Ramet Vibe 项目

Ramet 是面向 AI 编码代理的"持久化 + 可分叉"工作区运行时层，由独立开发者 shenli 主导开源。它解决的是当下主流 Agent 框架（LangChain / LangGraph、CrewAI、AutoGen、SkyRL 等）共同缺失的一块拼图——如何让 Agent 在沙箱替换、外层环境被回收时，仍然能保留真正有价值的本地文件状态，而不是把整个文件系统打包带走或全部丢弃。

核心功能

• 跨会话持久化工作区：每次执行都能 save / restore 工作区文件与本地 Git 状态，沙箱被替换后 Agent 的有效产物不丢失。
• 可分叉的并行尝试：从同一份共享的不可变基础（base image）派生多个独立可写工作区，给 best-of-N 编码 Agent 一次跑 N 个分支做对比。
• 可控的状态持久策略：把 Agent 状态分为"共享不可变（数据集/只读输入）"、"持久化（源代码改动 / 本地提交）"、"工作副本（依赖缓存 / 临时文件）"，让你在保存 attempt 时精确选择哪些状态需要"survives"。
• RL rollout 之间干净复位：在 SkyRL 等 Agent RL 框架里，每次 rollout 前后自动验证文件系统是否真的回到干净起点，避免训练污染。
• 可复现的评测底座：通过共享内容、缓存和 warm pool，让多轮 Agent 评估共用准备好的仓库与依赖。
• 多框架集成路径：LangChain / LangGraph（工具 / runtime 集成）、CrewAI / AutoGen（执行器集成）、SkyRL（可运行的 SkyRL-Gym 环境，已在真实 worker + Docker 下测过）、自研 harness（Python / Go / HTTP 集成 + 同机 Docker adapter）。

技术实现

Ramet 的设计哲学是"应用框架管记忆 + Ramet 管工作区生命周期"——它不接管 Agent 的对话状态、orchestration、奖励或训练，只专注于文件系统这一层的快照、派生与回滚。底层由 Python / Go / HTTP 多语言 SDK 组成，文档覆盖框架集成路径、SkyRL 集成、自定义 harness 模板，以及 Docker 适配器，避免和上层 Agent 框架耦合。

快速上手

1. 安装 Ramet SDK（Python / Go）。
2. 选择你的 Agent 框架（LangChain / LangGraph / CrewAI / AutoGen / SkyRL / 自研 harness），在对应 docs/integration.md 找到集成路径。
3. 准备一份共享不可变基础（基础数据集 + 初始仓库），通过 Ramet 的 base 抽象注册。
4. 启动 SkyRL worker 或自定义 executor，跑出独立可写的 fork 工作区。
5. 每轮 rollout 结束调用 snapshot save 记录 durable 状态，调用 fork 派生下一轮，并按需 promote / discard 选择保留哪些 attempt。

适用人群

构建 best-of-N 编码 Agent 的团队；做 Agentic RL rollouts（SkyRL、verifiers 类）的工程师；搭建 Agent 评测平台的 ML / 系统工程师；不希望在沙箱替换时丢掉有效文件工作的 Agent 应用开发者。

官方链接

• 仓库：https://github.com/shenli/ramet