Reactor

让世界的变化进入你的工作流

一个面向全网研究与复杂数据分析的云端智能体，能在公开网络、YouTube、BiliBili、X、小红书、Hacker News上研究任何主题

· 项目定位 · 落地案例 · 核心亮点 · 系统架构 · 快速开始 · GitHub

工作台主页

多 Agent 协作

前端界面

• 全域采集：调度多个智能体并行采集网页信息、Reddit 社区讨论、X 平台动态、YouTube 字幕内容、小红书互动数据，以及由真实资金与内幕信息定价的 Polymarket 预测赔率。
• 私有文档证据链：通过多模态 RAG 解析用户私有的 PDF、Word、PPT 与图片，把公域情报与内部知识放进同一条证据链。
• 长期记忆：沉淀偏好、关键事实与可复用流程，让下一次任务不必从头开始。
• 分析与交付：结合 E2B 沙箱的代码执行能力与专属数据分析 Agent，完成数据清洗、交叉验证与深度分析，最终以 GenUI 交互画布和 PDF、Word、PPT、HTML 等多格式报告自动交付。

打破平台信息孤岛

当前主流搜索引擎与大模型均存在天然的信息边界，各大平台各自形成封闭的信息围墙，拥有独立的接口体系、鉴权机制与数据生态，没有任何一款 AI 产品能原生覆盖全部渠道：

产品	信息边界
谷歌搜索	无法穿透 Reddit 评论与 X 平台原生内容
ChatGPT	仅接入 Reddit 生态，缺失 X、TikTok 等平台数据
Gemini	可访问 YouTube 资源，却无法获取 Reddit 社区内容
Claude	原生不支持上述任一平台的实时检索
Grok	原生深度打通 X 平台实时数据，却无法原生覆盖 Reddit 等更多平台生态

而 Reactor 支持导入用户自定义密钥与浏览器会话凭证，打通全部平台数据源。它不止于跨平台全域检索，更能对多源信息进行交叉权重评分，过滤噪音与重复信息，精准提炼真正有价值的核心情报。

为何存在

Reactor 最初诞生于程序员群体的信息焦虑：在技术迭代日新月异的当下，Reddit、X 平台的极客社区始终站在行业最前沿，第一时间涌现最新的技术实践、工具拆解与方向讨论。但各大平台彼此割裂、各自形成封闭的围墙花园，零散的一手经验与技术动态散落在一座座信息孤岛上，没有单一入口可以高效聚合全域信息，我们很难及时、完整地捕捉全社区的原生技术情报，同步跟进最前沿的技术方向。

从解决自身的技术信息痛点出发，Reactor 逐步进化为一款通用全域情报工具，覆盖更多高价值决策场景：

1. 行业会议前
   一键梳理发言嘉宾的近期观点、公开言论与项目动态，一键聚合目标人物全平台真实动态：

   Peter Steinberger加入OpenAI Codex团队、推动对抗Anthropic第三方智能体禁令、GitHub累计合并23个PR（合并率85%）、主导研发跨设备智能体控制系统LobsterOS。同时覆盖ClaudeCode社区热议：“自OpenClaw发布以来，业内都清楚绕开API运行迟早会被封禁”（获227赞）。

2. 出行规划前
   掌握目的地设施的实时运营状态与真实用户体验：

   鼓浪屿内厝澳老别墅片区修缮工程已启动但未对外公示、植物园南门网红扶梯扩容施工已进场、环岛路黄厝滨海观景台升级项目已获批暂未官宣；核心点位高峰平均排队时长（最美转角 72 分钟、雨林喷雾区 48 分钟）、钟鼓索道日落场一票难求引发本地游客不满、海上世界潮汐之眼摩天轮与海洋王国停业维护暂无明确复业时间。

3. 工具客观横向评测
   跳出过时博客的主观评价，实时拉取GitHub官方接口数据：

   OpenClaw为执行层（35.1万Star，活跃运营）、Hermes为自优化大脑层（3.1万Star）、Paperclip为组织架构层（4.9万Star）——三者并非竞品，而是分层关系。输出并排对比表格，覆盖架构设计、内存机制、安全特性、适用场景等维度，同时收录社区高赞观点：@IMJustinBrooke评价“OpenClaw是小火龙，Hermes是喷火龙”。

4. 话题爆发前
   在话题达到顶峰前找到它。扫描 Reddit 分类列表、Hacker News 首页/热门故事、Digg 的 AI 1000 资讯流以及 X 平台，由智能体完成提名筛选并给出可开写的切入点：

   对提名内容做名称校验、垃圾信息过滤与内容价值判断，并撰写小红书/ X 平台文章的切入点。随后输出 5–10 个按热度排序的话题；每个结果都包含跨平台数据、热度标签，以及可直接执行的内容切入点。

当你和一位 企业CEO 对坐会谈时，你是否读完了他近 30 天的所有公开推文、播客实录与社区讨论？
Reactor 已经帮你读完了。

信息来源

信息渠道	你能拿到什么
Reddit	高赞热门评论与公开社区讨论；支持 RSS 无密钥接入，提供谷歌搜索触达不到的真实用户观点与社区声量
Twitter	行业一线观点、专业讨论与突发动态；第一时间捕捉社区最即时的反应、争议与风向变化
YouTube	长视频深度解析与评论；基于完整字幕稿提炼核心观点与关键引用
Hacker News	全球开发者技术共识；基于积分与评论热度筛选核心议题，呈现真正的讨论焦点与技术判断
RSS	全球媒体与垂直站点公开订阅源，实时同步内容更新
Bilibili	中文视频社区的观点、字幕与反馈，捕捉本土用户真实体验与讨论风向
小红书	公开笔记与互动数据：种草测评、体验反馈与口碑讨论，捕捉本土消费风向与产品真实评价
雪球	投资社区深度讨论，实时反映市场情绪与上市公司基本面，呈现真金白银的市场判断
V2EX	国内开发者、创业者与技术从业者的一手交流：实战经验、行业观察与真实痛点
GitHub	开源全链路动态：Issue、PR、版本发布与开发者活跃度，还原技术演进的真实进度
LinkedIn	职场公开信息与企业官方动态：职业资料、人事变动与经营动作，捕捉企业发展的关键信号
Telegram	公开频道实时更新、官方公告与前沿社区讨论，跟进快速迭代的小众圈子与项目动态
Stack Exchange	专业问答社区的专家解答与高票方案，沉淀高频技术问题的成熟解法与实践经验

落地案例展示

使用模型：gpt5.6-luna-high

一、全网研究

1. 社媒内容调研

账号拆解、爆款内容分析、数据复盘和评论区观察。
查看小红书策略研究报告

2. 热点舆论事件分析

结合推特、YouTube、Reddit、BiliBili、小红书、微博等多方信源交叉核实、事实分档（有证据 / 单方说法 / 谣言）、时间线还原、舆论情绪分析。
查看火海中的49秒的报告

3. 竞品研究

功能拆解、用户口碑采集和多维度竞品对比。
查看笔记软件竞品分析报告

4. 自媒体平台内容聚合

收集多个平台的旅游攻略，整理旅游路线和踩坑点。
查看厦门旅游规划

二、数据分析

1. 结构化数据分析

Text2SQL 智能取数 → CodeAct 数据分析 Agent → Canvas 画布展示。
查看大模型调用数据分析报告

2. 量化实证研究

数据获取、清洗、分区域对比、统计检验和可视化。

3. 投研分析（金融情报调研）

财报解读、行业格局梳理、竞品对标、多源信息综合。
查看特斯拉投研报告

4. 量化回测

策略建模 → 历史数据回测 → 参数敏感性分析 → 风险指标计算。
查看双均线择时策略回测报告

三、设计与创意

四、功能展示

1. GenUI 交互式界面

2. Human In The Loop

3. 深度研究 / Agentic RAG

4. Text2SQL 智能问数界面

项目核心抽象

flowchart LR
    Observe["Observe<br/>感知变化"] --> Evidence["Evidence<br/>证据与来源"]
    Evidence --> Analyze["Analyze<br/>形成判断"]
    Analyze --> Compose["Compose<br/>交付产物"]
    Compose --> Remember["Remember<br/>记忆沉淀"]
    Remember --> Observe

1. 感知变化：从公开互联网、用户授权的社交来源、私有知识库和业务数据库里收集一手材料，把正在发生的变化收进同一次研究。
2. 形成判断：经交叉核验、知识库问答、NL2SQL 问数和沙箱代码执行，把原始材料变成带出处的证据和可复查的分析结果。
3. 交付产物：把结论交成 GenUI 画布、图表、3D 场景或 PDF / Word / PPT / HTML，来源和执行记录跟着产物一起留下。
4. 记忆沉淀：把用户偏好、重要事实、可复用流程沉淀为长期记忆，让下一次任务从已有积累继续，而不是从头开始。

核心亮点

1. Observe：深度研究、NL2SQL 与 RAG

Reactor 将“搜索”视为一个可以继续执行的研究过程，而不是一次关键词查询。

• DeepResearch公域信息检索：查询拆解、多轮 extend/search/report 阶段、并发检索、正文抓取、去重、摘要和 SSE 流式进度，支持 DuckDuckGo、Exa、Tavily、Brave、Grok/OpenAI-compatible 等搜索引擎。
• 私域媒体检索：接入 RSS、GitHub、Reddit、Hacker News、Stack Exchange、V2EX、Twitter、Telegram、YouTube、B站、小红书、微博、雪球等授权或公开渠道，补齐搜索引擎拿不到的社区原生内容。
• 可溯源多模态RAG：把私有 PDF、Word、PPT、Markdown、文本、图片和网页建成知识库，作为公网检索的补充。入库时解析、OCR、caption、切分，并写入文本向量、图片向量和 BM25；提问时先做查询规划与改写，再并发走语义、关键词、图文和页面召回，经 rerank 后带着原文片段生成回答。检索轮次、命中片段和来源可追溯，支持多轮补证。
• NL2SQL：用自然语言直接问业务数据库。Table RAG 先召回相关表结构与列值样例（Qdrant schema + Elasticsearch 列值），再经 query 改写、列过滤和推理生成 SQL 并执行，支持结果预览与流式思考过程。

2. Analyze：数据、代码与安全执行

• CodeAct 数据分析 Agent：按「生成代码 → 执行 → 观察结果 → 修正计划」循环完成清洗、统计、计算和可视化。
• 非结构化数据分析：把检索到的网页、文档等公开内容送进 E2B 隔离沙箱，用 Python 做抽取、清洗、统计和可视化。

3. Compose：GenUI、画布与文档产物

• GenUI：模型生成受控的 UI Tree，使用增量 JSON Patch 演进画布状态，并由 React 按白名单组件渲染。
• 可视化组件：图表、表格、卡片、流程、时间线、表单、HTML、图片、视频和交互式内容。
• 3D 展示：内置 Three.js 场景和 Model3D 组件，可展示参数化几何、GLB/GLTF 模型和可交互的 3D 结果。
• 文档生成：支持 PDF、DOCX、PPTX、HTML、Markdown、Excel 和图表等产物。
• 支持主题模板导入：PDF/Word/PPT/HTML 渲染器共享命名主题和自定义主题配置。Agent 只负责输出内容 JSON，让 Renderer 根据预配置主题负责字体、颜色、布局和格式转换。
• 画布发布：可将 HTML、PDF、Word、PPT等产物发布，用户可预览、下载。

4. Remember：长期记忆

跨会话积累拆成三类可调用能力，而不是把全部历史塞进 prompt。

• 语义记忆：把用户偏好、稳定事实和策展笔记写入长期记忆（user / curated），后续每一轮自动注入；任务进度和一次性结果不进记忆。
• 情景记忆：按需检索历史会话。支持跨会话发现、会话内搜索、锚定滚动和最近会话浏览，从工作记忆投影中找回压缩前的对话细节。
• 程序性记忆沉淀：可复用流程写入 runtime/skills/<name>/SKILL.md，而不是写进 memory。Agent 用 skill_tool 按需加载手册，用 workspace_* 创建或修补 skill，或通过 Skill Creator 把一类任务沉淀成可重复执行的程序性记忆。

5. Tool：工具、Skill 与 MCP

工具不是一次性全塞进模型上下文，而是按需发现、按层扩展。

• ToolSearch：MCP 工具默认延迟加载，system 里只列工具名。Agent 先用 ToolSearch 按关键词或 select:name 激活完整 schema，再调用对应 MCP 工具，避免工具膨胀挤占上下文。
• 工具生态：
  • 内置工具：检索（deepsearch、web_fetch、web_search、Reddit/X/雪球）、知识库（mragQuery）、问数（table_rag、nl2sql）、代码与分析（code_interpreter、data_analysis、dataprep）、产物（document_generate、slides_generate、chart_generator、image_generation、canvas）、工作区（workspace_*）、记忆（memory、session_search）、协作（Agent、Task / Plan Mode、AskUserQuestion）。
  • Skill Runtime：从 runtime/skills/<skill-name>/ 加载 SKILL.md、参考资料和脚本；支持目录扫描、脚本发现、会话物化、路径防护和超时控制。内置架构图、报告页、学霸笔记、PPT、前端设计等 skill，也可自行安装。
  • MCP：通过 Server Descriptor、Registry 和 Executor 发现外部工具，支持 SSE、STDIO 和 Streamable HTTP
  • 远程工具运行时：reactor-tool 基于 FastAPI 承载搜索、RAG、数据处理、文件服务、文档生成和代码执行等重型能力。

6. 协作与控制 Multi-Agent

Reactor 支持把一个复杂目标拆给多个职责明确的 Agent，并让主 Agent 继续推进。

• 同步子 Agent：默认等待子任务结果，适合需要即时汇总的检索、分析和验证步骤。
• 异步后台 Agent：设置 run_in_background=true 后，长任务在后台运行，主对话可以继续处理其他工作。
• 任务控制：支持查询后台任务结果、停止任务、恢复观察和向运行中的 Agent 注入指导。
• 上下文隔离：子 Agent 可以拥有独立的工具集合、memory scope 和会话工作区，避免无关工具和上下文相互污染。
• 协作通信：父子 Agent 通过 session 级 mailbox 传递消息

7. Human-in-the-loop

Agent 不必在所有步骤上自动做决定。Reactor 在执行链路中提供可恢复的人机协作节点：

生成计划 -> 等待审批 -> 执行任务 -> 遇到不确定性 -> 向用户提问 -> 继续执行

• 计划审批：approve、reject、resume、cancel
• 用户追问：AskUserQuestion、回答、恢复和取消
• 运行控制：停止 Run、断线后 follow、运行中注入新的指导
• 前端恢复：刷新或重新连接后恢复待审批、待回答和后台运行状态

8. 上下文压缩

长任务和长会话会自动进入上下文治理流程：

• 跨轮对话从工作记忆投影 hydrate，保留下一轮 LLM 所需的消息结构。
• 接近上下文预算时执行摘要压缩，保护任务目标、关键早期信息和最近工具结果。
• 支持 LLM 摘要、局部压缩、失败回退和 mid-run 压缩。
• 压缩前可以触发长期记忆 flush，压缩事件和输入输出快照可审计。

赞助商

点击折叠

	AnySearch 是面向 AI Agent 的搜索基础设施，支持通用网络、垂直领域、并行批量搜索与整页内容提取，可通过 Skill 或 CLI 接入多种智能体平台，帮助 Agent 高效获取网页信息。
	Adversal 是面向 AI Agent 的视频智能基础设施，提供异步长视频分析 MCP 服务，可将本地视频或公开链接处理为 Markdown 笔记与关键帧，接入 Claude Code、OpenCode、Cursor 等智能体工作流。

系统架构

异构多服务

Reactor 把实时 Agent 编排和重型工具执行拆开：Java 负责运行时、策略、会话、HITL 和执行账本；Python 负责搜索、RAG、数据处理、文档生成和代码沙箱；React 负责流式工作台、产物预览和 GenUI 渲染。三者通过 HTTP、SSE、MCP 和文件服务协作。

flowchart LR
    User["用户"] --> UI["React UI<br/>SSE / History Replay"]
    UI --> Trigger["Trigger<br/>HTTP / SSE / File"]
    Trigger --> Case["Case<br/>Dispatch / Run Control"]
    Case --> Domain["Domain Runtime<br/>ReAct / Plan-Solve"]
    Domain --> Ports["Domain Ports"]
    Ports --> Infra["Infrastructure<br/>DAO / Remote / Artifact"]

    Domain --> LLM["LLM<br/>Spring AI / OpenAI-compatible"]
    Domain --> MCP["MCP<br/>SSE / STDIO / HTTP"]
    Domain --> Tools["reactor-tool<br/>FastAPI Tool Runtime"]

    Infra --> Ledger[("MySQL<br/>Execution Ledger")]
    Infra --> Files[("Artifact / File Store")]
    Tools --> Files
    Tools --> Vector[("Qdrant / Elasticsearch<br/>optional")]

    Trigger -->|stream events| UI

服务职责

服务 / 层	主要职责	典型能力
React Workbench	实时交互与结果呈现	SSE、对话、计划、后台任务、文件预览、GenUI、3D
Java Agent Runtime	Agent 生命周期和任务编排	ReAct、Plan-Solve、Memory、HITL、Ledger
Python Tool Runtime	重型工具和数据计算	DeepSearch、MRAG、NL2SQL、CodeAct、文档生成
E2B / Sandbox	代码执行隔离边界	持久 kernel、工作区同步、超时、权限和产物采集
MySQL / Artifact Store	执行事实与文件引用	Run、LLM、Tool、Artifact、结构化工具输出
Qdrant / Elasticsearch	可选检索基础设施	向量召回、表结构检索、列值召回和重排序

快速开始

环境要求

• JDK 21
• Maven 3.8+
• Node.js 18+ 与 pnpm
• Python 3.11+ 与 uv
• MySQL 8
• 一个 OpenAI-compatible LLM API
• Qdrant、Elasticsearch、图像模型、搜索服务和 E2B 沙箱均为可选能力

1. 获取代码

git clone https://github.com/OWWZO/ai-agent.git
cd ai-agent

2. 初始化数据库

创建与开发配置一致的数据库，并导入以下脚本。也可以使用自定义数据库名，但需要同步修改 application-dev.yml 中的连接地址。

mysql -u root -p -e "CREATE DATABASE IF NOT EXISTS \`ai-agent-station\` CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci"
mysql -u root -p ai-agent-station < Reactor-agent-app/src/main/resources/db/schema.sql
mysql -u root -p ai-agent-station < Reactor-agent-app/src/main/resources/db/data.sql

3. 启动 Python Tool Runtime

reactor-tool 默认监听 1601 端口，负责远程工具、文件服务和部分 RAG 能力。

cd reactor-tool
uv sync
cp .env_template .env
# 编辑 .env，至少配置 OPENAI_API_KEY 与 OPENAI_BASE_URL

# 首次启动初始化文件服务 SQLite 元数据（只需执行一次）
# 默认创建 reactor-tool/autobots.db，并建立 FileInfo 表
uv run python -m reactor_tool.db.db_engine

./start.sh

Windows PowerShell：

cd reactor-tool
uv sync
Copy-Item .env_template .env
# 编辑 .env 后执行
# 首次启动初始化文件服务 SQLite 元数据（只需执行一次）
# 默认创建 reactor-tool\autobots.db，并建立 FileInfo 表
uv run python -m reactor_tool.db.db_engine
.\start.ps1

SQLITE_DB_PATH 控制文件服务元数据库位置。默认值为 autobots.db，相对路径相对于 reactor-tool 目录。该初始化命令使用 SQLModel 的 FileInfo 元数据幂等建表；修改路径后，请先在当前终端设置同名环境变量再执行命令。MRAG 使用的 SQLITE_PATH 由对应 Store 在首次使用时自动创建表。

4. 启动 Java Backend

在新的终端回到仓库根目录：

mvn -pl Reactor-agent-app -am package '-Dmaven.test.skip=true'
java -jar Reactor-agent-app/target/Reactor-agent-app.jar

Backend 默认监听 http://127.0.0.1:8100。健康检查：

curl http://127.0.0.1:8100/web/health

5. 启动 React 工作台

cd ui
pnpm install
pnpm dev

打开 http://localhost:3000。本地开发环境通过 ui/.env 中的 SERVICE_BASE_URL 连接 Java Backend。

Docker Compose 部署

仓库根目录的 Dockerfile 与 docker-compose.yml 是当前唯一的容器部署入口，包含 MySQL、Java Backend、reactor-tool API/sandbox 进程和 Nginx 前端反代。

cp reactor-tool/.env_template reactor-tool/.env
# 编辑 reactor-tool/.env，至少填写 MySQL 密码、OPENAI_BASE_URL 和 OPENAI_API_KEY

docker compose --env-file reactor-tool/.env build

# 首次创建 reactor-data 卷后初始化文件服务 SQLite 元数据
# Compose 会将 SQLITE_DB_PATH 设置为 /data/autobots.db，并写入持久化卷
docker compose --env-file reactor-tool/.env run --rm --no-deps --entrypoint python reactor-tool -m reactor_tool.db.db_engine

docker compose --env-file reactor-tool/.env up -d

启动后访问 http://localhost:3000，探活接口为 http://localhost:3000/web/health。也可以从 Reactor-agent-app 目录执行 ./build.sh 构建全部镜像。

Java 生产配置模板是 application-prod.yml，以静态配置为主，已清除真实密钥和密码；部署者需要按实际环境填写空缺凭证和地址。MySQL 初始化脚本只会在首次创建 mysql-data 卷时执行；修改 schema.sql 或 data.sql 后需要按实际情况迁移已有数据库。

Compose 部署时，WORKSPACE_ROOT 应保持为 /data/skilloutput，Backend 与 reactor-tool 会通过 reactor-data 卷共享会话工作区和文件产物。

reactor-data 卷保存 Python 文件服务的 autobots.db、MRAG SQLite 元数据和文件产物。

给 Coding Agent 的部署 Prompt

你是本仓库的部署代理。请先阅读 README.md、CLAUDE.md 以及相关模块说明，默认使用源码部署，不要默认使用 Docker Compose；只有用户明确要求容器部署时才切换到 Docker。开始前检查 JDK 21、Maven 3.8+、MySQL 8、Python 3.11+、uv、Node.js 18+ 和 pnpm，检查 Git 工作区并保留用户已有改动，禁止 reset、checkout 或覆盖未提交文件。按照 README 的顺序配置并启动 MySQL、reactor-tool、Reactor-agent-app 和 ui：没有 reactor-tool/.env 时从 reactor-tool/.env_template 创建，但不要覆盖已有 .env；首次启动执行 `uv run python -m reactor_tool.db.db_engine` 初始化 autobots.db；创建或确认 MySQL 数据库后导入 db/schema.sql 和 db/data.sql；使用 application-prod.yml 作为无真实凭证的部署配置，保留源码部署所需的 127.0.0.1 服务地址，不要把 application-dev.yml 中的真实密钥复制到生产配置。只使用用户明确提供的 LLM、搜索、E2B、Qdrant、ES、OCR、对象存储和登录态凭证，绝不能猜测、生成或输出这些凭证；如果缺少 MySQL 密码、LLM_BASE_URL/OPENAI_BASE_URL、OPENAI_API_KEY、模型名或其他必需配置，停止启动并列出变量名、用途和示例格式。先启动 reactor-tool，再用 `mvn -pl Reactor-agent-app -am package '-Dmaven.test.skip=true'` 构建并启动 Java Backend，最后在 ui 执行 `pnpm install` 和 `pnpm dev`。启动后检查 reactor-tool、`http://127.0.0.1:8100/web/health` 和 `http://localhost:3000`，失败时读取日志并修复配置后重试。只有健康检查通过、SQLite 初始化完成且没有把敏感信息写入 README、日志或 Git 跟踪文件时，才报告部署成功；最后列出实际执行命令、访问地址、数据库和 SQLite 文件位置、仍未配置的可选能力以及需要用户后续处理的事项。不要修改业务代码或删除数据，除非用户明确授权。