跳转至

01: 自我改进的调试器

概述

一个 AI 调试智能体从遇到的每个 bug 中学习，构建不断发展的解决方案知识库。每当遇到相同的错误时，OntoMem 会使用 LLM 驱动的合并来整合以前的经验，生成更好的解决方案。

主题

错误学习与整合

策略

LLM.BALANCED 智能合并与整合

关键特性

  • ✅ 多次遭遇同一类型的错误
  • ✅ 基于 LLM 的解决方案智能合并
  • ✅ 跨遭遇学习和综合
  • ✅ 为未来调试会话持久化存储记忆
  • ✅ 调试智慧的渐进式完善

数据结构

DebugLog

error_id: str                      # 唯一错误标识
error_type: str                    # 错误类型
error_message: str                 # 错误消息
stack_trace: str | None            # 堆栈跟踪
solutions: list[str]               # 找到的多个解决方案
attempted_fixes: list[str]         # 尝试过的修复
root_cause: str | None             # 推断的根本原因

使用场景

AI 开发与调试：调试助手学习每个错误，自动整合解决方案，并合成调试智慧，帮助开发者更快地解决问题。

优势： - 自动知识累积 - 跨项目错误模式识别 - 随时间推移合成最佳实践 - 减少解决问题的时间

运行示例

cd examples/
python 01_self_improving_debugger.py

输出

结果存储在 temp/debugger_memory/： - memory.json：包含合并解决方案的整合错误记录 - metadata.json：模式和统计信息

您将学到

  1. 错误整合：如何合并来自多个错误遭遇的信息
  2. LLM 驱动的合并：使用 LLM 智能合成冲突的解决方案
  3. 跨遭遇学习：从多个类似问题构建智慧
  4. 记忆持久化：保存和检索整合知识

相关概念

后续示例