AgentCore 架构
AgentCore 是 MemoryAgent（VTuber 链路）和 /memory/chat（HTTP 端点）的共享核心，统一管理以下逻辑：
- 统一流式 Tool Calling（
chat_llm原生驱动，无独立 tool model） - Vision summary（
VisionSummarizer，vision_llm驱动） - Prompt 拼装（
PromptBuilder+UserPromptBlock） - Memory / Diary context 注入
- 流式对话生成与历史存储（
ConversationStorage）
两端的差异只在输出处理和历史存储实现，通过 ConversationStorage Protocol 抽象插拔。
架构概览
调用方
├── MemoryAgent # VTuber 链路，流式 → TTS / Live2D
└── /memory/chat 端点 # HTTP 端点，收集完成 → JSON
↓ run_turn()
┌─────────────────────────────────────────────────────┐
│ AgentCore │
│ │
│ vision 预处理 ──────────────────────────┐ │
│ prompt 拼装（memory / diary / vision） │ │
│ ↓ │
│ ┌──────────────────────────────────────────────┐ │
│ │ chat_llm.stream_with_tools(tools=schema) │ │
│ │ │ │
│ │ loop (max 6 rounds): │ │
│ │ text delta → yield str token │ │
│ │ tool_call → yield [🔧 name] │ │
│ │ → execute via ToolManager │ │
│ │ → append tool result │ │
│ │ → continue stream │ │
│ │ stop → break │ │
│ └──────────────────────────────────────────────┘ │
│ │
│ ConversationStorage.append_turn() │
│ HookManager.after_turn() │
└─────────────────────────────────────────────────────┘统一流式 Tool Calling
PR #295 / #296 移除了独立的 tool_model，将工具调用与对话生成合并到单个 chat_llm 中。
核心设计
OpenAI streaming API 中，一个 response 的 delta 要么携带 content（文本 token），要么携带 tool_calls（工具调用片段），二者互斥。finish_reason 区分两种终态：
stop— 模型正常结束，没有工具调用tool_calls— 模型请求调用工具，需要执行后继续
AgentCore.run_turn() 实现了多轮循环来处理这个协议：
python
for round in range(max_rounds): # 最多 6 轮
async for chunk in chat_llm.stream_with_tools(messages, tools=schema):
if delta.content:
yield delta.content # 文本立刻流出
if delta.tool_calls:
accumulate(tool_calls_buf) # 收集工具调用片段
if finish_reason == "tool_calls":
for tc in tool_calls:
yield f"[🔧 {tc.name}]\n" # 用户立刻看到工具状态
results = await gather(*execute_tools(...))
messages += tool_results
# 继续下一轮，让模型基于结果继续生成
else:
break工具状态标签
每次 tool call 执行前，run_turn() 会 yield 一个 [🔧 tool_name] 标签，使用户在工具执行期间（而非执行完成后）立刻看到反馈。
- VTuber（MemoryAgent）：TTS pipeline 过滤该标签，不读出；前端可用于显示工具调用动画
- AIChat（/memory/chat）：混入完整回复，前端可选择渲染为灰色状态行或忽略
移除的组件
| 移除 | 替代 |
|---|---|
AgentToolLoop | chat_llm.stream_with_tools() |
AgentToolLoopRunner | AgentCore.run_turn() 内置循环 |
tool_completion() | 删除，无替代 |
tool_model 配置 | 无，统一使用 chat_model |
tool_system_prompt | 无，工具 schema 直接通过 API tools= 参数传入 |
ConversationStorage
ConversationStorage 是 AgentCore 与历史存储之间的 Protocol，使两个调用方复用同一套 run_turn() 逻辑。
ConversationStorage (Protocol)
├── load() → list[OpenAIMessage] # 读取对话历史
└── append_turn(user_block, response) # 写回一轮对话
实现：
├── MemoryStoreAdapter ← MemoryAgent / VTuber 使用
│ 内部：MemoryStore（内存列表 + 磁盘持久化）
└── ConversationStoreAdapter ← /memory/chat 使用
内部：ConversationStore（按日期 JSON 文件）AgentCore 初始化参数
| 参数 | 说明 |
|---|---|
chat_llm | 用于对话生成和工具调用的 LLM 实例 |
vision_llm | 可选，用于图片摘要的视觉模型 |
tool_manager | 可选，工具注册表；为 None 时禁用工具调用 |
agent_context | 工具执行上下文（workspace_root 等） |
context_injector | Profile 中的 context 注入配置 |
storage | ConversationStorage 实现 |
chat_system_prompt | 完整系统提示词（含 persona / format / skills / tools） |
enable_tool | 是否启用工具调用 |
chat_supports_vision | chat_llm 是否原生支持图片输入 |
调用方对比
| MemoryAgent | /memory/chat | |
|---|---|---|
| Storage | MemoryStoreAdapter | ConversationStoreAdapter |
| Profile | memory_agent_profile（baoqiao.toml） | memory_chat_profile（congyin.toml） |
write_back | False（由 MemoryAgent 统一写回） | True |
| 输出方式 | token 流 → 断句 → TTS / Live2D | token 流收集完 → JSONResponse |
| tool 标签 | TTS 过滤，不读出 | 混入回复，前端处理 |
两条链路共用同一套 AgentCore 逻辑，差异完全由 Profile 封装。[plugins.memory] agent_id 决定记忆的读写归属——baoqiao 读写 baoqiao 的记忆，congyin 读写 congyin 的记忆，两者共存于同一个 Neo4j 图中，互不干扰。