ASR（AI Software Runtime）是一个基于多智能体协作的自动化软件工程系统。通过 Builder → Tester → Analyzer 的闭环迭代，从设计文档（DESIGN.md）出发，自动生成完整的工程项目代码，并持续收敛直到测试全部通过。
在线演示: georgewangchn.github.io/AI-Software-Runtime — 系统效果验证测试报告，对比四种方案的实际生成效果。
2026 年 6 月 10 日，我在朋友圈看到一篇关于 Loop Engineering（循环工程） 的报道[1]，深有感触——
"你不再是给 Agent 写提示词的人。你的工作是写循环。" — Boris Cherny, Anthropic Claude Code 负责人
"你不该再给编程 Agent 写提示词了。你应该设计循环，让循环去提示你的 Agent。" — Peter Steinberger, OpenClaw 作者
这正是 ASR 在过去三个月里做的事情：不是在和 LLM 斗智斗勇写提示词，而是在设计一个收敛运行时——Builder 生成 → Tester 验证 → Analyzer 裁决 → 循环修复，直到代码真正对齐规格。
这件事的起点要追溯到今年 3、4 月份。 当时我在做 Agent 开发，整个行业都在转向 AI 工具辅助编程。但我面临一个现实问题：没有 Claude，没有 GPT 的 token 配额。我只有公司内部免费提供的 GLM-4.7-FP8。后来腾讯开放了 WorkBuddy 的免费 token，但也很快耗尽。
于是我开始琢磨：能不能把一个"弱模型"用工程手段堆叠成一个"强系统"？
这就是 ASR 的核心命题——用不限量的 GLM-4.7-FP8，通过多 Agent 协作 + 验证驱动 + 收敛循环，实现接近甚至超越 GLM-5.1 的效果。
看到 Loop Engineering 成为行业共识的那一刻，我意识到这件事不应该只放在比赛提交材料里。独立开发者、没有昂贵模型配额的人，应该能用同样的方法做同样的东西。所以今天开源。
- Loop Engineering：当提示词工程成为过去式 — 微信公众号，2026-06-10
DESIGN.md（规格文档）
│
▼
┌─────────────────────────────────────────┐
│ ASR 收敛运行时 │
│ │
│ Builder ──► Tester ──► Analyzer │
│ ▲ │ │
│ └──── 修复指令 ◄────────┘ │
│ │
│ 迭代直到：所有测试通过 + 规格对齐 │
└─────────────────────────────────────────┘
│
▼
完整工程项目（含测试、文档、Pack 元数据）
- 操作系统：macOS / Linux
- Python：3.12.9（通过 pyenv 管理）
- opencode CLI：>= 1.15（需配置好 LLM 模型提供商）
- oh-my-openagent（可选，推荐）：opencode 多智能体编排插件，启用后显著提升代码质量
# macOS
brew install pyenv
# 配置 shell（~/.zshrc 或 ~/.bashrc）
echo 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.zshrc
echo 'command -v pyenv >/dev/null || export PATH="$PYENV_ROOT/bin:$PATH"' >> ~/.zshrc
echo 'eval "$(pyenv init -)"' >> ~/.zshrc
source ~/.zshrc
# 安装 Python 3.12.9
pyenv install 3.12.9git clone https://github.com/your-username/asr.git
cd asr
# 设置 Python 版本
pyenv local 3.12.9
# 创建虚拟环境
python -m venv .venv
source .venv/bin/activate
# 安装依赖
pip install -r requirements.txt# 复制配置模板
cp .env.example .env
# 编辑 .env，填入你的 LLM 接口地址和 API Key
# 支持任意 OpenAI 兼容接口（vLLM / Ollama / OpenAI 官方等）.env 配置示例（详见 .env.example）：
FEASIBILITY_LLM_API_BASE=http://localhost:8000/v1
FEASIBILITY_LLM_API_KEY=your-api-key
FEASIBILITY_LLM_MODEL=your-model-name
FEASIBILITY_LLM_CONTEXT=131072DESIGN.md 是 ASR 的规格输入，描述你想要生成的软件系统的设计需求，包括：
- 功能需求（模块、接口、数据结构）
- 架构约束（分层设计、依赖关系）
- 测试要求（单测覆盖率、集成测试）
关于 DESIGN.md：每个项目需要自己编写 DESIGN.md，描述待生成软件的规格。这是 ASR 的核心输入，决定了最终生成代码的功能和结构。你可以参考 AI Software Runtime(ASR)技术报告 中的案例了解规格文档的写法。
# 创建项目目录，放入 DESIGN.md
mkdir -p my_project
cp /path/to/your/DESIGN.md my_project/DESIGN.md
# 运行 ASR（最多迭代 20 轮）
python -m asr.cli.main run --project my_project --max-iterations 20或复制并修改启动脚本：
cp start.sh my_start.sh
# 编辑 my_start.sh 中的路径和参数
bash my_start.shpython -m asr.cli.main --helpasr/
├── asr/ # ASR 核心代码
│ ├── agents/ # 智能体实现
│ │ ├── builder.py # Builder Agent：代码生成与修复
│ │ ├── tester.py # Tester Agent：pytest 执行与验证
│ │ ├── analyzer.py # Analyzer Agent：规格对齐分析
│ │ └── opencode_backend.py # opencode CLI 调用后端
│ ├── controller/
│ │ └── convergence.py # 收敛控制器：迭代循环与终止条件
│ ├── cli/
│ │ └── main.py # CLI 入口
│ ├── config/ # 配置加载（支持 .env）
│ ├── events/ # 事件总线
│ ├── patch/ # Diff/Patch 应用逻辑
│ └── runtime.py # 运行时入口
├── .env.example # 环境变量配置模板（复制为 .env 后填写）
├── start.sh # 启动脚本示例
├── requirements.txt # Python 依赖
├── index.html # 系统效果验证测试报告（GitHub Pages 首页）
└── README.md
| 变量 | 必填 | 说明 |
|---|---|---|
FEASIBILITY_LLM_API_BASE |
✅ | OpenAI 兼容接口地址 |
FEASIBILITY_LLM_API_KEY |
✅ | API 密钥（本地部署可填 empty） |
FEASIBILITY_LLM_MODEL |
✅ | 模型名称 |
FEASIBILITY_LLM_CONTEXT |
可选 | 上下文窗口大小（默认 131072） |
ASR_OPENCODE_TIMEOUT |
可选 | opencode 调用超时秒数（默认 24400） |
ASR_VERBOSE |
可选 | 设为 1 启用详细日志 |
| 包 | 用途 |
|---|---|
pydantic |
数据模型校验 |
pyyaml |
YAML 配置解析 |
litellm |
统一 LLM 调用接口（支持 OpenAI / Anthropic 等） |
click |
CLI 框架 |
rich |
终端美化输出 |
pytest |
测试框架 |
fastapi + uvicorn |
Web API（可选） |
httpx |
HTTP 客户端 |
ASR 的设计思路经历了两次迭代，展现了从原始构想到工程落地的完整思路：
| 阶段 | 文档 | 说明 |
|---|---|---|
| 原始构想 | Supervise-Agent：有监督长任务自动化软件工程系统.md | 项目最初的想法：分层裁决 + 多Agent协同 + 工程约束，利用低成本开源模型实现接近高端模型的稳定性 |
| 方案细化 | AI Software Runtime(ASR)系统设计文档.md | 在原始构想基础上的完整工程设计方案，包含 DAG 调度、事件总线、收敛控制、Patch 管理等核心模块 |
阅读建议：建议先读原始构想理解"为什么需要这个系统"，再读系统设计文档了解"怎么实现的"。
- AI Software Runtime(ASR) 技术报告 — 系统架构与设计原理
- 系统效果验证测试报告 — 对比测试结果与分析