beviah/agentic-projects

# Agentic AI 编排项目 本仓库展示了使用一种实验性 Agentic 软件工程框架生成的项目，该框架专为长周期自主开发而设计。该框架通过结构化的认知 pipeline（包括任务分类、策略选择、迭代批判-优化循环、反模式检测、跨会话学习以及带有质量关卡的自主代码执行）来编排 LLM，使其能够在数百次推理迭代中，从规范到架构、代码合成、验证以及规范-代码对账的过程中不断推进，同时保持连贯的多文件系统。本仓库中的示例项目主要目的并非作为研究贡献本身，而是作为该框架自主原型化跨越多种 AI 范式的复杂系统能力的演示；例如，一个集成了知识图谱、可微逻辑、概念瓶颈模型和混合量子-经典方法的量子神经符号机器学习框架。Agentic AI 已经在奇特的量子神经符号边缘领域有效运作——因此在标准 ML 和软件问题上，它的表现应该只会更强。开发过程遵循人机协同工作流，使用 Claude Sonnet 进行实现，并使用 Claude Opus 进行架构审查。据作者所知，Devin 是最接近的可比生产系统，尽管该框架在认知编排和持久学习方面采取了不同的架构方法。该框架本身是专有的，不包含在此版本中。 # 项目 ## [量子神经符号 AI](quantum-neuro-symbolic-ai/) **初始提示：** ``` Explore these: Neuro-Symbolic AI: Combining neural networks with symbolic reasoning; differentiable logic programming; knowledge-guided neural architectures; concept bottleneck models Quantum Machine Learning (QML): Hybrid quantum-classical models; quantum kernel methods; variational quantum circuits; quantum advantage claims Then explore if this can be done: Quantum neuro-symbolic AI — quantum circuits implementing differentiable logic on KG structures ``` 整个项目在 7 个会话中完成，计算时间约 150 分钟，跨越 250 次 agent 迭代。

标签：AI 智能体, Claude Opus, Claude Sonnet, Dev 替代方案, 人在回路, 代码自动生成, 代码验证, 任务分类, 原型开发, 反模式检测, 可微分逻辑编程, 多文件系统维护, 大语言模型编排, 实验性框架, 批判-修正循环, 概念瓶颈模型, 混合量子-经典计算, 生成式 AI, 神经符号 AI, 策略选择, 自主软件开发, 自动化安全运营, 自动架构设计, 规格协调, 认知架构, 认知流水线, 质量门控, 跨会话学习, 软件工程框架, 逆向工具, 量子机器学习, 长期规划