KitAgent 面向想使用、学习或扩展 AI Agent 的开发者。你描述任务，Agent 阅读代码、修改文件、执行命令；你在自己的工作台中查看工具输入输出、决定是否批准调用，并导出包含结论和执行记录的报告。

你可以从这三件事开始：

• 完成开发任务：让 Agent 检查仓库、执行测试、整理报告，在同一会话里补充要求、继续修改。
• 学习 Agent 如何运行：沿着任务、工具调用、人工审批和事件记录阅读实现，再查看会话记忆、持久化恢复与沙箱的设计。
• 扩展自己的工作流程：用 Markdown Skills 保存步骤，通过 MCP 接入工具，用 Subagents 拆分独立子任务。

先看操作演示，或直接启动工作台；希望研究实现，可以从系统架构进入。

从算子规格，到实现、正确性验证与性能实测。

Equal 算子开发 · 广播与边界验证 · 基线性能对比 · 开发报告
查看高清截图 · 下载完整视频 · 启动工作台

以 Equal 算子开发为例：

开发 Equal 算子，支持标量广播，验证正确性并对比基线性能，生成开发报告。

工作台提供「只读 / 按需询问 / 自动批准」三种会话权限模式，并支持查看和撤销已记住的工具授权。

_{内置离线演示 · 脚本化模型响应 + 实际工具执行 · 在本机体验}

算子把数学运算变成硬件上的数据搬运与计算。以 Equal 为例，比较两个数只需一步，但处理整块 Tensor 时，还要安排广播索引、分块搬运和多核执行。性能优化就从这些安排入手。

这里用两个案例带你走完开发过程：从 Equal 学会广播、分块与复用，再用 SparseFlashAttentionGrad 理解矩阵核与向量核协作、流水排程和负载均衡。你可以在 KitAgent 中逐轮分析、修改、执行测试，并查看每一步的工具输出。

Equal 对两个 Tensor 逐元素比较，输出 BOOL。输入 [2,1] 和 [1,3] 时，输出是 [2,3]：一边沿列重复，另一边沿行重复。实现时可以通过地址映射读取原输入，让每一块输出找到对应的数据。

第一步，把重复的索引工作提前算好。 Host 合并广播模式相同的相邻维度，预计算每一维的 stride。Kernel 每次定位一段连续数据，随后成批比较，减少内层循环的坐标计算。

第二步，让搬进来的数据多用几次。 按输入类型和 UB（片上缓冲区）容量确定 tile 大小，将输入、输出和计算暂存一起纳入预算。标量缓存、广播面缓存和尾行复用减少重复读取；多核切分让各核处理自己的输出区间。

第三步，把数值语义放进测试。 浮点比较覆盖 NaN、正负零和无穷大；INT64 将高低 32 位分别比较，再合成结果，保留完整整数信息。通过 ACLNN 接口，把参数校验、计算和输出交付串起来。

稀疏 Attention 反向计算需要生成 dQ / dK / dV 三路梯度，同时处理索引、系数和梯度累加。优化时要一起考虑每块数据何时就绪、交给哪个核、结果在哪里汇总。

先优化频数统计。 稀疏索引 [2,0,2,3] 对应 key [0,1,2,3] 的频数是 [1,0,2,1]。重复 key 的贡献按次数进入梯度。将索引排序后，用累计计数边界的差批量生成频数，可以改变逐条读写计数槽的处理方式。

再拆开计算与协调。 AIC（矩阵核）执行矩阵乘，AIV（向量核）处理频数和系数，并汇总就绪信号。用时间线把生产系数、发布信号、等待和梯度计算连起来，就能找到谁在阻塞下一轮。

最后按完整任务分核。 将 512 行切成 128 / 128 / 128 / 64 / 64 后，还要把各核后续的 dK / dV 归约计算进去。短块核承担的查询行少，却可能因为额外归约工作拖长收尾；把部分归约重新分给长块核，就能改善整组任务的完成时间。

五分片动态演示： 512 行分块 → 找到短块核尾部 → 长块核分担归约 → 双顺序对照。

查看静态结果 · 动图生成源码

下面这轮 910B3 五分片样机实验，展示了如何用测量推动下一次修改：

这一轮的关键是：测出尾部集中在哪里，将查询与归约合起来分配，再用相同条件对照验证。下一次优化继续从新的时间线开始。

延伸阅读：小林coding 的《杀进决赛！这 28 支队伍把算子优化卷疯了！》从数据搬运、分块复用和任务分配讲解算子优化。

在工作台中提供源码、任务说明、参考实现和测试命令，用同一会话推进分析、修改和验证。你可以随时补充要求，在工具时间线查看执行过程，从审批卡决定工具调用，最后导出运行报告。

请协助优化工作区中的算子。

先阅读任务说明、源码与参考实现，整理输入输出、数据依赖、
构建命令和测试入口，建立正确性与性能基线。

分析时间花在计算、数据搬运、索引处理还是核间等待。
选择一项优化，解释它如何减少开销，保存基线并实现候选。

使用相同输入检查输出，按基线→候选、候选→基线的顺序
重复测速。汇总代码改动、精度结果与耗时变化，
据此决定下一轮实验，最后生成可复盘的优化报告。

处理更大的任务时，可用 Subagents 分别研究算法、流水线和测试，由主任务汇总方案、安排设备测量并完成集成。将成熟步骤整理为 Skills，下一次开发继续复用。

启动工作台，把你的算子优化任务交给 Agent。

把一次算子优化组织成可追踪的工作流：制定计划、验证候选、评估性能、诊断重试、审核交付。每个节点更新共享状态，下一步由验证结果与审核决定驱动。

flowchart LR
    A[plan 任务规划] --> B[validate 精度检查]
    B -->|通过| C[benchmark 性能评估]
    B -->|失败| D[diagnose 诊断与迭代]
    C -->|退化| D
    D -->|继续迭代| B
    D -->|达到上限| F[fallback 保留基线]
    C -->|达标| E[review 审核中断]
    E -->|approve| G[deliver 接受候选]
    E -->|reject| F
    G --> H[report 输出报告]
    F --> H

运行一次完整流程：

uv run --frozen --extra graph python examples/operator_workflow_demo.py --review approve --output operator-report.json

切换 --review reject 查看审核拒绝分支；设置 --max-attempts 1 查看提前结束与基线保留。--review 指定本次演示在审核检查点恢复时使用的决定。

内置案例使用 SparseFlashAttentionGrad 的归档实验记录：五分片初稿退化后进入下一轮，重分配候选通过评估后进入审核。报告保留各候选的对照耗时、变化率、来源、审核决定及最终版本。

查看状态机代码 · 查看分支与恢复测试 · 了解 KitAgent Graph 引擎

在 Web 工作台中对话、审批和查看报告，在 CLI 中提交任务与接入脚本，在 Textual TUI 中进行终端交互。三种入口共用运行时协议，任务执行和会话状态由 Core 管理。

Web 网关持续连接 Core，刷新浏览器后可以继续观察正在执行的任务。

通过流式回复和工具时间线查看任务进展：调用了什么工具、输入是什么、结果如何、用了多久。每次运行的事件保存到 events.jsonl，支持历史回放；父任务与子任务通过关联标识串联。

运行报告汇集本轮结论、工具输出和审批记录，方便复盘与分享。

通过多轮对话补充要求、调整任务方向；通过审批卡片决定工具是否执行。你可以为当前会话记住某个工具的授权，也可以从权限菜单中撤销。

工具注册、参数校验、权限策略和执行记录采用同一套机制，内置工具与 MCP 工具都能接入。

会话历史、长期笔记和压缩摘要分层保存，让 Agent 在后续轮次中沿用已有信息。使用 Markdown Skills 封装工作流程，通过 MCP 连接外部工具，将独立子任务交给拥有各自上下文的 Subagents。

默认 Loop 引擎运行模型与工具循环；可选 LangGraph 引擎提供显式节点编排。启用 Graph + SQLite + Local 后，可保存执行检查点与审批中断，在 Core 重启后续接任务，并复用已经记录的工具结果。

本地开发使用 Local 工具环境；需要独立工作区时，启用 Kubernetes Sandbox，为每个会话按需创建 Pod。同一会话中的多轮任务与子 Agent 共用工作区，支持资源限制、网络策略、空闲回收和关闭清理。

高清 PNG · 可编辑 draw.io 源文件 · 架构设计详解

任务路径： 提交目标 → Core 创建任务 → 执行引擎调用模型 → 工具审批与执行 → 事件推送 → 会话结果。

2026-09-09，在 单节点 kind / Kubernetes v1.36.4 / Cilium 1.20.1 环境完成沙箱验收，使用离线 Provider 与预加载镜像。

查看沙箱配置与验收复现入口 →

以下命令在 Linux / WSL2 的 Bash 中运行。准备 Python 3.12、uv；Web 工作台还需要 Node.js 22.12+ 构建前端。

git clone https://github.com/zed123214/kitagent.git
cd kitagent
uv sync --frozen --extra web
cp .env.example .env

编辑 .env，填写模型服务配置：

ANTHROPIC_API_KEY=your-api-key
AGENTRT_LLM_DEFAULT_MODEL=claude-sonnet-4-6

cd frontend
npm ci
npm run build
cd ..

在项目根目录打开两个终端。

终端一 · Core

uv run --frozen --extra web agentrt-core

终端二 · Web 网关

uv run --frozen --extra web agentrt-web

打开网关输出的启动链接（http://localhost:8765/#bootstrap=…），新建会话，即可提交第一条任务。默认使用 Loop + Local，工具在 Core 的工作目录中执行。

Core 启动后，在另一个终端使用 CLI 或 TUI：

# 检查连接
uv run --frozen --extra web agentrt ping

# 提交任务
uv run --frozen --extra web agentrt run --goal "阅读项目结构，整理主要模块及其职责"

# 打开终端交互界面
uv run --frozen --extra web agentrt-tui

运行模型 → 工具 → 模型的离线示例：

uv run --frozen --extra graph python examples/graph_offline_demo.py

体验 Core 重启后续接任务、复用已完成的工具结果：

uv run --frozen --extra graph-sqlite python examples/durable_recovery_demo.py

浏览器离线演示见工作台说明。

欢迎通过 Issues 分享使用场景、反馈问题，或提交 Pull Request。开发环境与检查命令见 CONTRIBUTING.md。

MIT