一个将大型语言模型与Prolog符号推理相结合的AI代理框架，专为小型本地模型设计，单二进制文件，支持完全离线运行。

The Edge Agent：结合LLM与Prolog的神经符号AI代理框架\n\n## 项目概述\n\nThe Edge Agent（简称TEA）是一个创新的开源AI代理框架，它巧妙地结合了大型语言模型（LLM）的自然语言处理能力与Prolog的符号推理能力，创造出一种"神经符号"混合智能体。这个项目的核心目标是解决小型本地LLM（如Llama、Mistral、Phi等）在复杂推理任务中容易出现的幻觉和逻辑错误问题，同时保持完全离线运行的能力。\n\n与传统纯LLM方案不同，TEA采用分工协作的架构：LLM负责从非结构化文本中提取事实和关系，Prolog则负责基于这些事实进行严格的逻辑推理、数学计算和约束求解。这种设计让小型模型也能完成原本需要大型云端模型才能处理的复杂推理任务。\n\n## 神经符号架构的核心原理\n\nTEA的工作流程可以用一个简单的例子来说明。假设输入文本是："Alice有两个孩子：Bob和Carol。Alice在1980年到1990年间与Dave有婚外情。Bob出生于1985年，Carol出生于1975年。"\n\n系统首先让LLM提取结构化的事实：\n- mother(alice, bob).\n- mother(alice, carol).\n- affair(alice, dave, 1980, 1990).\n- birth_year(bob, 1985).\n- birth_year(carol, 1975).\n\n然后，Prolog引擎基于预定义的规则进行推理：\nprolog\nchild_of_affair(Child, Partner) :-\n mother(Mother, Child), birth_year(Child, Year),\n affair(Mother, Partner, Start, End), Year >= Start, Year =< End.\n\nhalf_sibling(X, Y) :-\n mother(M, X), mother(M, Y), X \\= Y,\n \\+ (father(F, X), father(F, Y)).\n\n\n最终得出结论：Bob是Carol的同母异父兄弟姐妹（因为Bob出生于婚外情期间，意味着有不同的父亲）。这种推理链条是可验证的，每一步都有明确的逻辑依据。\n\n## 技术特性与优势\n\nTEA的设计充分考虑了边缘计算和本地部署的需求，具有以下显著特点：\n\n单一二进制文件：无论是Python版本还是Rust版本，TEA都提供独立的可执行文件，零依赖，开箱即用。Python版本提供完整功能（20+内置动作），Rust版本则针对资源受限环境优化。\n\n完全离线运行：支持捆绑GGUF模型（如Gemma 3 1B）的AppImage发行版，下载后即可在没有网络连接的环境中运行LLM工作流。这对于数据隐私要求严格的场景尤为重要。\n\nYAML优先的配置方式：与LangGraph和AutoGen等代码优先的框架不同，TEA采用声明式的YAML语法定义代理工作流，学习曲线更平缓，非程序员也能快速上手。\n\n内置可观测性：框架原生支持分布式追踪和调试，通过trace.span和trace.log等动作，开发者可以清晰地了解代理的每一步决策过程。\n\n## 丰富的内置能力\n\nTEA提供了20多种内置动作，覆盖AI代理开发的常见需求：\n\n| 能力类别 | 关键动作 | 说明 |\n|---------|---------|------|\n| 神经符号推理 | language: prolog | LLM+Prolog混合推理 |\n| LLM集成 | llm.call, llm.structured | 支持OpenAI、Azure、Ollama等100+提供商 |\n| RAG | rag.search, rag.embed | 向量搜索和文档检索 |\n| 记忆系统 | memory.store, memory.recall | 短期、长期、云同步记忆 |\n| Web能力 | web.scrape, web.crawl | 基于Firecrawl和ScrapeGraphAI的网页抓取 |\n| 可观测性 | trace.span, trace.log | 分布式追踪和调试 |\n\n这种模块化的设计让开发者可以像搭积木一样组合不同的能力，快速构建复杂的代理应用。\n\n## 多平台支持\n\nTEA提供了三种实现版本，适应不同的部署场景：\n\nPython版本（推荐）：功能完整，拥有全部20+内置动作，支持神经符号AI，适合生产环境部署。\n\nRust版本：正在积极开发中，针对嵌入式和离线场景优化，资源占用更低，适合IoT设备和边缘计算节点。\n\nWASM版本：原型阶段，支持在浏览器中运行本地LLM推理，完全零服务器架构。通过IndexedDB缓存模型，使用SharedArrayBuffer实现多线程推理，甚至可以集成Opik进行可观测性监控。\n\n## 实际应用场景\n\nTEA的灵活性使其适用于多种实际场景：\n\n学术研究辅助：项目提供了学术论文生成工作流示例，包括AI辅助选题、人工审核的主题句规划、多轮修订的草稿生成、摘要和引用生成等环节，实现了人机协作的学术写作流程。\n\n企业知识管理：结合RAG能力，可以构建基于私有文档库的问答系统，Prolog推理层确保答案的逻辑一致性。\n\n边缘智能设备：Rust版本的轻量级特性使其适合部署在资源受限的工业设备上，实现本地化的智能决策。\n\n隐私敏感场景：医疗、金融等领域可以在完全离线环境中运行敏感数据处理流程，无需担心数据泄露风险。\n\n## 与现有框架的对比\n\n与LangGraph和AutoGen等主流框架相比，TEA的独特优势在于：\n\n| 特性 | TEA | LangGraph | AutoGen |\n|-----|-----|-----------|---------|\n| 符号推理(Prolog) | 支持 | 不支持 | 不支持 |\n| 单一二进制 | 支持 | 不支持 | 不支持 |\n| 离线运行 | 完全支持 | 有限支持 | 不支持 |\n| YAML优先 | 支持 | 代码优先 | 代码优先 |\n| 神经符号 | 支持 | 不支持 | 不支持 |\n| 本地LLM优化 | 支持 | 部分支持 | 不支持 |\n| 边缘/嵌入式 | 支持 | 不支持 | 不支持 |\n\n这种差异化定位让TEA在特定的技术场景下具有明显的竞争优势。\n\n## 快速开始\n\n安装TEA非常简单，以Python版本为例：\n\nbash\n# pip安装（需要Python 3.10+）\npip install the-edge-agent\ntea --version\n\n# 或使用AppImage（包含Prolog，自包含）\nVERSION=$(curl -s https://api.github.com/repos/fabceolin/the_edge_agent/releases/latest | grep -Po '"tag_name": "v\\K[^"]+')\ncurl -L "https://github.com/fabceolin/the_edge_agent/releases/download/v${VERSION}/tea-python-${VERSION}-x86_64.AppImage" -o tea && chmod +x tea\n\n\n运行示例工作流：\n\nbash\ntea run examples/prolog/neurosymbolic/hero-family-reasoning.yaml \\\n --input '{"text": "Alice had two children: Bob and Carol...", "person": "bob"}'\n\n\n## 开源生态与未来展望\n\nTEA采用MIT许可证开源，项目活跃接受社区贡献。开发者明确表示TEA的设计灵感来源于LangGraph，并向LangGraph团队的创新工作表示感谢。\n\n项目的GitHub仓库提供了丰富的示例代码，涵盖神经符号推理、纯LLM工作流、RAG文档检索、网页抓取、学术写作等多个领域。文档体系也相当完善，包括YAML参考手册、CLI参考、Python和Rust入门指南、人机协作指南等。\n\n对于希望从LangGraph迁移到TEA的开发者，项目还提供了专门的迁移指南，降低了技术切换的成本。\n\n## 结语\n\nThe Edge Agent代表了一种务实的技术路线：不盲目追求更大的模型，而是通过架构创新让小模型发挥大作用。在AI部署成本日益受到关注的今天，这种"边缘优先"的设计理念具有重要的现实意义。对于需要在本地运行AI、对数据隐私有严格要求、或者希望在资源受限环境中部署智能代理的开发者来说，TEA提供了一个值得认真考虑的选择。

The Edge Agent：结合LLM与Prolog的神经符号AI代理框架\n\n项目概述\n\nThe Edge Agent（简称TEA）是一个创新的开源AI代理框架，它巧妙地结合了大型语言模型（LLM）的自然语言处理能力与Prolog的符号推理能力，创造出一种"神经符号"混合智能体。这个项目的核心目标是解决小型本地LLM（如Llama、Mistral、Phi等）在复杂推理任务中容易出现的幻觉和逻辑错误问题，同时保持完全离线运行的能力。\n\n与传统纯LLM方案不同，TEA采用分工协作的架构：LLM负责从非结构化文本中提取事实和关系，Prolog则负责基于这些事实进行严格的逻辑推理、数学计算和约束求解。这种设计让小型模型也能完成原本需要大型云端模型才能处理的复杂推理任务。\n\n神经符号架构的核心原理\n\nTEA的工作流程可以用一个简单的例子来说明。假设输入文本是："Alice有两个孩子：Bob和Carol。Alice在1980年到1990年间与Dave有婚外情。Bob出生于1985年，Carol出生于1975年。"\n\n系统首先让LLM提取结构化的事实：\n- mother(alice, bob).\n- mother(alice, carol).\n- affair(alice, dave, 1980, 1990).\n- birth_year(bob, 1985).\n- birth_year(carol, 1975).\n\n然后，Prolog引擎基于预定义的规则进行推理：\nprolog\nchild_of_affair(Child, Partner) :-\n mother(Mother, Child), birth_year(Child, Year),\n affair(Mother, Partner, Start, End), Year >= Start, Year =< End.\n\nhalf_sibling(X, Y) :-\n mother(M, X), mother(M, Y), X \\= Y,\n \\+ (father(F, X), father(F, Y)).\n\n\n最终得出结论：Bob是Carol的同母异父兄弟姐妹（因为Bob出生于婚外情期间，意味着有不同的父亲）。这种推理链条是可验证的，每一步都有明确的逻辑依据。\n\n技术特性与优势\n\nTEA的设计充分考虑了边缘计算和本地部署的需求，具有以下显著特点：\n\n单一二进制文件：无论是Python版本还是Rust版本，TEA都提供独立的可执行文件，零依赖，开箱即用。Python版本提供完整功能（20+内置动作），Rust版本则针对资源受限环境优化。\n\n完全离线运行：支持捆绑GGUF模型（如Gemma 3 1B）的AppImage发行版，下载后即可在没有网络连接的环境中运行LLM工作流。这对于数据隐私要求严格的场景尤为重要。\n\nYAML优先的配置方式：与LangGraph和AutoGen等代码优先的框架不同，TEA采用声明式的YAML语法定义代理工作流，学习曲线更平缓，非程序员也能快速上手。\n\n内置可观测性：框架原生支持分布式追踪和调试，通过trace.span和trace.log等动作，开发者可以清晰地了解代理的每一步决策过程。\n\n丰富的内置能力\n\nTEA提供了20多种内置动作，覆盖AI代理开发的常见需求：\n\n| 能力类别 | 关键动作 | 说明 |\n|---------|---------|------|\n| 神经符号推理 | language: prolog | LLM+Prolog混合推理 |\n| LLM集成 | llm.call, llm.structured | 支持OpenAI、Azure、Ollama等100+提供商 |\n| RAG | rag.search, rag.embed | 向量搜索和文档检索 |\n| 记忆系统 | memory.store, memory.recall | 短期、长期、云同步记忆 |\n| Web能力 | web.scrape, web.crawl | 基于Firecrawl和ScrapeGraphAI的网页抓取 |\n| 可观测性 | trace.span, trace.log | 分布式追踪和调试 |\n\n这种模块化的设计让开发者可以像搭积木一样组合不同的能力，快速构建复杂的代理应用。\n\n多平台支持\n\nTEA提供了三种实现版本，适应不同的部署场景：\n\nPython版本（推荐）：功能完整，拥有全部20+内置动作，支持神经符号AI，适合生产环境部署。\n\nRust版本：正在积极开发中，针对嵌入式和离线场景优化，资源占用更低，适合IoT设备和边缘计算节点。\n\nWASM版本：原型阶段，支持在浏览器中运行本地LLM推理，完全零服务器架构。通过IndexedDB缓存模型，使用SharedArrayBuffer实现多线程推理，甚至可以集成Opik进行可观测性监控。\n\n实际应用场景\n\nTEA的灵活性使其适用于多种实际场景：\n\n学术研究辅助：项目提供了学术论文生成工作流示例，包括AI辅助选题、人工审核的主题句规划、多轮修订的草稿生成、摘要和引用生成等环节，实现了人机协作的学术写作流程。\n\n企业知识管理：结合RAG能力，可以构建基于私有文档库的问答系统，Prolog推理层确保答案的逻辑一致性。\n\n边缘智能设备：Rust版本的轻量级特性使其适合部署在资源受限的工业设备上，实现本地化的智能决策。\n\n隐私敏感场景：医疗、金融等领域可以在完全离线环境中运行敏感数据处理流程，无需担心数据泄露风险。\n\n与现有框架的对比\n\n与LangGraph和AutoGen等主流框架相比，TEA的独特优势在于：\n\n| 特性 | TEA | LangGraph | AutoGen |\n|-----|-----|-----------|---------|\n| 符号推理(Prolog) | 支持 | 不支持 | 不支持 |\n| 单一二进制 | 支持 | 不支持 | 不支持 |\n| 离线运行 | 完全支持 | 有限支持 | 不支持 |\n| YAML优先 | 支持 | 代码优先 | 代码优先 |\n| 神经符号 | 支持 | 不支持 | 不支持 |\n| 本地LLM优化 | 支持 | 部分支持 | 不支持 |\n| 边缘/嵌入式 | 支持 | 不支持 | 不支持 |\n\n这种差异化定位让TEA在特定的技术场景下具有明显的竞争优势。\n\n快速开始\n\n安装TEA非常简单，以Python版本为例：\n\nbash\npip安装（需要Python 3.10+）\npip install the-edge-agent\ntea --version\n\n或使用AppImage（包含Prolog，自包含）\nVERSION=$(curl -s https://api.github.com/repos/fabceolin/the_edge_agent/releases/latest | grep -Po '"tag_name": "v\\K[^"]+')\ncurl -L "https://github.com/fabceolin/the_edge_agent/releases/download/v${VERSION}/tea-python-${VERSION}-x86_64.AppImage" -o tea && chmod +x tea\n\n\n运行示例工作流：\n\nbash\ntea run examples/prolog/neurosymbolic/hero-family-reasoning.yaml \\\n --input '{"text": "Alice had two children: Bob and Carol...", "person": "bob"}'\n\n\n开源生态与未来展望\n\nTEA采用MIT许可证开源，项目活跃接受社区贡献。开发者明确表示TEA的设计灵感来源于LangGraph，并向LangGraph团队的创新工作表示感谢。\n\n项目的GitHub仓库提供了丰富的示例代码，涵盖神经符号推理、纯LLM工作流、RAG文档检索、网页抓取、学术写作等多个领域。文档体系也相当完善，包括YAML参考手册、CLI参考、Python和Rust入门指南、人机协作指南等。\n\n对于希望从LangGraph迁移到TEA的开发者，项目还提供了专门的迁移指南，降低了技术切换的成本。\n\n结语\n\nThe Edge Agent代表了一种务实的技术路线：不盲目追求更大的模型，而是通过架构创新让小模型发挥大作用。在AI部署成本日益受到关注的今天，这种"边缘优先"的设计理念具有重要的现实意义。对于需要在本地运行AI、对数据隐私有严格要求、或者希望在资源受限环境中部署智能代理的开发者来说，TEA提供了一个值得认真考虑的选择。