正式名称：
Concern-Oriented Thinking Runtime
简称：
OpenCOAT Runtime
OpenCOAT 中的 COAT 指 Concern-Oriented Agent Thinking，不是 Chain-of-Thought。
OpenCOAT Runtime 的目标是：
以 Concern 为一等运行时单元，
通过 joinpoint / pointcut / advice / weaving 机制，
组织、调制、验证和演化 Host Agent 的思考过程。
一句话定义：
OpenCOAT Runtime 是一个通用的 Concern-first 智能体认知运行时。
它不是交易系统，不是 prompt manager，也不是 skill manager。
交易、编程、研究、教育、机器人、内容创作、金融分析都只是应用场景。
OpenCOAT Runtime 的基础来自 SoC：
Separation of Concerns
但它不是传统软件工程里的 SoC，而是用于智能体思考过程的 SoC。
核心转化是：
程序运行过程中的关注点分离
↓
智能体思考过程中的关注点分离
因此：
OpenCOAT Runtime = SoC for Agent Thinking
它要解决的问题是：
智能体在推理、计划、工具调用、记忆写入、响应生成和反思时，
如何知道当前应该关注什么，
如何避免把所有规则一次性塞进 prompt，
如何让关注点可以持久化、激活、注入、验证和演化。
OpenCOAT Runtime 的一等数据结构是：
Concern
Concern 是：
可持久化
可激活
可注入
可验证
可演化
可关联
可被 Host Agent 动态解释
Concern 既是语义单元，也是运行时单元，也是 DCN 中的节点。
OpenCOAT Runtime 不再使用 Aspect 作为核心术语。
但 AOP 的机制仍然保留。
正确关系是：
Aspect = cross-cutting concern
而 OpenCOAT Runtime 中的 Concern 更大：
Concern ⊃ Aspect
也就是说：
所有 Aspect 都是 Concern。
但不是所有 Concern 都是 Aspect。
OpenCOAT Runtime 中的 Concern 包括：
横切 Concern
非横切 Concern
Meta Concern
例如：
“输出必须避免幻觉” 是横切 Concern。
“当前任务是总结这篇论文” 是非横切 Concern。
“控制 Concern 注入预算” 是 Meta Concern。
OpenCOAT Runtime 层面只识别两种 kind：
concern
meta_concern
不预设：
goal_concern
task_concern
safety_concern
domain_concern
reflection_concern
format_concern
constraint_concern
Concern 的具体语义类型由 Host Agent 使用 LLM 动态生成。
例如：
{
"kind": "concern",
"generated_type": "user_output_preference",
"generated_tags": ["format", "clarity", "concise_response"]
}这里的 generated_type 不是 Runtime 枚举，只是 LLM 生成的语义标签。
完整结构：
Host Agent
↓
Host Adapter
↓
OpenCOAT Runtime
↓
DCN
其中：
Host Agent 控制行动流。
OpenCOAT Runtime 控制关注流。
DCN 保存长期关注结构。
OpenCOAT Runtime
= Concern Model
+ Deep Concern Network
+ Joinpoint Model
+ Pointcut Matcher
+ Advice Generator
+ Concern Weaver
+ Concern Coordinator
+ Concern Resolver
+ Concern Verifier
+ Concern Lifecycle Manager
+ Host Adapter
更简洁：
OpenCOAT Runtime
= Concern-first Runtime
+ AOP-style Thinking Mechanism
+ Deep Concern Network
class Concern:
id: str
# Runtime-level classification
kind: Literal["concern", "meta_concern"]
# LLM-generated semantics
generated_type: str
generated_tags: list[str]
# Basic identity
name: str
description: str
source: dict
# AOP-style runtime mechanism
joinpoint_selectors: list[dict]
pointcut: dict
advice: dict
weaving_policy: dict
# Scope
scope: dict
# DCN relations
relations: list[dict]
# Runtime state
activation_state: dict
lifecycle_state: dict
metrics: dict结构化解释：
Concern
├── identity
├── kind
├── generated_semantics
├── source
├── joinpoint_selectors
├── pointcut
├── advice
├── weaving_policy
├── scope
├── relations
├── activation_state
├── lifecycle_state
└── metrics
Runtime 只允许：
concern
meta_concern
由 Host Agent 使用 LLM 生成。
例如：
user_preference
coding_constraint
research_focus
risk_boundary
output_style
memory_policy
tool_usage_guard
这些都不是固定枚举。
LLM 生成的语义标签。
例如：
["coding", "compatibility", "testing"]或者：
["finance", "risk", "uncertainty"]描述这个 Concern 可以作用在哪些 joinpoint。
例如：
[
{
"level": "lifecycle",
"path": "before_response"
},
{
"level": "span",
"semantic_type": "high_risk_instruction"
},
{
"level": "token",
"match": ["保证", "稳赚", "all in"]
}
]描述激活条件。
{
"match": {
"semantic_intent": "high_risk_decision",
"contains_any": ["重仓", "保证", "稳赚"]
},
"context": {
"risk_level": ">=medium"
}
}Concern 被激活后产生的指导、约束、修正或验证逻辑。
{
"type": "response_requirement",
"content": "回答时必须说明不确定性、风险和失效条件。"
}描述 advice 如何注入。
{
"mode": "verification_rule",
"target": "runtime_prompt.verification_rules",
"max_tokens": 120,
"priority": 0.85
}描述 Concern 的作用范围。
{
"crosscutting": true,
"duration": "long_term",
"joinpoint_coverage": [
"before_reasoning",
"before_tool_call",
"before_response",
"after_response"
]
}普通 Concern 关注：
用户需求
当前任务
长期目标
环境变化
领域知识
输出要求
约束条件
风险边界
偏好
工具使用
记忆写入
Meta Concern 关注 Concern 本身。
它管理：
Concern 是否被正确抽取
Concern 是否重复
Concern 是否冲突
Concern 是否应该激活
Concern 是否应该被注入
Concern 是否被满足
Concern 是否应该合并、衰减、冻结、归档或删除
Concern 是否占用过多 token
DCN 是否需要演化
Meta Concern 不做固定业务枚举，但 Runtime 需要支持这些治理能力：
extraction_control
separation_control
activation_control
conflict_resolution
verification_control
lifecycle_control
budget_control
evolution_control
这些是 Runtime 的治理能力，不是业务类型。
OpenCOAT Runtime 的长期结构是：
DCN = Deep Concern Network
定义：
DCN 是由 Concern 和 Meta Concern 构成的动态关注网络。
结构：
DCN
= Concern Nodes
+ Meta Concern Nodes
+ Concern Relations
+ Activation States
+ Runtime History
+ Feedback History
DCN 的作用：
保存长期 Concern
保存 Concern 之间的关系
记录激活历史
记录验证结果
支持 Concern 的增强、衰减、合并、归档和演化
Concern 之间可以形成关系。
基础关系包括：
activates
suppresses
constrains
verifies
conflicts_with
depends_on
generalizes
specializes
duplicates
derived_from
updates
replaces
supports
例如：
“保持事实准确”
verifies
“生成研究总结”
“控制 token 预算”
constrains
“注入长期用户偏好”
“避免高风险建议”
suppresses
“激进执行建议”
一个 Concern 管理另一个 Concern，称为：
Concern-of-Concern
OpenCOAT Runtime 继续沿用 AOP 的核心运行机制：
joinpoint
pointcut
advice
weaving
但它们作用的对象不再是传统程序，而是：
agent thinking
prompt
context
tool use
memory
response
verification
对应关系：
AOP:
program execution → joinpoint → pointcut → advice → weaving
OpenCOAT:
agent thinking execution → joinpoint → pointcut → advice → weaving
在 OpenCOAT Runtime 中：
joinpoint 是 Host Agent 的思考、提示词、上下文、工具调用、记忆写入、输出生成与验证过程中，
可以被 Concern 观察、匹配、注入或验证的运行点。
joinpoint 可以很粗，也可以很细。
Level 0: Runtime Joinpoint
Level 1: Agent Lifecycle Joinpoint
Level 2: Message Joinpoint
Level 3: Prompt Section Joinpoint
Level 4: Semantic Span Joinpoint
Level 5: Word / Token Joinpoint
Level 6: Structure Field Joinpoint
Level 7: Thought Unit Joinpoint
例如：
runtime_start
runtime_stop
runtime_tick
runtime_error
runtime_recovery
例如：
on_user_input
before_reasoning
after_reasoning
before_planning
after_planning
before_tool_call
after_tool_call
before_response
after_response
on_error
on_feedback
on_heartbeat
例如：
system_message
developer_message
user_message
assistant_message
tool_message
memory_message
retrieved_context
例如：
system_prompt.role_definition
system_prompt.rules
developer_prompt.task_constraints
user_prompt.original_request
runtime_prompt.active_concerns
runtime_prompt.tool_instructions
runtime_prompt.output_format
runtime_prompt.verification_rules
例如：
phrase
sentence
paragraph
claim
instruction
constraint
question
tool_argument_description
code_block
json_field
例如用户输入里的：
必须
不要
保证
稳赚
重仓
all in
ignore previous rules
do not tell the user
这些词或 token 可以直接触发 Concern。
注意：
token-level joinpoint 不等于暴露模型隐藏推理链。
它主要作用于：
输入 prompt
结构化上下文
工具参数
输出草稿
可见响应
验证对象
用于结构化对象：
tool_call.arguments.amount
tool_call.arguments.symbol
memory_write.preference
memory_write.fact
response.json.bias
response.json.risk
code.symbol.function_name
code.symbol.variable_name
这里的 Thought Unit 不是要求暴露隐藏推理链，而是 Host Agent 显式产生的可见中间对象，例如：
plan_step
hypothesis
candidate_answer
decision_option
verification_claim
tool_selection_reason
pointcut 是 Concern 的激活选择规则。
它决定某个 Concern 是否应该在某些 joinpoint 被激活。
OpenCOAT Runtime 的 pointcut 应该支持：
lifecycle matching
message role matching
prompt path matching
keyword matching
regex matching
semantic matching
structure matching
tool argument matching
memory field matching
claim matching
token matching
history matching
confidence matching
risk matching
{
"joinpoints": [
"user_message.span",
"user_message.token",
"before_response"
],
"match": {
"any_keywords": ["稳赚", "重仓", "guaranteed profit", "all in"],
"semantic_intent": "high_risk_decision"
}
}另一个例子：
{
"joinpoints": [
"tool_call.arguments"
],
"match": {
"field": "amount",
"operator": ">",
"value_ref": "risk_budget.max_amount"
}
}advice 是 Concern 被激活后对 Host Agent 产生的运行时指导、约束、修正、保护或验证逻辑。
reasoning_guidance
planning_guidance
decision_guidance
tool_guard
response_requirement
verification_rule
memory_write_guard
reflection_prompt
rewrite_guidance
suppress_instruction
escalation_notice
{
"type": "response_requirement",
"content": "回答必须说明不确定性、风险边界和失效条件。"
}{
"type": "tool_guard",
"content": "如果工具参数 amount 超过风险预算，则阻止工具调用并要求重新规划。"
}{
"type": "verification_rule",
"content": "检查输出是否包含未经来源支持的确定性断言。"
}weaving 是将已激活 Concern 的 advice 注入、绑定或编织到 Host Agent 当前运行上下文中的过程。
prompt-level weaving
span-level weaving
token-level weaving
tool-level weaving
memory-level weaving
output-level weaving
verification-level weaving
reflection-level weaving
insert
replace
suppress
annotate
warn
verify
rewrite
defer
escalate
block
compress
{
"target": "runtime_prompt.verification_rules",
"operation": "insert",
"content": "检查回答是否遗漏风险边界。"
}{
"target": "user_message.span:high_risk_instruction",
"operation": "annotate",
"content": "该片段涉及高风险决策，回答时必须避免直接执行性建议。"
}{
"target": "tool_call.arguments.amount",
"operation": "block_if",
"condition": "amount > risk_budget.max_amount"
}为了支持细粒度 joinpoint，OpenCOAT Runtime 不能只处理纯字符串 prompt。
需要一个结构化中间表示：
Concern-Oriented Prompt Representation
简称：
COPR
它可以理解为：
Prompt Tree
或者：
Thought DOM
{
"prompt_id": "p_001",
"messages": [
{
"role": "user",
"raw_text": "帮我分析这支股票，并告诉我是不是应该重仓买入。",
"spans": [
{
"id": "s_001",
"text": "分析这支股票",
"semantic_type": "analysis_request",
"tokens": ["分析", "这支", "股票"]
},
{
"id": "s_002",
"text": "重仓买入",
"semantic_type": "high_risk_action_request",
"tokens": ["重仓", "买入"]
}
]
}
]
}Concern 的 pointcut 匹配 COPR，而不是只匹配原始字符串。
Concern Vector 表示当前上下文下 DCN 的稀疏激活状态。
Concern Vector = 当前被激活的 Concern 集合 + 每个 Concern 的运行时权重
示例：
{
"active_concerns": [
{
"concern_id": "c_001",
"activation_score": 0.92,
"priority": 0.85,
"confidence": 0.78,
"injection_mode": "reasoning_guidance"
},
{
"concern_id": "c_002",
"activation_score": 0.74,
"priority": 0.66,
"confidence": 0.81,
"injection_mode": "verification_only"
}
]
}Concern Vector 不是普通 embedding。
它是结构化的运行时激活状态。
Concern 是否激活，可以由多个因素决定：
joinpoint match score
semantic relevance score
priority score
source trust score
history effectiveness score
recency score
conflict penalty
budget penalty
lifecycle state
可以先使用简单公式：
activation_score
= relevance
+ priority
+ trust
+ recency
+ history_effectiveness
- conflict_penalty
- budget_penalty
MVP 阶段不需要复杂神经网络，规则 + LLM 评分 + 简单加权即可。
Concern Injection 是 weaving 的输出。
它表示已经被转换成 Host Agent 可用上下文的 Concern advice。
示例：
{
"injections": [
{
"concern_id": "c_001",
"target": "runtime_prompt.reasoning_guidance",
"mode": "insert",
"content": "回答时优先识别用户的真实关注点，不要只回答表层问题。",
"priority": 0.82
},
{
"concern_id": "c_002",
"target": "runtime_prompt.verification_rules",
"mode": "insert",
"content": "检查最终回答是否满足用户要求的输出格式。",
"priority": 0.77
}
]
}opencoat/
├── concern_model.py
├── concern_store.py
├── concern_extractor.py
├── concern_separator.py
├── concern_builder.py
├── joinpoint_model.py
├── prompt_representation.py
├── pointcut_matcher.py
├── concern_coordinator.py
├── concern_resolver.py
├── advice_generator.py
├── concern_weaver.py
├── concern_verifier.py
├── concern_lifecycle.py
├── deep_concern_network.py
├── host_adapter.py
└── opencoat_runtime.py
从以下来源识别候选 Concern：
用户输入
对话上下文
工具结果
环境事件
输出草稿
反馈
记忆
Host Agent 显式计划
处理 Concern 粒度：
拆分过大的 Concern
合并重复 Concern
改写模糊 Concern
区分长期 Concern 和临时 Concern
将候选 Concern 标准化为 Concern 对象。
维护 Host Agent 的 joinpoint 层级。
支持：
lifecycle joinpoint
message joinpoint
prompt section joinpoint
span joinpoint
token joinpoint
tool argument joinpoint
memory field joinpoint
thought unit joinpoint
将 prompt / context / output 转为 COPR。
根据 Concern 的 pointcut 匹配当前 joinpoint。
生成 Concern Vector。
负责：
Top-K 激活
优先级排序
预算分配
横切 Concern 与局部 Concern 平衡
处理：
冲突
重复
抑制
合并
延迟
升级
根据 Concern 和当前上下文生成 advice。
将 advice 编织到 Host Agent 的上下文、工具调用、输出或验证流程中。
检查 Host Agent 的输出是否满足已激活 Concern。
管理 Concern 生命周期：
created
active
reinforced
weakened
merged
frozen
archived
deleted
revived
维护 DCN：
Concern 节点
Concern 关系
激活历史
验证历史
反馈历史
生命周期状态
连接不同 Host Agent 框架：
OpenClaw
Hermes
LangGraph
AutoGen
CrewAI
Custom Agent
Host Adapter 负责把宿主事件映射为 OpenCOAT Runtime joinpoint。
1. Host Agent 接收用户输入、工具结果或环境事件
2. Host Adapter 将事件转换为 joinpoint
3. OpenCOAT Runtime 构建 COPR / Context Representation
4. Concern Extractor 识别候选 Concern
5. Concern Separator 处理 Concern 粒度
6. Concern Builder 创建或更新 Concern
7. Concern Store 持久化 Concern
8. DCN 更新 Concern 节点和关系
9. Pointcut Matcher 匹配当前 joinpoint
10. Concern Coordinator 生成 Concern Vector
11. Concern Resolver 处理冲突、重复、优先级和抑制关系
12. Advice Generator 生成 advice
13. Concern Weaver 将 advice 编织为 Concern Injection
14. Host Agent 带着 Concern Injection 执行推理、计划、工具调用或响应生成
15. Concern Verifier 检查输出是否满足已激活 Concern
16. Concern Lifecycle Manager 更新 Concern 状态
17. DCN 根据反馈继续演化
用户输入（或 Host 生命周期中的其他观测点）触发 joinpoint。
Concern 的 NL 抽取（concern.extract）是独立路径，在 concern 已入库后的
各 joinpoint 上才做 pointcut 匹配与 weave。
单次 on_joinpoint 的实现级活动图见
v0.2-system-design.md §2.2.1。
（整轮对话，概念级）
user input / lifecycle event
→ joinpoint detection（Host 构造 JoinpointEvent）
→ pointcut matching（对已入库 concern）
→ concern activation（Coordinator → ConcernVector）
→ advice generation + weaving（→ ConcernInjection）
→ host 消费 injection（prompt / tool / output）
→ host response
→ concern verification（Host 侧，可选）
→ lifecycle update（Event / Heartbeat 循环亦可参与）
独立路径（不在单次 joinpoint 内同步执行）：
concern.extract → ConcernBuilder.enrich → ConcernStore.upsert
工具结果、环境事件、错误、外部信号触发。
event
→ joinpoint detection
→ concern matching
→ concern update
→ optional weaving
→ verification
→ lifecycle update
OpenCOAT Runtime 内部时钟触发。
heartbeat
→ concern decay
→ conflict scan
→ merge / archive
→ DCN optimization
→ meta concern review
Heartbeat 用于长期维护 DCN。
Host Agent 负责：
任务理解
LLM 调用
计划生成
工具调用
Skill 执行
环境交互
最终响应生成
OpenCOAT Runtime 负责：
Concern 管理
Joinpoint 识别
Pointcut 匹配
Advice 生成
Concern Weaving
Concern 验证
Concern 生命周期
DCN 演化
最终边界：
Host Agent = Action Controller
OpenCOAT Runtime = Concern Controller
只作用于局部任务或少数 joinpoint。
例如：
“请把这段话翻译成英文”
可能只作用于：
on_user_input
before_response
作用于多个阶段、多个上下文甚至长期运行。
例如：
“不要编造事实”
可能作用于：
before_reasoning
before_tool_call
after_tool_call
before_response
after_response
before_memory_write
{
"scope": {
"crosscutting": true,
"duration": "long_term",
"joinpoint_coverage": [
"before_reasoning",
"before_tool_call",
"before_response",
"after_response"
]
}
}MVP 先实现以下能力：
Concern 数据结构
Concern Store
基础 DCN
Joinpoint Model
COPR 简化版
Pointcut Matcher
Concern Coordinator
Concern Resolver
Advice Generator
Concern Weaver
Concern Verifier
Concern Lifecycle Manager
Host Adapter
MVP 主目标：
输入
→ Concern 抽取
→ Joinpoint / Pointcut 匹配
→ Concern 激活
→ Advice 生成
→ Weaving
→ Host Agent 响应
→ Concern 验证
→ Concern 更新
MVP 阶段暂时不做：
复杂神经网络式 DCN 学习
完全自动生成 Meta Concern
复杂 token-level rewriting
跨多 Agent 的 DCN 合并
大规模长期自进化
自动工具执行风险闭环
这些可以作为 v0.2 / v0.3。
opencoat-runtime/
├── README.md
├── pyproject.toml
├── opencoat/
│ ├── __init__.py
│ ├── opencoat_runtime.py
│ ├── concern_model.py
│ ├── concern_store.py
│ ├── concern_extractor.py
│ ├── concern_separator.py
│ ├── concern_builder.py
│ ├── joinpoint_model.py
│ ├── prompt_representation.py
│ ├── pointcut_matcher.py
│ ├── concern_coordinator.py
│ ├── concern_resolver.py
│ ├── advice_generator.py
│ ├── concern_weaver.py
│ ├── concern_verifier.py
│ ├── concern_lifecycle.py
│ ├── deep_concern_network.py
│ └── host_adapter.py
├── examples/
│ ├── simple_chat_agent.py
│ ├── coding_agent_demo.py
│ └── research_agent_demo.py
└── tests/
├── test_concern_model.py
├── test_pointcut_matcher.py
├── test_concern_weaver.py
└── test_runtime_flow.py
用户输入：
帮我分析这个开源项目，并告诉我是否值得基于它继续开发。
OpenCOAT Runtime 可能抽取 Concern：
[
{
"kind": "concern",
"generated_type": "project_evaluation",
"generated_tags": ["software", "analysis", "decision"],
"description": "用户希望评估一个开源项目是否值得继续开发。"
},
{
"kind": "concern",
"generated_type": "evidence_based_answer",
"generated_tags": ["accuracy", "evidence", "uncertainty"],
"description": "回答需要基于项目事实，不应凭空判断。"
},
{
"kind": "concern",
"generated_type": "decision_risk",
"generated_tags": ["risk", "cost", "technical_debt"],
"description": "评估是否继续开发时，需要关注技术风险、维护成本和替代方案。"
}
]激活后的 advice：
[
{
"type": "reasoning_guidance",
"content": "评估时从项目活跃度、代码质量、依赖风险、社区支持、许可证和可扩展性几个维度分析。"
},
{
"type": "verification_rule",
"content": "最终回答必须区分事实、推断和不确定项。"
}
]Host Agent 最终输出前，Concern Verifier 检查：
是否回答了是否值得继续开发
是否说明了证据
是否说明了风险
是否区分了事实和推断
Concern-Oriented Thinking Runtime 是一个通用的 Concern-first 智能体认知运行时。
它以 Concern 作为一等数据结构，
以 DCN 作为长期关注网络，
以 joinpoint / pointcut / advice / weaving 作为运行机制，
以 Concern Vector 表示当前激活状态，
以 Concern Injection 调制 Host Agent 行为，
以 Concern Verifier 检查输出是否满足关注点，
以 Concern Lifecycle Manager 推动 Concern 的长期演化。
OpenCOAT Runtime 不预设业务领域，
也不预设 Concern 类型。
Runtime 层面只区分 concern 和 meta_concern。
Concern 的具体语义类型由 Host Agent 使用 LLM 动态生成。
OpenCOAT Runtime 的本质是：
用 Separation of Concerns 的思想组织智能体思考过程。
最终公式：
OpenCOAT Runtime
= SoC for Agent Thinking
+ Concern-first Runtime
+ AOP-style Weaving Mechanism
+ Deep Concern Network