pasAgent v3

工业级 Pascal 智能体技术体系 —— 让 AI 学会用你的 Pascal 代码

📦 获取 v3

👉 下载预编译包（Pre-built Package）

解压后按 Pascal_Integration_Guide.md 操作。

🆕 为什么会有 v3 新仓库？

v3 与 v2 的根本区别在于 多模态（Multimodal）架构。

多模态是一个衍生型机制——它不是单个程序的升级，而是需要周边程序协同支持才能完整运转的架构级变革。

具体来说，引入多模态后：

llm_service 需要同时驱动多个模型（文本模型 + 视觉模型），并把不同模态的输入路由到对应模型
llm_proxy / llm_proxy_tool 需要支持多模态请求的转发、多模态能力矩阵的声明
llm_client 需要支持多模态内容构建（文本 + 图片附件的组合）
客户端需要理解“同一服务端、不同模态能力”的语义

这些改动跨越多个独立组件，彼此耦合紧密。为了避免 v2 主仓库的稳定性被破坏，v3 独立开仓，让多模态机制可以自由演进，同时不影响 v2 用户的既有部署。

v3 与 v2 的关系：v3 是 v2 的平行分支，不是替代。v2 仍然可用、仍然维护；v3 面向需要多模态协作的场景。

🎯 一句话定位

让你用 Pascal 写的函数，被 AI 像内置功能一样直接调用。

不需要懂 MCP 协议，不需要写 JSON Schema，不需要搭 HTTP 服务。

🆚 为什么选 pasAgent v3？—— 与 Pascal 生态其他方案的对比

Pascal 生态中已有多个 AI 智能体方案，它们在定位和适用场景上各有侧重。pasAgent v3 的独特价值在于：它是唯一一个既能自动生成工具、又能服务端代管工具执行、还能跨语言通信、且原生支持多模态协作的完整闭环方案。

方案能力矩阵

能力	pasAgent v3	PasClaw	MCP server Delphi	MakerAI Suite	Tina4 Pascal MCP	Daofy
从声明自动生成工具	✅	❌	❌	❌	❌	❌
⭐ 无限语言 MCP-API 生成（一份声明 → 几十种目标语言）	✅ v3 新增	❌	❌	❌	❌	❌
服务端代管工具执行	✅	❌	❌	✅	❌	❌
客户端零改动	✅	❌	❌	❌	❌	❌
跨语言通信层	✅	❌	❌	❌	❌	❌
多轮工具循环	✅	✅	✅	✅	❌	❌
会话持久化	✅	✅	❌	✅	❌	❌
🌐 多模态（Multimodal）	✅ v3 新增	❌	❌	❌	❌	❌
250+ 后端兼容	✅	❌	有限	✅	❌	❌
预编译包	✅	❌	❌	❌	✅	✅
许可证	MIT	开源	Apache 2.0	开源	开源	开源

一句话对比

方案	一句话
pasAgent v3	给你的存量 Pascal 系统装配 AI 神经中枢，支持多模态协作，客户端零改动
PasClaw	构建一个全新的 Pascal 智能体，从零开始
MCP server Delphi	给 Delphi 项目提供全栈 MCP 工具包
MakerAI Suite	Delphi 的企业级 AI 应用开发生态
Tina4 Pascal MCP	让 AI 编译、运行、测试 Pascal 程序
Daofy	让 AI 编译 Delphi 项目并查询知识库

v3 的两大独特优势

flowchart TB
    V3["🎯 pasAgent v3<br/>两大独特优势"]

    V3 --> A1["🌐 多模态协作<br/>文字问答 + 图片问答"]
    V3 --> A2["⭐ 无限语言 MCP-API 生成<br/>一份声明 → 几十种目标语言"]

    A1 --> D1["同一服务端<br/>同一会话<br/>多种模态"]
    A2 --> D2["零样板代码<br/>零 IDL<br/>覆盖整个语言生态"]

    style V3 fill:#0D2F52,stroke:#000000,stroke-width:5px,color:#FFFFFF
    style A1 fill:#1E8449,stroke:#0E4D2A,stroke-width:4px,color:#FFFFFF
    style A2 fill:#922B21,stroke:#5A1A14,stroke-width:4px,color:#FFFFFF
    style D1 fill:#D5F5E3,stroke:#1E8449,stroke-width:3px,color:#0E4D2A
    style D2 fill:#FADBD8,stroke:#922B21,stroke-width:3px,color:#5A1A14

优势 1：🌐 多模态协作 —— 文字问答 + 图片问答

其他方案：纯文本接口，无法理解图片。

pasAgent v3：

同一服务端、同一会话：文字问答和图片问答可以混合进行
多模态内容构建：客户端请求可携带文字 + 图片的混合内容
能力按模态声明：客户端可查询服务端支持哪些模态
多模型底座：文本模型 + 视觉模型协作完成多模态理解

// generate 请求中的多模态内容（示意）
{
  "session_id": "...",
  "content": "分析这张图",
  "attachments": [
    { "kind": "image", "name": "chart.png",
      "mime": "image/png", "data_b64": "..." }
  ]
}

优势 2：⭐ 无限语言 MCP-API 生成 —— 一份声明，几十种目标语言

其他方案：需要手写回调、JSON 读写、工具注册，或只支持单一语言。

pasAgent v3：

一份声明，几十种输出：Pascal / C 声明 → 任意目标语言的 MCP-API 工具提供者
覆盖整个语言生态：Pascal、Python、C、C++、Rust、Go、Java、C#、TypeScript、JavaScript、Ruby、PHP、Kotlin、Swift、Lua、Dart…… 语言越接越多
零样板代码：cdecl 回调、JSON 序列化、工具注册全部自动生成
5 层透明模型：每层 JSON 可看、可改、可回退
确定性：主链路不依赖 LLM，可复现、可审计

结论

如果你需要将 AI 能力快速、低成本、低侵入地注入到现有 Pascal 生产系统，并且需要多模态理解或无限语言 MCP-API 生成能力，pasAgent v3 是目前最具工程化价值的选择。

🧩 四大核心应用组件 + 一个辅助工具

pasAgent v3 采用 “四大核心应用组件 + 一个辅助工具” 的架构叙事：

🌟 第一梯队：应用层组件（4 个）

#	组件	角色	适用场景
1	`mcp_api_tool`	MCP 协议网关（路径 A）	客户端原生支持 MCP（LM Studio / Claude Desktop / Continue.dev）
2	`llm_proxy_tool`（LTB）	LLM 工具桥（路径 B）	客户端不支持 MCP，服务端代管工具执行，客户端零改动
3	`llm_proxy`	纯文本转发代理	只需对话，不需要工具
4	`llm_client_v3`	Pascal 客户端 SDK（含 GUI 演示 `llm_tool_v3.exe`）	自研 Pascal 客户端，直接控制协议

🛠️ 第二梯队：辅助验证工具（1 个）

#	组件	角色	适用场景
5	`llm_service`	本地推理服务	断网环境 / 验证模型 / 封装成自己的 LLM 小工具

💡 llm_service 虽然排在第 5 位，但它有一个独特价值：可以脱离整套 pasAgent 生态，单独作为一个“本地 LLM 小工具”嵌入到你自己的 Pascal 项目里使用。详见“目的 5”。

🎨 开发工具（跨组件的关键基础设施）

工具	角色	为什么重要
MCP-API 生成器	无限语言代码生成器	⭐ 一份声明，生成几十种目标语言的 API 接口（独立仓库，详见 LingoFuse-Tools）
`pascal_agent_service`	信标（工具注册中心）	所有工具/网关的公共基础设施
`pascal_agent_api`	工具提供者示例	你的项目原型
`mcp_api_proxy`	MCP stdio 调试代理	排查 MCP 握手
`bridge`	HTTP 桥接网关	让浏览器 / Node / PHP 访问
`llm_test`	命令行 REPL 测试客户端	调试 LLM 服务
`llm_tool_v3`	Pascal GUI 演示客户端	演示 `llm_client_v3.pas` 完整用法：多会话 / 流式输出 / 多模态
`HealthCheck`	环境健康检查	首次部署验证

⭐ MCP-API 生成器：无限语言，一份声明

这是 pasAgent v3 最容易被低估、却最重要的一件工具。

⚠️ MCP-API 代码生成工具已独立到专用仓库，请一律访问：

👉 https://github.com/PassByYou888/LingoFuse-Tools

包括生成器、声明规范、使用手册、生成器源码与预编译包等，一律以该仓库为准。

一份声明，几十种目标语言

MCP-API 生成器接受 Pascal 声明 或 C 头文件原型，自动生成 几十种目标语言 的 API 接口。

这不再是“双语言”时代的定位 —— 早期版本只支持 Pascal + Python 双输出；当前版本已成熟，能覆盖主流语言生态：

flowchart LR
    A["📄 一份 Pascal / C 声明"] --> B["💎 MCP-API 生成器"]
    B --> C1["🅿️ Pascal"]
    B --> C2["🐍 Python"]
    B --> C3["🦀 Rust"]
    B --> C4["🐹 Go"]
    B --> C5["☕ Java"]
    B --> C6["🔷 C#"]
    B --> C7["📘 TypeScript"]
    B --> C8["… 几十种目标语言"]

    style A fill:#4A90E2,stroke:#1E3A8A,stroke-width:4px,color:#FFFFFF
    style B fill:#9B59B6,stroke:#6C3483,stroke-width:5px,color:#FFFFFF
    style C1 fill:#F39C12,stroke:#B7791F,stroke-width:4px,color:#FFFFFF
    style C2 fill:#27AE60,stroke:#145A32,stroke-width:4px,color:#FFFFFF
    style C3 fill:#C0392B,stroke:#641E16,stroke-width:4px,color:#FFFFFF
    style C4 fill:#1ABC9C,stroke:#0E6655,stroke-width:4px,color:#FFFFFF
    style C5 fill:#8E44AD,stroke:#5B2C6F,stroke-width:4px,color:#FFFFFF
    style C6 fill:#2E86C1,stroke:#1A5276,stroke-width:4px,color:#FFFFFF
    style C7 fill:#3498DB,stroke:#1F618D,stroke-width:4px,color:#FFFFFF
    style C8 fill:#5D6D7E,stroke:#2C3E50,stroke-width:4px,color:#FFFFFF

为什么重要？

价值	说明
零样板代码	不需要手写 `cdecl` 回调、JSON 读写、工具注册——全部自动生成
零 IDL	直接从 Pascal / C 声明生成，不需要单独写接口定义文件
无限语言输出	同一份声明，几十种目标语言的工具提供者同时输出，语义完全一致
跨语言互操作	算法在 Pascal 里、集成在 Go / Rust / Python 里？生成多份，各取所需
确定性	主链路不依赖 LLM，可复现、可审计、可版本控制
5 层透明模型	每层 JSON 可看、可改、可回退，出错时能精确定位

获取方式

1. 打开 LingoFuse-Tools 仓库（下方链接）
2. 获取生成器（源码 / 预编译包）
3. 粘贴 Pascal / C 声明
4. 选择目标语言
5. 走完 5 层转换
6. 在「Final source」Tab 中复制生成的目标语言源码

📖 完整说明、声明规范与最新版本：https://github.com/PassByYou888/LingoFuse-Tools

🎯 你想干什么？（按目的选择）

目的 1：客户端原生支持 MCP（LM Studio / Claude Desktop）

用 mcp_api_tool —— 把 Pascal 工具翻译成 MCP 协议，暴露给自带 MCP 支持的客户端。

flowchart LR
    A["🤖 LM Studio / Claude Desktop<br/>（自己会调工具）"] -->|"MCP 协议"| B["🌉 mcp_api_tool"]
    B -->|"LF_Call"| C["📡 信标"]
    C --> D["🎯 你的 Pascal 工具"]

    style A fill:#922B21,stroke:#5A1A14,stroke-width:3px,color:#FFFFFF
    style B fill:#1E8449,stroke:#0E4D2A,stroke-width:4px,color:#FFFFFF
    style C fill:#5B2C6F,stroke:#321640,stroke-width:3px,color:#FFFFFF
    style D fill:#B7791F,stroke:#7E5109,stroke-width:3px,color:#FFFFFF

关键特征：

AI 客户端自己决定调哪个工具
工具执行由客户端发起
你只需要提供工具（信标 + 工具提供者）

文档 → src/LingoFuse_LLM_Ecosystem_User_Guide.md

目的 2：客户端不支持 MCP，但想用工具（推荐 ⭐）

用 llm_proxy_tool（LTB） —— 服务端代管整个工具调用循环。客户端只发 generate，完全不知道工具存在。

flowchart LR
    A["🖥️ 你的程序<br/>（不感知工具）"] -->|"只发 generate"| B["🔴 llm_proxy_tool<br/>LTB"]
    B <-->|"HTTP SSE<br/>携带 tools"| C["🔌 LM Studio / DeepSeek / ..."]
    B -->|"内部多轮循环"| D["📡 信标"]
    D --> E["🎯 你的 Pascal 工具"]
    B -.->|"chunk / think / finish"| A

    style A fill:#1A5490,stroke:#0D2F52,stroke-width:3px,color:#FFFFFF
    style B fill:#922B21,stroke:#5A1A14,stroke-width:4px,color:#FFFFFF
    style C fill:#1E8449,stroke:#0E4D2A,stroke-width:3px,color:#FFFFFF
    style D fill:#5B2C6F,stroke:#321640,stroke-width:3px,color:#FFFFFF
    style E fill:#B7791F,stroke:#7E5109,stroke-width:3px,color:#FFFFFF

关键特征：

客户端零改动——只知道 generate / create_session 等基础 API
工具调用、结果回填、多轮循环全在 LTB 内部
后端必须是 OpenAI 兼容且支持 tool_calls 的 API
与 mcp_api_tool 可以共存（不同 reg_agent 名）
四重上限保护：轮次 / 总调用数 / 单结果长度 / 总结果长度

文档 → src/LingoFuse_LLM_Proxy_Tool_CLI_Guide.md
兼容性 → src/LingoFuse_LLM_Proxy_Compatibility_Guide.md

目的 3：只和 AI 对话（不需要工具）

用 llm_proxy —— 纯文本转发到 LM Studio / Ollama / 云 API。

flowchart LR
    A["🖥️ 你的程序"] -->|"LingoFuse RPC"| B["🟣 llm_proxy"]
    B -->|"HTTP SSE"| C["🔌 LM Studio / Ollama / DeepSeek / ..."]

    style A fill:#1A5490,stroke:#0D2F52,stroke-width:3px,color:#FFFFFF
    style B fill:#8E44AD,stroke:#5B2C6F,stroke-width:4px,color:#FFFFFF
    style C fill:#1E8449,stroke:#0E4D2A,stroke-width:3px,color:#FFFFFF

关键特征：

无状态转发，set_system_message 明确拒绝
支持 250+ OpenAI 兼容后端（LM Studio / Ollama / vLLM / DeepSeek / OpenRouter / Groq / 智谱 / Moonshot / …）
客户端代码一行不改，切换后端只改 --backend-url

文档 → src/LingoFuse_LLM_Proxy_CLI_Guide.md
兼容性 → src/LingoFuse_LLM_Proxy_Compatibility_Guide.md

目的 4：自研 Pascal 客户端 / 开发 SDK

用 llm_client_v3（Pascal 版） —— Pascal 客户端 SDK，直接与 LingoFuse LLM 服务对话。GUI 演示见 llm_tool_v3。

flowchart LR
    subgraph CLIENT["🅿️ Pascal 客户端"]
        C1["llm_client_v3.pas<br/>（本仓库 src/ 目录）"]
    end

    subgraph SERVERS["🎯 三种 LLM 服务端（选一）"]
        S1["🟣 llm_proxy"]
        S2["🔴 llm_proxy_tool"]
        S3["🟢 llm_service"]
    end

    C1 -->|"LF Call + Notify"| S1
    C1 -->|"LF Call + Notify"| S2
    C1 -->|"LF Call + Notify"| S3

    style CLIENT fill:#1A5490,stroke:#0D2F52,stroke-width:3px,color:#FFFFFF
    style SERVERS fill:#5B2C6F,stroke:#321640,stroke-width:3px,color:#FFFFFF

为什么只有 Pascal 版本？

Python 天生就能接入智能体生态——LangChain、LlamaIndex、OpenAI SDK、Anthropic SDK 等都是 Python 原生，直接用即可，不需要绕道 LingoFuse。

而 Pascal 生态缺乏这样的基础设施，所以 pasAgent 为 Pascal 提供了 llm_client_v3.pas 作为标准客户端 SDK。

关键特征：

同时兼容 Delphi 7+ 和 FPC 3.0+
能力发现：get_api_capabilities 让客户端在运行时知道服务端支持什么
流式回调：OnChunk / OnThink / OnFinish / OnError / OnClosed
会话过滤：FActiveSessionId 防止多会话串台

文档 → Pascal_Integration_Guide.md
SDK 文档 → src/llm_client_v3.md
Structured Output 学习指南 → src/llm_client_v3_Structured_Output_Learning_Guide.md

目的 5：把本地 LLM 封装成自己的小工具

用 llm_service —— 本地加载 GGUF 模型，可以脱离 pasAgent 生态单独使用。

flowchart LR
    A["🖥️ 你的 Pascal / Python 程序"] -->|"LingoFuse RPC"| B["🟢 llm_service"]
    B -->|"加载"| C["📦 本地 GGUF 模型"]

    style A fill:#1A5490,stroke:#0D2F52,stroke-width:3px,color:#FFFFFF
    style B fill:#1E8449,stroke:#0E4D2A,stroke-width:4px,color:#FFFFFF
    style C fill:#B7791F,stroke:#7E5109,stroke-width:3px,color:#FFFFFF

关键特征：

完全离线——不需要联网、不需要外部 API、不需要 LM Studio
可嵌入——你可以在自己的 Pascal 项目里只加载 llm_service + llm_client_v3，就得到一个“本地 LLM 小工具”
兼容 P2P 通信——通过 LingoFuse 服务网格，天然支持跨进程、跨机器

典型用途：

场景	说明
离线环境	内网、无外网访问的工业现场
隐私敏感	数据不能出本地，必须全程离线
快速验证	检验某个 GGUF 模型是否适合你的任务
嵌入自研项目	只引入 `llm_service` + `llm_client_v3`，作为你的“AI 助手”模块

💡 llm_service 是辅助验证工具，不是应用层核心。生产环境更推荐用 llm_proxy / llm_proxy_tool 转发到 LM Studio 等成熟后端；但如果你需要完全离线或深度嵌入，llm_service 是最佳选择。

文档 → src/LingoFuse_LLM_Service_CLI_guide.md
模型部署 → src/NVIDIA-Nemotron-3-Nano-Omni-30B-A3B-Reasoning-UD-IQ4_XS.md

🗺️ 一图看懂组网

flowchart TB
    subgraph Users["👤 你的目的"]
        U1["客户端支持 MCP"]
        U2["客户端不支持 MCP"]
        U3["纯对话"]
        U4["自研 Pascal 客户端"]
        U5["本地 LLM 小工具"]
    end

    subgraph Entrances["🚪 四大核心应用组件 + 一个辅助工具"]
        E1["🌉 mcp_api_tool<br/>路径 A"]
        E2["🔴 llm_proxy_tool<br/>路径 B"]
        E3["🟣 llm_proxy"]
        E4["📦 llm_client_v3<br/>（Pascal SDK）"]
        E5["🟢 llm_service<br/>（本地推理·辅助工具）"]
    end

    subgraph Beacon["📡 公共基础设施"]
        B["pascal_agent_service<br/>信标 ipc:agent"]
    end

    subgraph Tools["🎯 你的 Pascal 工具"]
        T["pascal_agent_api<br/>或你自己的工具提供者"]
    end

    subgraph Backends["🔌 后端"]
        R1["LM Studio / Ollama / 云 API"]
        R2["📦 本地 GGUF 模型"]
    end

    U1 --> E1
    U2 --> E2
    U3 --> E3
    U4 --> E4
    U5 --> E5

    E1 --> B
    E2 --> B
    E2 -.-> R1
    E3 -.-> R1
    E4 --> E1
    E4 --> E2
    E4 --> E3
    E4 --> E5
    E5 -.-> R2

    B --> T

    style Users fill:#1A5490,stroke:#0D2F52,stroke-width:3px,color:#FFFFFF
    style Entrances fill:#5B2C6F,stroke:#321640,stroke-width:3px,color:#FFFFFF
    style Beacon fill:#1E8449,stroke:#0E4D2A,stroke-width:3px,color:#FFFFFF
    style Tools fill:#B7791F,stroke:#7E5109,stroke-width:3px,color:#FFFFFF
    style Backends fill:#922B21,stroke:#5A1A14,stroke-width:3px,color:#FFFFFF

共存规则：

mcp_api_tool 与 llm_proxy_tool 可以同时运行（注册到信标的 reg_agent 名不同）
llm_proxy / llm_proxy_tool / llm_service 默认共用同一端点 ipc:llm_service，同一时刻只能运行一个
要共存必须为每个指定不同的 --endpoint + --app-name

🚀 快速上手

场景 A：客户端支持 MCP（路径 A）

# 终端 1：信标
.\pascal_agent_service.exe

# 终端 2：工具提供者
.\pascal_agent_api.exe

# 终端 3：MCP 网关
.\mcp_api_tool.exe

然后配置 LM Studio / Claude Desktop 的 MCP 设置即可。

场景 B：客户端不支持 MCP（路径 B · 推荐）

# 终端 1：信标
.\pascal_agent_service.exe

# 终端 2：工具提供者
.\pascal_agent_api.exe

# 终端 3：LTB（服务端代管工具）
.\llm_proxy_tool.exe `
  --backend-url http://127.0.0.1:1234/v1 `
  --mcp-reg-agent-app llm_proxy_agent `
  --mcp-tool-provider-app agent_main_app

客户端只需（SDK 见 src/llm_client_v3.pas）：

// Pascal 客户端（llm_client_v3.pas）
LLM := TLLMClient.Create('LLM_Service', 'ipc:llm_service', 10000);
LLM.OnChunk := Do_LLM_Chunk;
if not LLM.Connect(err) then Exit;
if not LLM.Generate('5 加 7 等于几？', '', sid, err) then Exit;
// 无需知道工具、MCP、tool_calls 的存在

场景 C：纯对话

.\llm_proxy.exe --backend-url http://127.0.0.1:1234/v1

场景 D：本地验证模型

.\llm_service.exe --model-path .\NVIDIA-Nemotron-3-Nano-Omni-30B-A3B-Reasoning-UD-IQ4_XS.gguf

📦 组件清单

应用层组件

组件	角色	谁关心
`mcp_api_tool`	🌉 MCP 协议网关（路径 A）	用 MCP 客户端的你
`llm_proxy_tool`	🔴 LLM 工具桥（路径 B，服务端代管工具）	客户端不支持 MCP 的你
`llm_proxy`	🟣 纯文本转发代理	只用对话的你
`llm_client_v3`	📦 Pascal 客户端 SDK（含 GUI 演示 `llm_tool_v3`）	自研 Pascal 客户端的你
`llm_service`	🟢 本地推理服务（可封装成小工具）	断网 / 验证模型 / 深度嵌入的你

开发工具

组件	角色	谁关心
MCP-API 生成器	⭐ 无限语言代码生成器（独立仓库）	要生成工具提供者的你
`pascal_agent_service`	📡 信标（工具注册中心）	部署服务的你
`pascal_agent_api`	🎯 工具提供者示例	写 Pascal 的你
`mcp_api_proxy`	🕵️ MCP stdio 调试代理	排查 MCP 握手的你
`bridge`	🌐 HTTP 桥接网关	Web 生态的你
`llm_test`	🧪 命令行 REPL	调试 LLM 的你
`llm_tool_v3`	🖼️ Pascal GUI 演示客户端	学习 SDK 用法的你
`HealthCheck`	✅ 环境健康检查	首次部署的你

📁 项目结构

flowchart TB
    subgraph Root["LingoFuse-pasAgent-v3/"]
        R1["📘 文档<br/>readme / Pascal_Integration_Guide<br/>Build_Guide / NVIDIA-Nemotron-..."]
        R2["📐 规范<br/>MCP-API 生成器相关规范见 LingoFuse-Tools"]
        R3["📝 元信息<br/>llms.txt / LICENSE"]
    end

    subgraph Src["src/"]
        S1["🅿️ Pascal<br/>pascal_agent_service / pascal_agent_api<br/>lingofuse_helper / lingofuse_import<br/>llm_client_v3 / llm_tool_v3"]
        S2["🌉 MCP 网关<br/>mcp_api_tool.py / mcp_api_proxy.py"]
        S3["🔧 中间件<br/>language_middleware.py / generate_agent_json.py"]
        S4["🧠 LLM<br/>llm_service.py / llm_proxy.py<br/>llm_proxy_tool.py / llm_test.py"]
        S5["🔨 构建<br/>build_*.ps1 / build_pascal_agent.bat"]
        S6["📚 LLM 文档<br/>LingoFuse_LLM_*.md"]
        S7["🐍 绑定<br/>lingofuse/（Python 包）"]
        S8["🧪 示例<br/>CreateHealthCheck/ / pascal_agent_api_ref_json.md"]
    end

    subgraph ZCore["zCore/（git 子模块）"]
        Z1["📚 Z 框架源码<br/>Z.Core / Z.Json / Z.Status<br/>Z.PascalStrings / Z.UnicodeMixedLib 等"]
    end

    style Root fill:#1A5490,stroke:#0D2F52,stroke-width:3px,color:#FFFFFF
    style Src fill:#1E8449,stroke:#0E4D2A,stroke-width:3px,color:#FFFFFF
    style ZCore fill:#5B2C6F,stroke:#321640,stroke-width:3px,color:#FFFFFF

你最需要关心的文件：

src/pascal_agent_api.lpr —— 算术工具示例，你的项目原型
src/pascal_agent_service.lpr —— 信标源码
src/lingofuse_helper.pas —— 写工具时的辅助函数
src/llm_client_v3.pas —— Pascal 客户端 SDK
src/llm_tool_v3.lpr —— SDK 的 GUI 演示程序
src/lingofuse/ —— LingoFuse Python 绑定包
zCore/src/Z.Core.pas 等 —— 编译依赖的 Z 框架

📚 文档地图

根目录文档

文档	说明
readme.md	本文档——项目总览与四大核心应用组件
Pascal_Integration_Guide.md	Pascal 开发者切入指南——推荐起点
Build_Guide.md	编译指南（Pascal + Python 组件）
llms.txt	面向 AI 助手的项目速览
LICENSE	MIT 许可证

MCP-API 生成器文档

⚠️ MCP-API 代码生成工具已独立到专用仓库，请一律访问：

👉 https://github.com/PassByYou888/LingoFuse-Tools

包括生成器、声明规范、使用手册、生成器源码与预编译包等。

`src/` 子目录文档（LLM 生态）

文档	说明
src/LingoFuse_LLM_Ecosystem_User_Guide.md	生态总览——四大核心应用组件、两条路径、能力发现机制
src/LingoFuse_LLM_Proxy_Tool_CLI_Guide.md	🔴 LTB 命令行手册（路径 B 核心）
src/LingoFuse_LLM_Proxy_CLI_Guide.md	🟣 纯转发代理命令行手册
src/LingoFuse_LLM_Proxy_Compatibility_Guide.md	250+ 后端兼容清单（LTB 亦适用）
src/LingoFuse_LLM_Service_CLI_guide.md	🟢 本地推理服务命令行手册
src/llm_client_v3.md	Pascal 客户端 SDK 文档
src/llm_client_v3_Structured_Output_Learning_Guide.md	Structured Output 完整学习指南
src/QUICK_START_LLM_STACK.md	LLM 栈快速上手
src/pascal_agent_api_ref_json.md	`agent_main` / `register_agent` JSON 结构详解
src/lingofuse/Bridge_User_Guide.md	HTTP 桥接网关使用指南
src/LingoFuse_Pascal_Complete_Guide.md	Pascal 核心层完整指南（含踩坑知识库）
src/NVIDIA-Nemotron-3-Nano-Omni-30B-A3B-Reasoning-UD-IQ4_XS.md	推荐模型下载与部署

🛡️ 稳定性：为长时间运行而设计

pasAgent 的所有组件都针对长时运行、高频调用做了专门加固：

单 worker 串行推理：llama.cpp 上下文不是线程安全的，所有推理通过 FIFO 队列串行化到单 worker 线程
双条件会话回收：空闲超时 AND 客户端离线才回收（仅 llm_service），避免客户端临时断开导致对话历史丢失
异常隔离：后台循环的任何异常都被捕获，不会杀死工作线程
句柄自动回收：显式释放 + 超时回收，防止资源泄漏
能力矩阵自描述：客户端可查询服务端支持哪些 API、哪些模态能力
LTB 四重上限：轮次 / 总调用数 / 单结果长度 / 总结果长度，杜绝失控模型

实测表现：可稳定处理数万条连续的交互命令或 function call，长时间运行不掉线、不漏句柄、不串会话。

🔧 运行前准备

pasAgent 所有组件都依赖 LingoFuse 动态库（LingoFuse64.dll / liblingofuse.so）。

git clone --recursive https://github.com/PassByYou888/LingoFuse.git
# 然后将 LingoFuse/Binary 目录加入系统 PATH

提示：预编译包已内置所需动态库，无需单独安装。预编译包内包含：

类别文件

LingoFuse 核心 LingoFuse32.dll / LingoFuse64.dll

IPC 依赖 z_ipc_32.dll / z_ipc_64.dll（及调试版 z_ipc_32d.dll / z_ipc_64d.dll）

内存分配器 mimalloc32.dll / mimalloc64.dll / mimalloc-redirect.dll / mimalloc-redirect32.dll

应用 EXE mcp_api_tool.exe / llm_proxy_tool.exe / llm_proxy.exe / llm_client_v3（GUI 为 llm_tool_v3.exe） / llm_service.exe / llm_test.exe / pascal_agent_service.exe / pascal_agent_api.exe / mcp_api_proxy.exe / bridge.exe / HealthCheck.exe

MCP-API 生成器请从 LingoFuse-Tools 仓库获取。

⚠️ 首次运行缺少 DLL？

如果提示找不到 LingoFuse64.dll / z_ipc_64.dll，不想自己编译 LingoFuse：

👉 直接去预编译包发布页找现成的：releases/tag/pre_build

运行环境依赖：预编译 DLL 使用 Visual Studio 2022 编译，运行时需要安装 VS2022 可再发行组件（VC++ Redistributable）：

VC++ Redistributable for Visual Studio 2022 (x86/x64)

🌟 关于开放性

pasAgent v3 是 LingoFuse 的分支项目，两者均为完全开放、非商业性的开源项目。

✅ 永久免费：MIT 许可证
✅ 无商业捆绑：无收费功能、无付费订阅
✅ 社区驱动：决策来自社区贡献者
✅ 透明开发：源码全公开，构建可复现

❓ 常见问题

问题	回答
需要懂 MCP 协议吗？	不需要，写 Pascal 就行
只支持豆包吗？	支持所有 MCP 客户端：LM Studio / Claude / Continue.dev / Jan / DeepSeek
只能做加减乘除吗？	任何 Pascal 函数：数据库、文件、硬件、GUI……
v3 和 v2 什么关系？	v3 是 v2 的平行分支——v2 仍维护，v3 面向多模态协作场景
为什么 v3 要独立开仓？	多模态是衍生型机制，需要周边程序协同支持，独立开仓不影响 v2 稳定性
什么是多模态？	让 AI 能同时处理文字和图片等多种输入形式，而不是只处理纯文本
我的客户端不支持 MCP，怎么办？	用 `llm_proxy_tool`（路径 B），服务端代管工具调用
我的客户端支持 MCP，怎么用？	用 `mcp_api_tool`（路径 A）
我只要对话，不要工具	用 `llm_proxy`
我想自己写 Pascal 客户端	用 `llm_client_v3` SDK
我想把 LLM 塞进自己的项目	用 `llm_service` + `llm_client_v3`，就是一个本地 LLM 小工具
有 Python 客户端吗？	没有——Python 天生能接智能体生态（LangChain / OpenAI SDK / …），不需要绕道
MCP-API 生成器支持哪些语言？	几十种目标语言——不再局限于双语言，详见 LingoFuse-Tools
需要联网吗？	不需要（`llm_service` 完全离线）。用 `llm_proxy` / `llm_proxy_tool` 转发云端 API 时需联网
三种 LLM 服务端能同时跑吗？	默认不能（共享同一端点）。要共存须改 `--endpoint` + `--app-name`
缺 DLL 又不想编译？	去预编译包发布页下载，解压即用
LLM 体系文档在哪里？	全部在 `src/` 目录下
能长时间跑吗？	能。专门做过加固：单 worker 串行、双条件回收、句柄自动回收、异常隔离、LTB 四重上限

👤 关于作者

老张（QQ: 600585）

看不惯跨语言调用得写一箩筐胶水代码，干脆撸了 LingoFuse；又看不惯 Pascal 老代码接不进 AI 时代，顺手撸了 pasAgent；还看不惯 AI 只能理解文字，于是 v3 走上了多模态之路。

欢迎反馈、建议、PR。

📄 许可证

MIT —— 自由使用、修改、分发。

项目始于 2026 年，持续迭代中。有问题提 Issue，急事加 Q。

类别	文件
LingoFuse 核心	`LingoFuse32.dll` / `LingoFuse64.dll`
IPC 依赖	`z_ipc_32.dll` / `z_ipc_64.dll`（及调试版 `z_ipc_32d.dll` / `z_ipc_64d.dll`）
内存分配器	`mimalloc32.dll` / `mimalloc64.dll` / `mimalloc-redirect.dll` / `mimalloc-redirect32.dll`
应用 EXE	`mcp_api_tool.exe` / `llm_proxy_tool.exe` / `llm_proxy.exe` / `llm_client_v3`（GUI 为 `llm_tool_v3.exe`） / `llm_service.exe` / `llm_test.exe` / `pascal_agent_service.exe` / `pascal_agent_api.exe` / `mcp_api_proxy.exe` / `bridge.exe` / `HealthCheck.exe`

pasAgent v3

📦 获取 v3

🆕 为什么会有 v3 新仓库？

🎯 一句话定位

🆚 为什么选 pasAgent v3？—— 与 Pascal 生态其他方案的对比

方案能力矩阵

一句话对比

v3 的两大独特优势

优势 1：🌐 多模态协作 —— 文字问答 + 图片问答

优势 2：⭐ 无限语言 MCP-API 生成 —— 一份声明，几十种目标语言

结论

🧩 四大核心应用组件 + 一个辅助工具

🌟 第一梯队：应用层组件（4 个）

🛠️ 第二梯队：辅助验证工具（1 个）

🎨 开发工具（跨组件的关键基础设施）

⭐ MCP-API 生成器：无限语言，一份声明

👉 https://github.com/PassByYou888/LingoFuse-Tools

一份声明，几十种目标语言

为什么重要？

获取方式

🎯 你想干什么？（按目的选择）

目的 1：客户端原生支持 MCP（LM Studio / Claude Desktop）

目的 2：客户端不支持 MCP，但想用工具（推荐 ⭐）

目的 3：只和 AI 对话（不需要工具）

目的 4：自研 Pascal 客户端 / 开发 SDK

目的 5：把本地 LLM 封装成自己的小工具

🗺️ 一图看懂组网

🚀 快速上手

场景 A：客户端支持 MCP（路径 A）

场景 B：客户端不支持 MCP（路径 B · 推荐）

场景 C：纯对话

场景 D：本地验证模型

📦 组件清单

应用层组件

开发工具

📁 项目结构

📚 文档地图

根目录文档

MCP-API 生成器文档

👉 https://github.com/PassByYou888/LingoFuse-Tools

src/ 子目录文档（LLM 生态）

🛡️ 稳定性：为长时间运行而设计

🔧 运行前准备

⚠️ 首次运行缺少 DLL？

🌟 关于开放性

❓ 常见问题

👤 关于作者

📄 许可证

Reviews (0)

`src/` 子目录文档（LLM 生态）