ValueFlows项目中的经济活动动作类型详解
前言
在ValueFlows这个分布式经济协作框架中,"动作(Action)"是一个核心概念,它定义了经济活动中资源流动的具体行为和影响。本文将深入解析ValueFlows中定义的各种动作类型及其对经济资源的影响机制,帮助开发者更好地理解和应用这一框架。
动作类型概述
在ValueFlows中,所有经济流动(包括经济事件、承诺、意向、索赔和配方流)都使用动作属性来指定流动的具体行为及其对经济资源的影响方式。这些动作不仅定义了用户界面应如何呈现这些行为,还明确了它们对经济资源的实际影响。
核心动作类型详解
生产类动作
produce(生产):创建一个新资源或增加现有库存资源的数量。不仅适用于制造业,也适用于任何材料、数字或能源资源的创建。
deliverService(提供服务):产生并交付一项新服务。服务是无形的,不会创建可库存的资源。服务通常直接提供给代理,但有时也可能同时作为另一个记录流程的输入。
消耗类动作
consume(消耗):资源在流程中被转化或完全消耗。流程结束后,指定数量的输入资源将不复存在。
use(使用):资源在流程中被使用但不消耗。流程结束后资源仍然存在,但在使用期间不可用。常用于设备或工具的使用场景。
知识类动作
cite(引用):资源被引用但不被使用或消耗。常用于设计文件、科学论文等数字知识资源,目的是让资源负责人获得认可。
work(工作):指应用于流程的劳动。通常不涉及特定资源,只与提供劳动的代理相关。工作类型或技能可通过资源规范来标识。
运输类动作
pickup(接取):被运输的资源或人员进入流程,同一资源将在流程输出中再次出现。
dropoff(送达):被运输的资源或人员离开流程,同一资源或人员曾作为该流程的输入出现。
资源处理类动作
accept(接收):资源进入涉及修复、修改、测试等的流程,同一资源将在流程输出中出现。
modify(修改):对接收的资源进行修改后输出。修改不一定是物理变化,如质量测试也属于此类。
combine(组合):将资源放入包装或组合资源中,同一资源可能在分离后再次出现。
separate(分离):将资源从包装或组合资源中移除,使其不再包含在其他资源中。
权利转移类动作
transferAllRights(转移全部权利):将全部权利和责任转移给另一代理,不涉及物理保管权的转移。
transferCustody(转移保管权):将资源的物理保管权和控制权转移给另一代理,不涉及全部权利的转移。
transfer(转移):同时转移全部权利和物理保管权。
其他动作
move(移动):改变资源的位置(可能包括标识符),但不转移权利或保管权。
copy(复制):为接收者创建原始提供者资源的精确副本,主要用于数字资源。
raise(增加):向上调整数量,用于系统初始化或库存盘点发现系统数量低于实际时。
lower(减少):向下调整数量,用于系统初始化(罕见)或库存盘点发现系统数量高于实际时。
动作行为机制
事件影响
-
eventQuantity:决定事件应包含resourceQuantity(资源数量)、effortQuantity(工作量)还是两者。
-
inputOutput:定义事件可以是流程的输入、输出,或与流程无关。
-
pairsWith:指示哪些动作的事件将作为同一流程的输入和输出,并隐含引用同一经济资源。
-
createResource:决定事件是否应支持创建新资源或增加现有"库存"资源的选项。
资源影响
-
accountingEffect:定义事件如何影响经济资源的accountingQuantity(会计数量)。
-
onhandEffect:定义事件如何影响经济资源的onhandQuantity(现有数量)。
-
locationEffect:定义事件如何更新资源的currentLocation(当前位置)。
-
containedEffect:处理资源包含在其他资源中的情况。
-
accountableEffect:设置资源的primaryAccountable(主要责任方)代理。
-
stageEffect:设置资源的stage(阶段)属性。
-
stateEffect:设置资源的state(状态)属性。
实际应用建议
-
动作选择:在选择动作类型时,应考虑资源在流程前后的标识需求。如果需要保持资源标识不变,应使用accept/modify;如果需要改变资源标识,则应使用consume/produce。
-
资源创建:任何可以创建新资源的动作也可以影响(通常是增加)现有的"库存"资源。
-
时间相关动作:对于use和work等时间相关动作,可以考虑与日历系统集成以跟踪资源可用性。
-
隐含转移:当提供者和接收者代理不同时,应考虑转移行为的隐含影响。
-
跟踪追溯:如果需要使用跟踪追溯算法,应在保存事件时添加额外字段以记录"面包屑"信息。
总结
ValueFlows中的动作类型为经济协作提供了精确的行为定义框架。通过理解这些动作类型及其对资源的影响机制,开发者可以更准确地建模复杂的经济交互场景。动作系统的设计既考虑了通用性,又保持了足够的灵活性以适应各种特定需求,是ValueFlows框架强大功能的基础之一。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00