ruflo 中的 backend-dev 技能：构建带自学习能力的后端 API 开发 Agent

ruflo 中的 backend-dev 技能构建带自学习能力的后端 API 开发 Agent【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/rufloruflo 的.agents/skills/目录下存放着大量可直接被 Codex / Claude Code 类 CLI 调用的 Agent 技能文件其中 agent-dev-backend-api 技能 定义了名为backend-dev的后端 API 开发专用 Agent它不仅声明了触发条件、工具白名单、路径沙箱和行为约束还把自学习落到了可执行的 hook 脚本与 ReasoningBank 模式存取 API 上。读完本篇你可以完整看懂这个技能的 YAML 配置骨架、复现它的先检索历史模式、再实现、最后回存奖励的闭环并了解 ruflo 仓库中支撑该闭环的 ReasoningBank 向量存储实现。技能文件的位置与调用方式按照 .agents 目录说明ruflo 的技能体系遵循如下约定每个技能是一个目录内含SKILL.md技能指令主体以及可选的scripts/、docs/子目录技能通过$skill-name语法调用config.toml负责模型选择、审批策略、沙箱模式等全局控制项目根目录的AGENTS.md提供主指令.codex/AGENTS.override.md提供本地覆盖。agent-dev-backend-api技能文件的写法比较特殊它包含两层 YAML frontmatter。外层是 Codex 技能包装层name: agent-dev-backend-api描述为 Agent skill for dev-backend-api - invoke with $agent-dev-backend-api内层才是真正定义的 Agent 规格name: backend-dev description: Specialized agent for backend API development with self-learning and pattern recognition color: blue type: development version: 2.0.0-alpha created: 2025-07-25 updated: 2025-07-25 author: Claude Code metadata: specialization: API design, implementation, optimization, and continuous improvement complexity: moderate autonomous: true v2_capabilities: - self_learning - context_enhancement - fast_processing - smart_coordinationv2_capabilities中声明的self_learning等四项能力正是后文自学习协议的能力声明版本标记为2.0.0-alpha说明它是在 v1 静态 Agent 基础上叠加学习能力的新版本。触发机制关键词、文件模式与任务模式三重匹配技能通过triggers字段声明何时应被路由到该 Agenttriggers: keywords: - api - endpoint - rest - graphql - backend - server file_patterns: - **$api/**/*.js - **$routes/**/*.js - **$controllers/**/*.js - *.resolver.js task_patterns: - create * endpoint - implement * api - add * route domains: - backend - api从结构上看它把匹配拆成三个维度关键词任务描述中出现 api/endpoint 等词、文件模式正在编辑的routes/、controllers/、*.resolver.js文件、任务模式create * endpoint 之类的动词 名词组合并归入backend、api两个领域。这种声明式设计让编排器ruflo 的 swarm 路由逻辑无需理解任务语义仅靠规则即可把后端 API 任务分派给backend-dev。能力与沙箱工具白名单、路径围栏与文件限制capabilities和constraints两组字段共同构成该 Agent 的执行边界capabilities: allowed_tools: - Read - Write - Edit - MultiEdit - Bash - Grep - Glob - Task restricted_tools: - WebSearch # Focus on code, not web searches max_file_operations: 100 max_execution_time: 600 memory_access: both constraints: allowed_paths: - src/** - api/** - routes/** - controllers/** - models/** - middleware/** - tests/** forbidden_paths: - node_modules/** - .git/** - dist/** - build/** max_file_size: 2097152 # 2MB allowed_file_types: - .js - .ts - .json - .yaml - .yml要点解读工具白名单只保留文件读写、编辑、Bash 与检索类工具显式限制WebSearch注释说明聚焦代码而非网络搜索并给出两个硬上限最多 100 次文件操作、最长 600 秒执行时间路径围栏用allowed_pathsforbidden_paths双重声明只能动src/、api/、routes/、controllers/、models/、middleware/、tests/禁止触碰node_modules/、.git/、dist/、build/文件类型白名单限定为 JS/TS/JSON/YAML单文件上限 2MB2097152字节防止大文件拖垮上下文memory_access: both表示同时可读可写 AgentDB 记忆库——这是自学习闭环能工作的前提。行为约束与多 Agent 协作声明behavior段定义了出错与变更策略behavior: error_handling: strict confirmation_required: - database migrations - breaking API changes - authentication changes auto_rollback: true logging_level: debug即严格错误处理、对数据库迁移/破坏性 API 变更/认证变更三类操作强制人工确认、失败自动回滚、debug 级日志。communication段则约定输出风格为技术向、批量更新、附带代码片段、禁用 emoji。integration段声明了它与同 swarm 中其他 Agent 的协作拓扑integration: can_spawn: - test-unit - test-integration - docs-api can_delegate_to: - arch-database - analyze-security requires_approval_from: - architecture shares_context_with: - dev-backend-db - test-integration从源码结构看这是一个典型的开发 Agent协作契约backend-dev可以自己派生测试与文档子任务can_spawn把数据库设计与安全分析委托出去can_delegate_to重大决策需architectureAgent 批准并与数据库后端 Agent、集成测试 Agent 共享上下文。optimization段进一步给出parallel_operations: true、batch_size: 20、cache_results: true、memory_limit: 512MB等并行与资源参数。自学习协议实现前先检索历史模式技能正文Backend API Developer v2.0.0-alpha将自学习拆成四个阶段第一个阶段是实现前从历史中学习// 1. 检索相似的历史 API 实现 const similarAPIs await reasoningBank.searchPatterns({ task: API implementation: currentTask.description, k: 5, minReward: 0.85 }); if (similarAPIs.length 0) { similarAPIs.forEach(pattern { console.log(- ${pattern.task}: ${pattern.reward} success rate); console.log( Best practices: ${pattern.output}); console.log( Critique: ${pattern.critique}); }); // 只从高奖励0.9的实现中抽取最佳实践 const bestPractices similarAPIs .filter(p p.reward 0.9) .map(p extractPatterns(p.output)); } // 2. 主动检索过去的失败案例 const failures await reasoningBank.searchPatterns({ task: API implementation, onlyFailures: true, k: 3 });这个协议的关键在于双向检索minReward: 0.85过滤出高成功率的可复用模式onlyFailures: true则单独捞出失败案例用于避坑。两次检索分别对应学怎么做和学怎么不踩坑。检索增强GNN 依赖图搜索与 Flash Attention文档给出了两种针对 API 开发场景的检索加速手段。其一是GNN 增强的上下文搜索——把当前任务的相关模块Controller、Service、Database、Middleware建模成带权依赖图再交由向量库做图感知检索const graphContext { nodes: [authController, userService, database, middleware], edges: [[0, 1], [1, 2], [0, 3]], // 依赖关系图 edgeWeights: [0.9, 0.8, 0.7], nodeLabels: [AuthController, UserService, Database, Middleware] }; const relevantEndpoints await agentDB.gnnEnhancedSearch( taskEmbedding, { k: 10, graphContext, gnnLayers: 3 } );文档声称该方式可提升上下文准确性文中给出 12.4% 的说法属于文档自身的声明仓库中未提供对应的基准复现。其二是大 Schema 的 Flash Attention 处理当 API Schema 元素超过 1024 个时切换到 flash attention 路径文档称可获得 4-7 倍加速、约 50% 内存节省if (schemaSize 1024) { const result await agentDB.flashAttention( queryEmbedding, schemaEmbeddings, schemaEmbeddings ); console.log(Processed ${schemaSize} schema elements in ${result.executionTimeMs}ms); }学习闭环完成后回存模式并训练实现完成后Agent 需要把结果连同质量指标回存形成下一轮可用的经验const codeQuality calculateCodeQuality(generatedCode); const testsPassed await runTests(); await reasoningBank.storePattern({ sessionId: backend-dev-${Date.now()}, task: API implementation: ${taskDescription}, input: taskInput, output: generatedCode, reward: testsPassed ? codeQuality : 0.5, success: testsPassed, critique: Implemented ${endpointCount} endpoints with ${testCoverage}% coverage, tokensUsed: countTokens(generatedCode), latencyMs: measureLatency() });注意reward的取值逻辑测试通过时取代码质量分失败时只给 0.5 的保底分并标记success: falsecritique字段写入端点数量与测试覆盖率供未来检索时快速判断价值。在 ruflo 仓库中这套storePattern/searchPatterns语义有真实的实现对应ReasoningBank 模块 将模式以向量形式存入 AgentDBmemory.db核心配置包括384 维 MiniLM-L6 嵌入dimensions: 384真实 HNSW 索引hnswM: 16、hnswEfConstruction: 200、hnswEfSearch: 100短期记忆上限 1000 条、长期记忆上限 5000 条模式晋升机制promotionThreshold: 3被使用 3 次、qualityThreshold: 0.6时从短期晋升到长期记忆dedupThreshold: 0.95做去重。也就是说技能文档里reward/success 回存的每条模式最终都会成为 HNSW 图上一个可检索的向量节点并被使用频次与质量阈值驱动的晋升机制管理生命周期。Hook 脚本把学习闭环落到可执行的 CLI 调用YAML 的hooks段把上述协议翻译成了 pre/post execution 的 shell 脚本通过claude-flowalphaCLI 与记忆库交互。pre_execution的核心逻辑# v2.0.0-alpha: 从过去的 API 实现中学习 echo Learning from past API patterns... SIMILAR_PATTERNS$(npx claude-flowalpha memory search-patterns API implementation: $TASK --k5 --min-reward0.85 2$dev$null || echo ) if [ -n $SIMILAR_PATTERNS ]; then echo Found similar successful API patterns npx claude-flowalpha memory get-pattern-stats API implementation --k5 2$dev$null || true fi # 记录任务开始供后续学习对照 npx claude-flowalpha memory store-pattern \ --session-id backend-dev-$(date %s) \ --task API: $TASK \ --input $TASK_CONTEXT \ --status started 2$dev$null || truepost_execution则完成了评估 回存 条件训练三步REWARD$(if npm run test:api 2$dev$null; then echo 0.95; else echo 0.7; fi) SUCCESS$(if npm run test:api 2$dev$null; then echo true; else echo false; fi) npx claude-flowalpha memory store-pattern \ --session-id backend-dev-$(date %s) \ --task API: $TASK \ --output $TASK_OUTPUT \ --reward $REWARD \ --success $SUCCESS \ --critique API implementation with $(find . -name *.route.js -o -name *.controller.js | wc -l) endpoints 2$dev$null || true # 成功时用产出训练神经模式 if [ $SUCCESS true ]; then npx claude-flowalpha neural train \ --pattern-type coordination \ --training-data $TASK_OUTPUT \ --epochs 50 2$dev$null || true fi设计上有两个值得注意的工程决策奖励分级测试通过记 0.95、失败记 0.7而不是 0配合on_error钩子中显式的--reward 0.0形成 0.0 / 0.7 / 0.95 三档信号——错误中断、测试未跑、测试通过语义各不相同尽力而为best-effort容错所有学习类 CLI 调用都带|| true或|| echo 记忆系统故障不会阻塞 API 开发主流程这与behavior.auto_rollback关注的是代码正确性、学习链路关注的是经验积累的职责分离一致。on_error钩子则把失败本身也变成训练数据echo ❌ Error in API development: {{error_message}} npx claude-flowalpha memory store-pattern \ --session-id backend-dev-$(date %s) \ --task API: $TASK \ --output Failed: {{error_message}} \ --reward 0.0 \ --success false \ --critique Error: {{error_message}} 2$dev$null || true{{error_message}}是模板占位符由 hook 运行时注入失败模式随后即可被实现前检索阶段的onlyFailures查询命中——闭环至此完整。领域优化CRUD 模式沉淀与端点成功率跟踪文档最后给出了两个按领域蒸馏经验的具体样例。其一把一次成功的 CRUD 实现结构化入库await reasoningBank.storePattern({ task: REST API CRUD implementation, output: { endpoints: [GET /, GET /:id, POST /, PUT /:id, DELETE /:id], middleware: [auth, validate, rateLimit], tests: [unit, integration, e2e] }, reward: 0.95, success: true, critique: Complete CRUD with proper validation and auth }); // 之后遇到类似任务按高奖励阈值检索 const crudPatterns await reasoningBank.searchPatterns({ task: REST API CRUD, k: 3, minReward: 0.9 });其二按端点类型统计历史成功率与延迟用历史表现指导方案选择const endpointStats { authentication: { successRate: 0.92, avgLatency: 145 }, crud: { successRate: 0.95, avgLatency: 89 }, graphql: { successRate: 0.88, avgLatency: 203 }, websocket: { successRate: 0.85, avgLatency: 67 } }; const bestApproach Object.entries(endpointStats) .sort((a, b) b[1].successRate - a[1].successRate)[0];这两段展示的是学习系统的数据面模式结构化方案与统计聚合指标并存检索时既能拿到具体可复用的实现也能拿到按类别的成功率先验。职责、最佳实践与示例交互技能正文还固化了该 Agent 的行为契约。七项核心职责覆盖 REST/GraphQL 设计、认证授权、数据库查询与数据模型、API 文档、错误处理与日志其中第 6、7 项是 v2 新增的从历史 API 实现中学习和存储成功模式供未来复用。最佳实践清单在传统条目输入校验、HTTP 状态码、限流缓存、REST/GraphQL 约定、全端点测试、变更文档化之外追加了三条学习类实践编码前检索相似历史实现、用 GNN 搜索定位相关端点、带成功指标存储 API 模式。架构模式层面它要求遵循 Controller-Service-Repository 分层、中间件处理横切关注点、DTO 做数据校验、规范的错误响应格式以及 v2 新增的 ReasoningBank 模式存取与 GNN 依赖图检索。文档末尾给出两个示例交互说明触发后的响应形态触发任务Agent 响应create user authentication endpoints创建登录、登出、注册、token 刷新的完整认证端点implement CRUD API for products实现带校验、错误处理与文档的完整产品 CRUD API在仓库中进一步阅读围绕这一技能ruflo 仓库内有几处值得对照的材料.agents/skills/agent-dev-backend-api/SKILL.md本文主体技能文件.agents/README.md.agents目录结构与$skill-name调用约定v3/claude-flow/hooks/src/reasoningbank/index.tsReasoningBank 的向量存储实现HNSW 参数、模式晋升、去重阈值v3/implementation/integration/HOOKS-LEARNING-INTEGRATION.mdClaude Code hook 事件与 agentic-flow 学习工具intelligence_pattern_store/intelligence_pattern_search等的映射关系是理解该技能 hook 段背后机制的延伸阅读。小结agent-dev-backend-api技能是 ruflo 自学习 Agent路线的一个完整样本YAML 层用 triggers/capabilities/constraints/behavior/integration 声明路由与执行边界正文层给出检索—实现—回存—训练四阶段学习协议的 TypeScript 参照实现hook 层则用claude-flowalpha memory store-pattern / search-patterns与neural train把它落成可执行的 shell 脚本。其核心价值不在某个单点算法而在于把经验的结构化存取reward、success、critique 图感知检索 失败案例回捞组装进了后端 API 开发的每个生命周期节点且整条学习链路以尽力而为的方式运行故障不影响主任务。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考