Bridge长程自主模块+MCP浏览器控制全解析

熟悉 Bridgic 的朋友可能已经了解，在 Bridgic 的最底层，我们采用动态编排来统一调度确定性模块与自主性模块，旨在将各类智能组件整合到一个系统中无缝协作。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

近期我们刚刚发布了 Bridgic v0.3.0b1 版本，不仅升级了长程自主智能模块，还完善了 MCP 集成能力。今天我就来和大家聊聊，如何组合这些底层能力来实现一些有趣的高自主性功能，以及将自主模块融入 Bridgic 风格编排体系背后的设计思路。

接下来的内容分为四个部分：

Bridgic 长程自主性模块的设计思路。一个案例：用自然语言控制浏览器实时查询金价。Agent Skills 出现之后，MCP 还有用吗？分享一些 MCP 资源。

Bridgic 长程自主性模块的设计思路

了解 Bridgic 的朋友可能知道，在其架构的最底层，我们通过动态编排来统一协调确定性模块与自主性模块，目的是让不同的智能组件能在一个系统里顺畅配合。

在 Bridgic 的上一个版本中，其实已经有一个基于 ReAct 的自主性模块（具体实现是 ReActAutoma 类）。但是，对于执行真正长程的自主性任务来说，ReActAutoma 存在一个问题：随着时间的推移，调用工具的结果会以 ToolMessage 的形式不断追加到上下文中，导致“上下文爆炸”和“目标漂移”。

因此，我们对自主性模块进行了重大升级，使其更适合执行长程的自主性任务。这个新模块的实现，叫做 ReCentAutoma。它是一个增强的 ReAct（Reasoning and Acting）循环，实现了一种称为 ReCENT（Recursive Compressed Episodic Node Tree）的记忆压缩算法。具体来说：

ReCENT 算法会在合适的时机对情景记忆进行压缩，在保留关键语义的前提下避免上下文窗口爆炸。ReCentAutoma 显式地提供了 goal 参数和 guidance 参数，允许开发者明确任务目标和任务指导信息。这些信息不会被 ReCENT 算法压缩，确保智能体在长时间运行时能够保持目标聚焦。

值得一提的是，ReCentAutoma 的内部实现也是基于 Bridgic 底层的动态编排来进行的。因此，ReCentAutoma 也能够享受到 Bridgic 框架底层提供的可观测性集成能力和 human-in-the-loop 的中断、恢复等能力。换句话说，在 Bridgic 的世界里，动态编排既用于编排确定性模块和自主性模块，将这两种类型的模块融合在一个系统中，也同时用于编排自主性模块的内部结构。底层是统一的。

另外，为了让这个自主性模块能够与市面上现有的工具更轻松地对齐，Bridgic 这个版本对 MCP 集成能力也进行了完善（引入了 ToolSetBuilder）。至此，Bridgic 的“工具架构”已自成体系，可以用下面的图来表达（点击看大图）：