Token 经济与声誉

Rnix 实现了 token 经济体系，包含预算池、合约 SLA、智能体声誉评分和 Skill 协同涌现，用于优化多智能体资源分配。

Token 预算池

每个 Compose 工作流被分配一个总 token 预算池。智能体从这个共享池中请求分配额度。

配置

yaml

# compose.yaml
version: "1.0"
intent: "Code review workflow"
budget_pool:
  total: 50000        # 整个工作流的总 token 数
  allocation: priority # priority | equal | proportional

agents:
  analyzer:
    intent: "Analyze code quality"
    agent: "code-analyst"
    budget: 20000      # 智能体级别的预算（从池中分配）
    priority: high     # 影响竞争时的分配
  doc-gen:
    intent: "Generate docs"
    budget: 15000
    priority: normal

分配策略

策略	行为
`priority`	高优先级和关键路径上的智能体获得更多 token；低优先级任务排队或降级
`equal`	所有智能体均分
`proportional`	基于历史消耗模式分配

当多个智能体竞争有限预算时，价格信号机制调度分配——关键路径智能体优先，非关键任务等待。

预算强制执行

Rnix 实施两套独立的预算机制：

累计预算（max_tokens）— 进程生命周期内的总 token 消耗：

每次 LLM 调用：
  proc.TokensUsed += response.TokensUsed

  if max_tokens > 0 && TokensUsed >= max_tokens:
    selfSuspend(ExitStatus{Code: 2, Reason: "budget_exhausted"})

单步上下文守卫（context_budget）— 单次调用的输入 token 上限：

每次 LLM 调用：
  if context_budget > 0 && response.InputTokens >= context_budget:
    selfSuspend(ExitStatus{Code: 3, Reason: "context_full"})

两种触发都会使进程自暂停（非终止），意味着可以通过 rnix resume 恢复。若未显式设置 context_budget，则自动推导为 context_window × 0.9。

退出码：0 = 正常，1 = 错误，2 = 已暂停（预算/循环/轮次），3 = 上下文满。

Token 计量与自动截断

Rnix 对工具结果实施每设备的 token 限制，防止单次工具调用消耗过多的上下文窗口容量。

每设备默认限制：

设备	MaxResultTokens	理由
`/dev/fs`（文件系统）	25,000	大文件读取
`/dev/shell`（Shell）	30,000	详细的命令输出
MCP 工具	25,000	外部服务器结果
`/dev/lsp`（LSP）	100,000	复杂的代码智能结果
`/dev/web`（Web）	100,000	网页内容
`/dev/memory`（记忆）	1,000–4,000	召回结果
`/dev/intent`（意图）	4,096–8,192	计划分解
`/dev/skills`（技能）	1,000	技能发现

当工具结果超过其 MaxResultTokens 限制时，Rnix 使用二分搜索算法截断内容（正确处理混合 ASCII 和 CJK 文本），并附加截断标记。

Token 估算使用双模式算法：ASCII 文本约 3.5 字符/token，CJK/非 ASCII 约 1.5 字符/token。

上下文压缩作为 token 计量的第二道防线。当总上下文使用率达到可配置阈值（默认 token 和消息槽均为 80%）时，Rnix 会自动压缩对话历史。详见上下文压缩。

合约 SLA

智能体通过显式合约协作，定义质量期望：

合约字段

字段	说明
`input_format`	预期输入结构
`output_quality`	质量标准（模式匹配或 LLM 评估）
`max_tokens`	最大 token 消耗量
`timeout`	最大执行时间
`sla_level`	bronze / silver / gold

SLA 评估

合约执行完成后，系统自动评估：

输出质量 — 结果是否满足定义的标准？
Token 效率 — Token 预算是否被有效利用？
响应时间 — 执行是否在超时范围内完成？

评估结果反馈到声誉系统。

智能体声誉系统

每个 Agent 模板基于历史表现累积声誉分数：

bash

$ rnix reputation code-analyst
Agent: code-analyst
  Executions:    47
  Success rate:  93.6%
  Avg tokens:    2,340
  SLA met:       89.4%
  Reputation:    ★★★★☆ (4.2/5.0)

$ rnix reputation            # 按声誉列出所有智能体

声誉指标

指标	权重	说明
成功率	40%	无错误完成任务的百分比
Token 效率	25%	平均 token 使用量与预算利用率
SLA 达标率	25%	满足合约 SLA 的百分比
速度	10%	平均执行时间与超时的比值

自动选择

当 Reconciler 或 Compose 引擎需要选择 Agent 模板时（例如用于意图分解），会优先选择高声誉模板——这是一种自然选择机制，表现更好的智能体会被更多使用。

Skill 协同涌现

当某些 Skill 被同时加载时，它们可以产生超越各自功能的涌现能力。

声明协同

yaml

# skills/security-scan/SKILL.md frontmatter
---
name: security-scan
description: "Scan for security vulnerabilities"
allowed-tools: /dev/fs /dev/shell
synergy:
  - with: code-analysis
    instruction: |
      With both security-scan and code-analysis active, you can:
      - Correlate code quality issues with security implications
      - Identify security anti-patterns in code structure
      - Generate security-annotated code review reports
---

自动检测

当智能体同时加载 security-scan 和 code-analysis 时，Rnix 自动：

检测声明的协同关系
将协同指令追加到系统提示词
在协同矩阵中记录该组合的表现

协同矩阵

bash

$ rnix synergy list
Known effective Skill combinations:
  security-scan + code-analysis     → +23% quality  (47 observations)
  code-analysis + dependency-check  → +15% coverage (32 observations)

协同矩阵追踪哪些 Skill 组合在历史上产生了显著优于单个 Skill 的效果，数据基于声誉系统。

协同 → 干细胞匹配反馈

协同数据反馈到干细胞分化系统。当 Stem Agent 为新意图匹配技能时，匹配结果使用协同分数重新排序：

基础匹配 — StemMatcher 按关键词与意图的重叠度评分
协同提升 — 有成功协同记录的技能组合获得优先权
声誉加权 — 单个技能的声誉分数进一步调整排名
ε-探索 — 小概率尝试未经验证的组合，防止收敛到局部最优

这形成了完整的反馈闭环：更好的技能组合 → 更高的声誉 → 未来匹配中被优先选择 → 更多数据 → 更精准的协同分数。

Token 经济与声誉 ​

Token 预算池 ​

配置 ​

分配策略 ​

预算强制执行 ​

Token 计量与自动截断 ​

合约 SLA ​

合约字段 ​

SLA 评估 ​

智能体声誉系统 ​

声誉指标 ​

自动选择 ​

Skill 协同涌现 ​

声明协同 ​

自动检测 ​

协同矩阵 ​

协同 → 干细胞匹配反馈 ​

相关文档 ​