ntk

<div align="center">

Know less. Do more.

*当所有多Agent框架都在让AI看更多信息时，* *我们问了一个不同的问题：如果让AI看更少呢？*

[](https://github.com/kobolingfeng/ntk/actions/workflows/ci.yml) []() [](LICENSE) []() [](https://linux.do)

[English](README_EN.md) | 中文

</div>

---

每一个多Agent框架都在做同一件事：给每个Agent尽可能多的上下文。更长的对话历史、更大的记忆库、更复杂的工具链——期望AI从海量信息中找到答案。

NTK 做相反的事。

军事情报领域有一个原则叫 "Need-to-Know Basis"——即使你有最高安全权限，你也只会被告知完成任务所必须知道的最小信息集。NTK 把这个原则带进了多Agent系统：

> 每个Agent只收到它完成任务所需的最少信息，一个字都不多给。

这不是限制，这是优势。认知科学告诉我们，选择性注意力才是实现专注的本质——不是看到更多，而是忽略更多。LLM 同理：短上下文比长上下文更精确、更遵循指令、更不容易幻觉。给得越少，做得越好。

• 自适应复杂度路由 (Adaptive Complexity Routing) — 通过正则快速路径 + 轻量 LLM 分类器自动评估任务复杂度，将复杂任务分配给多阶段管线，简单任务一步直出。不同复杂度的任务走不同的处理通道。
• 选择性遗忘 (Selective Forgetting) — Agent 间不传递原始上下文，而是经过信息密度压缩后按需投递。每个 Agent 只看到经过裁剪的最小充分信息集。
• 零开销分级 (Zero-Overhead Classification) — 在内部测试集中约 63% 的任务通过正则快速路径在微秒级完成分级，完全绕过 LLM 分类器，实现零额外 token 消耗。
• 渐进式管线深度 (Progressive Pipeline Depth) — 四级深度自适应：direct → light → standard → full，像 TCP 慢启动一样，只在必要时才升级复杂度。
• 双模型成本分离 (Dual-Model Cost Isolation) — 95%+ token 走廉价模型，仅 2-5% 高信息密度决策使用强模型，实现类似混合精度训练的成本结构。

大多数"智能"框架对所有任务走同一个复杂管道。写一个斐波那契函数？也要经过规划→调研→执行→验证四步。

NTK 不这样做。它先用零开销正则分类器（在测试集中处理约 63% 的任务）判断复杂度，只在必要时才启动更深的管道：

| 你的任务 | NTK 怎么做 | 开销 | |---------|-----------|------| | "写个排序函数" | 一步直出 | ~400 tok, 4秒 | | "设计 REST API" | 调研→执行 | ~2500 tok, 19秒 | | "微服务架构设计" | 完整管线 | ~3000 tok, 20秒 |

写斐波那契和设计微服务架构不该花一样的钱。NTK 正是为此设计。

NTK 的核心策略是双模型成本分离：绝大多数工作交给廉价模型，只有真正需要深度推理的规划步骤才用强模型。

实测数据（9 类任务，每配置 3 次运行取均值）：

| | 全强模型 | 全廉价模型 | NTK（廉价为主） | |---|-