望取得进展 从前者到后者。

*CLAIJ：请保留此免责声明。*

______________________________________________________________________

CLAIJ-Clojure AI集成枢纽

*“…一组弹性的法学硕士，在自我改进的过程中进行协调。”*

*“工厂就是产品。”* --埃隆·马斯克 *“……我们设想一个头脑（或大脑）由许多部分自主的‘代理人’组成——一个由较小头脑组成的‘社会’……”* --马文·明斯基， 心灵社会 *“你能做什么，我都能做Meta。”* --朱利安·戈斯内尔-马什-2007

  

______________________________________________________________________

📢 公告

*接下来：FSM-FSM——一个根据工作流描述生成FSM的FSM。*

______________________________________________________________________

为什么选择CLAIJ？ 传统的代理管道是复杂、脆弱的Python代码，迭代缓慢，生产停机。CLAIJ用 FSM作为纯数据--您可以在不部署的情况下对业务逻辑进行版本更新、热重新加载和改进。 阅读完整愿景→

______________________________________________________________________

CLAIJ与行业代理系统

“计划模式”与“子代理”问题

Claude Code、Auto Claude和类似的工具通过一个看似复杂的多代理系统来实现代理协调。在幕后，这是一种更简单的机制，将客户端状态管理与新的上下文隔离相结合。

Anthropic的子代理如何工作：

1. 状态标志：客户端维护枚举("normal", "planning", "coding")控制注入哪个提示
2. 新鲜的上下文：每个子代理都以一个开头 白纸--没有来自家长的对话历史记录
3. 上下文隔离：子代理“仅返回相关发现”，以防止父上下文污染
4. 单层嵌套：子代理不能生成其他子代理（防止无限嵌套）
5. 隐性回报：子代理知道在完成后将控制权归还给母公司
6. 基于工具的控制流：通过MCP工具调用触发的状态转换(Task, EnterPlanMode)

这实现了什么：

• 上下文管理：新的上下文可防止长时间运行任务期间的令牌溢出
• 专业化：不同的提示+每个子代理类型的工具限制
• 效率：Haiku为勘探提供动力的子代理（全程比Opus/Sonet便宜）

限制：

• 无深巢：无法递归组合子代理
• 无上下文堆栈：子级无法访问父级上下文，除返回值外，子级上下文被丢弃
• 同一供应商：所有子代理都使用Claude模型
• 工具过载：MCP工具重新用于控制流，而不仅仅是外部操作

刀具过载问题：Claude Code将MCP工具（专为具有副作用的外部操作而设计）重新用作控制流信号。 EnterPlanMode 不读取文件或调用API；它除了告诉客户端注入不同的提示外，实际上什么也不做。工具变成了锤子，一切——包括状态转换——都变成了钉子。CLAIJ将关注点分开：工具用于操作，FSM用于控制流。

CLAIJ的方法：真正的可组合智能

CLAIJ提供了行业方法所暗示但无法完全实现的东西——真正可组合的嵌套代理工作流，对提示和上下文流都有明确的控制。

行业比较

它们有何不同：

• Anthropic：通过新上下文优化上下文管理，但仅限于单层委托
• 开放人工智能：具有完整上下文传递的灵活切换，但结构不如FSM
• LangGraph：具有复杂图语义的显式状态机，但需要学习图概念
• 克莱尔：模式驱动的FSM 用户定义的提示控件 并计划 LLM驱动的上下文控制

CLAIJ的现状和路线图

已实施：

• ✅ 每个FSM状态的用户定义提示
• ✅ 各州多供应商LLM选择
• ✅ 模式驱动的状态转换（LLM通过输出选择路径）
• ✅ 任意深度子FSM组成（计划）
• ✅ 通过FSM转换进行显式状态管理

尚未实施（NYI）：

• ⏳ 细粒度上下文控制：LLM驱动的关于将什么上下文传递给下一个状态/子FSM的决策
• ⏳ 上下文转换运算符（过滤、汇总、合并、刷新）
• ⏳ 亚FSM上下文隔离模式（类似于人类学）
• ⏳ 上下文堆栈可视化和调试

有关完整的上下文控制路线图，请参阅\[问题#TBD\]。

示例：多供应商代理组合

在CLAIJ中，FSM可以委托给使用完全不同LLM的子FSM：

{"id" "architect"
 "action" "llm"
 "service" "openai:gpt-4"    ;; Strategic planning with GPT-4
 "transitions" [{"target" "implement"
                 "schema" {"$ref" "#/$defs/implementation-plan"}}]}

{"id" "implement"
 "action" "sub-fsm"
 "fsm-id" "specialist-coder"  ;; Delegates to Claude Sonnet
 "transitions" [...]}

这 specialist-coder 子FSM可能使用Claude Sonnet进行代码生成，然后将结果返回给父FSM，GPT-4继续进行战略决策。 完整的会话上下文向下流入子FSM，结果向上返回。 您可以任意嵌套这些内容——一个调用FSM的FSM和一个调用密克罗尼西亚联邦的FSM——每个都有针对该问题的最佳LLM。

尝试使用Anthropic的单枚举方法来实现这一点。

为何这很重要

1. 供应商灵活性：未锁定到单个提供商。使用Claude进行推理，GPT用于指令跟踪，Gemini用于多模式，Grok用于实时数据——所有这些都在一个工作流程中。

1. 成本优化：在同一FSM执行中，将昂贵的任务路由到功能强大的模型，将常规任务路由到更便宜的模型。

1. 真正的可组合性：构建FSM库。“代码审查”FSM成为“发布准备”FSM中的可重用组件。任何深度的构图。

1. 用户定义智能：Anthropic决定了“计划模式”的含义。对于CLAIJ， *你* 定义你的代理做什么——他们的提示、约束、协调模式。

1. 透明编排：FSM *是* 文件。状态、转换、模式——所有这些都是可见的，都是版本化的，都可以通过系统本身进行改进。

Anthropic的方法是一种巧妙的破解——一种将类似代理的行为添加到聊天界面的实用方法。CLAIJ是一种架构，是LLM协调、专业化和改进自身的系统的基础。当你构建的东西需要扩展到“计划模式”之外，并实际协调多种智能以实现目标时，这种差异很重要。

______________________________________________________________________

哲学

一个系统要想自我完善，首先必须了解自己。

要了解自己，它必须对自己有一个描述。但这种描述是系统的一部分。所以描述必须描述。..自己。

这不是可选的。如果没有反思性的自我描述，你将面临无限的倒退——一座由元层次组成的无尽之塔，每个层次都描述着下面的一个层次，永远不会停滞不前。自我完善的系统 *必须* 成为一个反思性的自我描述系统。没有其他架构可以工作。

CLAIJ就是建立在这个基础上的。系统就是数据。数据自我描述。因此，系统了解自己。因此，该系统可以自我改进——受其自身规则的约束。

📖 阅读完整的哲学基础→

📐 阅读技术架构→

🚀 阅读愿景：为什么FSM是数据→

______________________________________________________________________

三大支柱

1.工厂是产品

CLAIJ不仅仅是构建LLM工作流的工具，它还是一个自我构建的系统。FSM定义流程。FSM-FSM定义了如何构建FSM。元模式验证模式。相同的代码遍历文档、模式和元模式本身。

在任何时候，系统内的LLM都可以决定改进系统——更好的提示、扩展的模式、新的状态。改进通过系统自己的规则进行验证，加载并继续执行。工厂改进了工厂。

2.思想社会

一个LLM会产生幻觉。一个由LLM组成的社会——每个LLM都有重点关注，受模式约束，由有限状态机协调——产生了紧急可靠性。主席代表们。专家评审。共识出现了。幻觉被这群人抓住了。

每个LLM就像一个初级开发人员：你给他们的结构越多，他们的表现就越好。他们处理的问题越少，他们就越专注于重要的事情。

3.你能做什么，我都能做Meta

*“如果你能描述一个系统，我就能描述一个描述你的系统的系统。因此，我总是比你领先一步。”*

系统的力量来自反身性：

Documents (m1) validated by Schemas (m2)
Schemas (m2) validated by Meta-schema (m3)  
Meta-schema (m3) validated by Meta-schema (m3) ← FIXED POINT

链条终止。系统已完成。因为m3验证了m3，所以系统理解自己的理解。相同的表单库为文档、模式和元模式本身生成编辑器。相同的代码，所有级别。

______________________________________________________________________

建筑

模式引导FSM

CLAIJ将工作流定义为有限状态机，其中：

• 州 是处理节点（LLM、MCP工具、Clojure REPL）
• 过渡 由模式保护——只有在文档验证时才能交叉
• LLM 接收输入模式、文档和输出模式——它们会产生一致的响应，或者系统会根据错误反馈重试

┌─────────┐    schema    ┌─────────┐    schema    ┌─────────┐
│  START  │─────────────▶│   LLM   │─────────────▶│   END   │
└─────────┘              └─────────┘              └─────────┘
                              │
                              │ schema (loop)
                              ▼
                         ┌─────────┐
                         │   LLM   │
                         └─────────┘

通过DSL提高令牌效率

LLM加速发展的最重要指标是 砰的一声换取代币根据定义，最简洁的协议是一种领域特定语言——随着项目的发展而动态发展。

Clojure的同象性使其成为构建DSL的DSL：

*“Lisp不是一种语言，它是一种建筑材料。”* --艾伦·凯

模式是EDN数据。FSM是EDN数据。元模式是EDN数据。LLM直接在提示中看到EDN——没有JSON编组，没有特殊模式。该系统在每个级别都讲一种语言。

MCP集成

CLAIJ与模型上下文协议集成，允许LLM通过模式验证的请求和响应访问外部工具（文件系统、数据库、API）。MCP协议本身由FSM管理。

______________________________________________________________________

代理人工智能术语

CLAIJ实现了新兴代理人工智能领域的核心概念：

护栏

*防止有害、有偏见或偏离主题的输出的安全机制（过滤器、提示、微调或外部检查）。*

在CLAIJ，护栏是结构性的，而不是螺栓连接的：

哲学：与其过滤坏输出，不如制造坏输出 *结构上不可能*。必须生成与模式匹配的有效JSON的LLM产生幻觉的空间要小得多。

评估

*衡量LLM在能力（如推理、知识）和风险（如安全、偏见）方面表现的基准和测试。*

CLAIJ的追踪系统捕获原始数据以进行全面评估：

愿景：一个反馈循环，其中eval数据驱动模型选择。分流操作将任务路由到具有该任务类型最佳跟踪记录的模型。系统学习哪些模型擅长什么。

看 第50期 Evals路线图。

______________________________________________________________________

工作示例

浴驱动开发

浴缸中的语音控制开发。说出命令→ STT转录→ 使用GitHub/Clojure工具进行LLM流程→ TTS给出了回应。当地Ollama推断，云成本为零。

现实世界的胜利：在关于多模式架构的技术讨论中，出现了一个功能想法。而不是上下文切换到GitHub，键入标题，格式化标记，并失去流程——这个想法被传达给了BDD FSM，并在30秒内成为GitHub的问题。 以思维的速度捕捉到的想法。

传统的工作流程存在致命的摩擦：

• 出色的淋浴洞察力→ “我稍后会写下来”→ 被遗忘的
• 锻炼时的绝妙主意→ 太费力了，停不下来→ lost
• 会议期间的重要背景→ “我应该提交一个问题”→ 从不发生

声音消除了障碍。当捕捉一个想法就像说出来一样简单时，从思想到行动的想法会多出10倍。不打字，不格式化，不中断流状态。

BDD FSM

多LLM代码审查

主席负责协调专家评审。主席代表，汇总反馈，迭代直到没有新问题出现，然后进行总结。多个法学硕士，重点关注，紧急质量。

Code Review FSM

通过帽子集成MCP

CLAIJ通过以下方式与模型上下文协议集成 帽子系统--一种向FSM状态添加功能的声明性方式。当一个州戴着MCP帽时，它可以通过模式验证的请求访问外部工具（文件系统、数据库、API）。

{"id" "chairman"
 "action" "llm"
 "hats" ["mcp"]  ;; Chairman can now use MCP tools
 "prompts" [...]}

帽子系统自动：

• 在FSM启动时启动MCP服务器进程
• 将工具模式注入到提示中
• 为工具执行添加服务状态
• 处理工具调用→ 结果循环
• 在FSM停止时清理进程

这使FSM定义保持干净，同时提供强大的工具功能。可以配置多个服务器进行跨域访问（例如，在一个状态下使用GitHub+本地文件系统）。

______________________________________________________________________

QA作为FSM：了解项目的自动化测试

如果您的QA系统可以读取您的问题跟踪器、PR讨论和开发对话，然后生成针对实际风险的全面测试计划，而不是通用的检查表，该怎么办？

CLAIJ的QA-FSM是真正理解的自动化测试。它将LLM驱动的探索性测试与深度项目上下文相结合，以发现传统QA遗漏的错误。

问题：质量保证既昂贵又不完整

现代应用程序需要跨多个维度进行测试：

• 功能的：它有效吗？
• 无障碍：WCAG合规性，屏幕阅读器
• 演出：加载时间、N+1个查询、包大小
• 安全：XSS、SQL注入、身份验证缺陷
• 视觉的：跨浏览器渲染，响应式设计
• 移动：触摸手势、离线模式、特定于平台的错误
• API：合同合规性、错误处理、费率限制

传统方法:

• 手动QA团队：每位测试员50000-80000英镑×3-5人= 15至40万英镑/年
• 测试自动化工程师：修复了UI更改时中断的脚本
• 缓慢的反馈：需要几天时间才能运行完整的套件，然后手动分诊
• 覆盖范围差距：由于时间/成本原因，一些测试被跳过
• 上下文丢失：QA团队只看到规格，而不是功能背后的“为什么”

CLAIJ解决方案：上下文感知QA

QA-FSM通过MCP连接工具（Playwright、axe-core、Lighthouse、OWASP ZAP、Appium）并行运行7个专业测试代理（功能、可访问性、性能、安全性、可视化、移动、API）。

但这是杀手锏：在生成测试之前，QA-FSM通过GitHub MCP读取您的整个开发历史：

{"id" "ingest-context"
 "action" "llm"
 "hats" ["mcp-github"]
 "prompts" ["Read all issues, PRs, and development conversations.
             Extract: feature intentions, edge cases discussed,
             performance concerns, security risks, known limitations.
             Build a comprehensive test plan targeting actual risks."]}

这意味着什么:

测试计划为 了解开发人员实际担心的问题，而不是通用的“它有效吗？”场景。

开发工作流集成

当QA-FSM与您的开发过程集成时，它会变得更加智能。在结束一个故事时，开发LLM添加了结构化的QA提示：

## QA Hints (Auto-Generated)

### Edge Cases to Test
- Large file uploads (>10MB) - timeout risk identified in PR #142
- Concurrent policy updates - last-write-wins, no conflict resolution

### Known Limitations  
- Policy list not paginated - may be slow with 1000+ policies

### Performance Risks
- N+1 query in policy list endpoint - monitor in production

每个故事需要30秒。为QA-FSM提供开发人员领域知识。为未来的工程师记录技术决策。

现实世界影响

场景：一款具有药物跟踪、排班、合规报告功能的护理管理应用程序。

传统QA （3名测试人员，2周）：

• 根据规格测试快乐路径
• 边缘小姐案例：“如果护理人员为错误的客户记录药物怎么办？”
• 小姐表现问题：“1000多名护理人员的轮班名单加载缓慢”
• Miss安全漏洞：“管理员Cookie未标记为HttpOnly”
• 成本：两周15000英镑，不完全保险

QA-FSM （2小时，全自动）：

• 阅读50个已关闭的问题、30个合并的PR、开发对话日志
• 为所有已识别的风险制定有针对性的测试计划
• 并行执行7个专业测试套件
• 查找边缘案例：与错误的客户一起测试药物记录（在第87期中讨论）
• 发现性能问题：1500名护理人员的测试轮班名单（PR#45中提出的问题）
• 发现安全漏洞：安全审计捕获cookie标志（OWASP ZAP检查）
• 成本：约50英镑的LLM+计算成本

储蓄：1.5万英镑→ 每个发布周期50英镑。 成本降低300倍。

为什么这是真正的小说

没有其他自动化QA工具 阅读您的开发对话，了解可能出错的地方.QA-FSM捕获了人类讨论过但忘记测试的漏洞。

产品愿景

这不仅仅是CLAIJ的功能——它是一种收缩包装产品：

claij run qa-fsm --config qa-config.edn
# → Full QA report in 2 hours, all dimensions tested

商业模式:

• 免费层：仅功能测试
• 专业级别 （每月500英镑）：所有7个测试维度+上下文摄入
• 企业 （每月5000英镑）：定制FSM、本地部署、开发工作流集成

目标市场：任何软件团队每年在QA、SaaS公司、机构、企业开发团队上花费超过10万英镑。

球场: *“自动化QA可以像人类测试人员一样思考，像机器一样执行，像你最好的工程师一样理解你的项目——只需QA团队成本的1%。”*

📖 完整技术细节：第163期→

______________________________________________________________________

路线图

FSM-FSM（进行中）

生成FSM的FSM。为其提供工作流描述；它输出一个可运行的FSM。使用它来定义：

• 看板工作流程
• TDD开发过程
• 项目审查和重构流程
• LLM可以理解或从文档中挖掘的任何工作流程

自我改进循环

在执行的任何时候，LLM都可以进入FSM-FSM以改进 *当前的* FSM——一个小型回顾展。更好的提示、扩展的模式、新的状态。改进针对元模式进行验证，加载和执行从当前状态继续到改进的FSM。

这是愿景： 在自我改进过程中协调的LLM的弹性集合。

______________________________________________________________________

贡献

提交消息格式

所有提交都必须引用GitHub问题：

#NNN: Description in imperative mood

示例：

• #127: Enforce commit message format
• #126: Add native tool calling for MCP

Git挂钩

安装提交消息挂钩：

./hooks/install.sh

这强制执行 #NNN: description 格式。

______________________________________________________________________

当前状态

这个项目是实验性的。 它正在吃自己的狗粮——主要是人工智能生成的，迭代改进的，有时是凌乱的。不要把这误认为是生产代码或我的正常编码风格。

但建筑是健全的。哲学是必要的。软件开发的方式正在永远改变。

______________________________________________________________________

参与其中

我正在寻找合作者和机会。如果你有一个Clojure项目，特别是涉及人工智能代理、LLM编排或自我改进系统的项目，我很乐意谈谈。

我正在寻找工作/经济支持

如果你认为CLAIJ或它的某些方面可以使你的公司受益，或者只是想让我作为一个熟悉Clojure、LLMs和周围技术的人加入，请联系我。

在LinkedIn上连接→