数据类型与语义感知
把字段类型、数据粒度、实体关系和指标口径纳入任务上下文，按结构化表、文档与文件选择处理能力。
让分工和加工围绕数据本身展开，减少通用对话与专业操作之间的转换。
ID Axis · 多智能体推理与自动执行框架
从模型能力，到产品交付
ID Omnia / ID Optima
产品 · 定义业务目标与交付标准
ID Axis
框架 · 组织推理、编排与执行
HuanYu 焕羽
模型 · 提供理解、生成与评估能力
ID Axis 的运行逻辑
理解数据，再组织智能体工作。
把通用的智能体执行能力，转化为面向数据生产的专业工作方式。
以 DeepSeek Harness 为主要参照，结合主流智能体执行引擎的工程实践，ID Axis 围绕数据类型、业务语义与质量要求进行专门改造。模型负责推理，框架负责让每一步调用有约定、可恢复、有结果。
一项数据任务，如何走到交付
目标、执行与验收相互衔接，让智能体围绕同一份数据任务协作。
理解任务与数据
读取表结构、字段类型、文档内容与样例，明确业务口径、处理范围和完成标准。
形成目标与数据契约拆解并组织协作
按解析、映射、加工与验证分配职责，建立依赖关系，为各智能体提供必要上下文。
形成可执行的任务图选择能力并执行
按数据类型匹配插件，校验调用参数，记录节点状态、工具回执与中间产物。
保留过程状态与产物对照规则验收
检查结构、质量与业务口径。失败项返回关联节点修复，通过的产物连同依据交付。
交付结果与验证记录
能力不足时，生成能力。
插件生成与自优化，把一次任务中发现的缺口，转化为可以复用的能力。
- 识别能力缺口
任务需求与已有工具对照
- 生成插件
实现逻辑与输入输出约定
- 隔离验证
样例、权限与异常路径
- 按版本启用
保留稳定版本与回退路径
- 运行评估
检查产物质量与失败原因
运行反馈与失败样本，驱动下一轮插件生成、验证与优化。
自优化以可检验的改进为依据：比较候选版本与既有版本，通过验证后再更新能力；未通过的候选保留问题记录，不替换稳定版本。
为数据任务，做更具体的改造。
从“能调用工具”走向“能完成数据工作”，关键在调用前后的约束与处理。
更稳定的智能体调用
输入输出校验、超时与有界重试、状态检查点和回执核对共同约束调用；外部写入单独检查是否已经完成。
在格式异常、连接中断或部分失败时保留已完成工作，避免盲目重复执行。
能够积累的自优化
把执行反馈、失败样本与质量规则关联到插件版本，通过同口径评估检验改动，沉淀可复用的领域能力。
让问题处理进入持续迭代，使下一次任务可以复用已经验证的经验。
技术参照
DeepSeek Harness 官方资料参照开放的工程方法，形成面向数据工作的专门设计。
01 / 框架的基本单元
复杂工作，从清晰的抽象开始。
一个可扩展的执行框架，需要把“要做什么”“当前知道什么”“允许怎样做”和“最终得到什么”分别表达。职责清晰后，模型、工具与业务流程才有独立演进的空间。
任务Task
把业务意图转成可判断完成与否的目标。任务携带输入引用、依赖条件与验收规则，子任务继承必要约束。
目标 / 依赖 / 完成条件上下文Context
为一次决策提供有来源的信息。区分原始材料、已验证事实与待验证假设，按职责组织读取范围。
来源 / 可见范围 / 版本能力Capability
把模型调用、数据处理或业务操作封装成可检查的输入输出约定。能力声明权限与副作用，供执行层选择和约束。
输入 / 输出 / 执行边界产物Artifact
用独立、可引用的产物承载结果。表、文件、报告与校验记录保留来源关系，供后续任务消费或产品交付。
内容引用 / 来源 / 验证结论以下以研究性架构设计解释 ID Axis 的工程方向；状态结构、隔离机制和扩展约定需以正式技术文档及实际交付为准。
02 / 状态与数据契约
工作在继续。状态必须说得清楚。
对话记录表达交流，任务状态表达执行事实。框架需要知道哪些输入已经固定、哪个节点正在等待、哪些产物已被接受，以及下一步依据什么条件启动。
- 待执行
- 执行中
- 等待条件
- 验证结果
- 完成 / 停止
只有被接受的状态更新，才能推动依赖它的下一步。
并行节点应提交各自的结果增量；汇合时按字段规则合并，冲突进入显式处理。共享状态不意味着任意覆盖。
任务记录 · 概念结构
goal- 业务目标与验收规则
完成条件在执行前明确；改变目标应形成新的修订。
context_ref- 有版本的上下文引用
传递引用和必要信息，避免所有节点共享无限增长的对话。
node_state- 节点状态与依赖条件
等待、失败、取消与完成分别表达，防止把缺少结果当作成功。
artifact_ref- 产物、来源与校验记录
结果引用关联输入和生成步骤，保留可核查的依据。
03 / 多智能体执行图
分工可以并行。收敛必须有依据。
把复杂工作组织为有依赖关系的节点。模型可以提出分解与修复方案；执行层负责检查前置条件、调度可运行节点，并让分支在明确的验证条件下汇合。
明确目标目标与约束
解析资料来源与结构
整理规则口径与条件
汇合输入检查依赖
执行加工调用工具
结果验证对照验收规则
两个必需分支均就绪
携带失败项，局部修复
可交付产物
并行与汇合
两条分支，回到同一个目标。
资料解析与规则整理可独立推进。汇合节点检查两侧结果是否就绪、引用版本是否一致，再交给加工节点执行。
启动条件：所有必需输入可用且通过检查。
拆解目标 → 并行准备 → 汇合 → 加工 → 验证 → 交付
明确依赖
独立任务并行；有先后关系的任务等待必要结果。调度依据依赖和可用资源。
显式合并
汇合点检查来源、版本与冲突。结果缺失、互相矛盾或未通过验证时，不继续静默传播。
限定循环
每次重试都携带原因与剩余预算。无法定位的失败转为停止或人工处理，防止无界迭代。
04 / 插件与能力扩展
能力可以生长。边界保持清晰。
当既有能力无法覆盖数据任务，ID Axis 可以生成新的插件实现，经过隔离验证后纳入执行。运行反馈与失败样本进入自优化流程，让工具选择、插件实现与处理策略持续迭代。
一个能力包，需要说清楚什么
input / output- 可校验的数据结构
permissions- 所需资源与操作范围
effects- 读取、写入与外部副作用
compatibility- 依赖与兼容条件
verification- 样例、失败情形与校验记录
生成
从任务缺口出发，形成能力实现和接口描述。把依赖、权限及预期行为一同显式表达。
形成可审查的能力候选验证
检查输入输出结构、正常与异常样例、资源访问和失败处理。验证结论关联被检查的实现版本。
获得有范围的验证依据启用
通过检查后，由加载策略决定能力的可见范围与可调用条件。运行中的任务应保留其所用版本的引用。
在明确的边界内参与执行自优化
将执行反馈和失败样本关联到插件版本，提出改进候选。在同一任务集与质量规则下回归验证，通过后再启用新版本，并保留回退路径。
把经过验证的改进沉淀为能力
结构验证回答“数据是否符合约定”；行为验证还需要样例、失败用例与运行约束。生成完成不等于具备执行权限。
05 / 运行隔离
自主执行，需要可解释的边界。
多智能体共享目标，也需要区分上下文、资源与权限。隔离设计让一个节点的错误、超时或能力扩展，不必变成整个任务的无序变化。
执行单元
- 必要上下文
- 任务内状态
- 已允许能力
权限检查与结果回执
外部数据与业务系统
上下文按职责分配
节点只接收完成职责所需的信息，引用的来源与版本可追溯。工具返回内容作为待处理数据进入流程。
权限在调用边界检查
计划描述与执行授权分开。能力请求的资源范围，需要与当前任务允许的操作一致。
副作用单独处理
外部写入需要回执与结果核对。超时只能说明等待结束，无法证明外部操作没有发生。
预算与失败局部收敛
时间、重试与资源设定上限。失败记录保留在相关节点，由依赖关系决定需要停止的范围。
06 / 证据、复现与评估
知道它做了什么。也能检验为何成立。
执行框架的研究，需要同时关注产物质量与过程可解释性。把输入、版本、动作与结果联系起来，才有条件定位失败、比较改动，并让下一次迭代有依据。
一次执行的证据包
输入与约束
数据引用、目标修订、验收规则和上下文来源。
计划与版本
节点关系、模型及工具配置、能力版本和环境信息。
执行与回执
调用记录、状态变化、异常原因和外部结果回执。
产物与结论
可引用结果、质量检查、未完成项和停止原因。
回放：理解已经发生的事
使用已记录的事件与调用结果重建执行过程，检查某个结果怎样形成。回放读取历史，不应再次触发外部写入。
复跑：检验当前系统的表现
固定可固定的输入、模型配置、工具版本和评估口径，重新执行并比较结果。模型采样与外部环境仍可能引入差异。
评估需要回答的三个问题
目标是否完成？
以任务验收规则核查产物结构、内容一致性与约束满足情况。
过程是否合规？
检查依赖、资源范围、停止规则和外部副作用是否符合执行契约。
改动是否有效？
在相同任务集与评估口径下比较版本，连同失败类型和环境差异解释变化。
这里呈现评估方法与工程目标，未提供或暗示已完成的基准测试、性能增幅或确定性保证。
07 / 同一底座，不同产品
复用执行能力。保留业务的专业性。
Axis 提供共同的推理编排与工具执行基础。Omnia 与 Optima 在其上定义不同的领域任务、数据契约与质量要求，把通用框架变成实际生产流程。
ID Axis · 任务 / 上下文 / 能力 / 产物
从业务需求到数据仓库
组织接入、清洗、标准化与建模任务，将业务主体、数据分层和字段规则落实为可交付的数据资产。
- 理解需求
- 构建与建模
- 验证数据资产
从已有资料到高质量数据集
组织解析、映射、加工和质量检查，将资料与数据资产转化为 AI Ready 语料、训练样本及业务指标。
- 定义生产目标
- 加工与组织
- 验证数据集
08 / 开源与共建
让框架的边界，成为共建的起点。
ID Axis 以开源连接开发者。我们关注可以被理解、被验证、被组合的能力，让不同领域的经验进入同一套执行语言。
连接器
连接更多数据源、工具与业务系统。
领域能力
将专业流程表达为可检查的任务与插件。
验证方法
用清晰的样例与失败分析完善行为边界。
工程参考阅读
以下为公开的通用工程资料，用于延伸阅读，不代表 ID Axis 采用相应实现或依赖。
- Pregel · Google Research
图计算与协作执行的经典研究。
- JSON Schema · Objects
描述与校验对象数据结构的参考。
- PROV Overview · W3C
理解实体、活动与来源关系的标准概览。