cota 1.1.1

Chain of Thought Agent Platform for Industrial-Grade Dialogue Systems

COTA

Chain of Thought Agent Platform for Industrial-Grade Dialogue Systems

Simple configuration, reliable performance

简体中文 | Documentation | 知乎专栏

---

通用大模型在特定业务场景中面临诸多痛点：

1. 领域知识融合难 通用LLM缺乏垂直领域专业能力，如何低成本注入领域知识？

2. 业务逻辑执行不可靠 复杂业务流程无法准确执行，AI决策缺乏可追溯性

3. 开发成本高 传统Agent框架概念复杂（状态机、图编排），需要深度理解AI系统

COTA可以做什么 ✅

COTA采用标注式策略学习，将领域知识以思维链的形式注入：

1. 用户编写对话示例 → 标注思维过程 (thought)
2. COTA学习思维模式 → 构建决策策略 (DPL)
3. 新对话触发 → 检索相似思维 → 执行可靠决策

无需学习Agent复杂概念，只需编辑对话！，COTA自动学习业务策略，构建可靠的领域AI助理。如果你会写对话，就会用COTA!

# 无需理解Agent概念，只需编写带思维链的对话示例
policies:
  - title: "复杂查天气"
    actions:
      - name: UserUtter
        result: "成都和重庆天气咋样哪个好"
      - name: Selector
        thought: "用户询问两个城市天气，需要先查成都，再查重庆，然后比较"
        result: Weather
      - name: Weather
        result: <成都天气结果>
      - name: Selector
        thought: "已拿到成都天气，还需要查询重庆天气"
        result: Weather
      - name: Weather
        result: <重庆天气结果>
      - name: BotUtter
        thought: "比较两个城市天气，告诉用户哪个更适合旅游"
        result: "成都晴20℃，重庆阴18℃，建议去成都"

🧠 核心特性

• 📝 零代码配置: 通过YAML编写对话示例即可定义业务策略，无需复杂的编程知识
• 🧩 思维链驱动: 基于Chain of Thought机制，让AI具备类人逻辑推理能力
• 🎓 标注式学习: 通过标注对话中的thought字段，自动学习可靠对话策略（DPL）
• 🏗️ 经典框架: 遵循领域成熟的Dialogue State Tracker (DST) 架构，稳定可靠
• 🔧 工业级可用: 内置多轮对话、Form填写、Action执行等生产级能力

🎯 核心优势

特性	传统Agent框架	COTA
学习成本	需要理解状态机、图编排	✅ 只需要写对话
开发周期	需要设计复杂系统	✅ 标注思维链即可
领域知识融合	需要微调模型	✅ 编写对话示例
可追溯性	黑盒决策	✅ 思维链可追踪
可靠性	需要大量测试	✅ 基于DST框架，稳定可靠

---

三类开发者优先选择 COTA：

开发者类型	选择理由
业务开发者	无需学习Agent框架，用熟悉的对话编写业务逻辑
领域专家	只需编辑对话示例，不写代码也能构建AI助手
AI工程师	实现思维链到策略的自动化学习，保障可追溯性

---

🚀 快速开始

环境要求

• Python 3.12+
• pip 包管理器

🔧 安装

方法1: 通过pip安装 (推荐)

# 1. 安装Python 3.12+
# Ubuntu/Debian:
sudo apt update && sudo apt install python3.12 python3.12-venv python3.12-pip

# macOS (使用Homebrew):
brew install python@3.12

# Windows: 访问 https://www.python.org/downloads/ 下载安装

# 2. 创建虚拟环境
python3.12 -m venv cota-env
source cota-env/bin/activate  # Linux/macOS
# 或 cota-env\Scripts\activate  # Windows

# 3. 安装COTA
pip install cota

# 4. 验证安装
cota --version

方法2: 从源码安装 (使用Poetry)

# 1. 安装Python 3.12+ (同上)

# 2. 安装Poetry
pip install poetry

# 3. 克隆仓库并安装
git clone https://github.com/CotaAI/cota.git
cd cota
poetry install

# 4. 激活虚拟环境
poetry shell

# 5. 验证安装
cota --version

⚡ 快速体验

确保你已按照上述方法安装COTA并激活虚拟环境

1. 初始化项目

# 创建示例智能体项目
cota init

执行后会在当前目录创建 cota_projects 文件夹，包含示例配置：

cota_projects/
├── simplebot/          # 简单对话机器人
│   ├── agent.yml       # 智能体配置
│   └── endpoints.yml  # LLM配置示例
└── taskbot/           # 任务型机器人
    ├── agents/
    ├── task.yml
    └── endpoints.yml

2. 配置智能体

# 进入simplebot目录
cd cota_projects/simplebot

编辑 endpoints.yml，配置你的LLM API：

llms:
  rag-glm-4:
    type: openai
    model: glm-4                    # 使用的模型名称
    key: your_api_key_here          # 替换为你的API密钥
    apibase: https://open.bigmodel.cn/api/paas/v4/

3. 启动对话测试

# 启动调试模式命令行对话
cota shell --debug

# 或启动普通命令行对话
cota shell --config=.

4. 启动服务上线 (可选)

# 启动WebSocket服务
cota run --channel=websocket --host=localhost --port=5005

📚 完整文档

• 📖 完整文档 - 详细使用指南和API文档
• 📝 知乎专栏 - 智能体框架深度解析和实践案例
• 🚀 5分钟快速入门 - 从零开始构建你的第一个AI助手
• ⚙️ 配置详解 - 了解agent.yml、endpoints.yml配置
• 🎓 DPL策略学习 - 学习如何通过标注思维链构建可靠策略
• 🏗️ 架构原理 - DST、Action、Channel等核心概念
• 🚀 生产部署 - 部署到生产环境的最佳实践

🤝 贡献指南

我们欢迎所有形式的贡献！

1. Fork 本仓库
2. 创建你的特性分支 (git checkout -b feature/AmazingFeature)
3. 提交你的更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启一个 Pull Request

English

Click to expand English version

Problem & Solution

The Challenge You Face:

General LLMs struggle with three critical issues in domain-specific scenarios:

1. Domain Knowledge Integration is Difficult ❌
   How to low-cost inject domain expertise into general LLMs?

2. Unreliable Business Logic Execution ❌
   Complex business processes cannot be accurately executed

3. High Development Cost ❌
   Traditional Agent frameworks require deep understanding of AI systems

COTA's Solution ✅

Transform domain knowledge into chain of thought, making AI think like experts

Just edit dialogue text with annotated thought processes, and COTA automatically learns business strategies to build reliable domain AI assistants.

Key Features

• 📝 Zero-Code Configuration: Define business strategies by writing dialogue examples in YAML
• 🧩 Chain of Thought Driven: Based on CoT mechanism for human-like reasoning
• 🎓 Annotated Learning: Automatically learn dialogue policies (DPL) by annotating thought field
• 🏗️ Classic Framework: Built on proven Dialogue State Tracker (DST) architecture
• 🔧 Production-Ready: Multi-turn dialogue, Form filling, Action execution

Quick Start

# Install
pip install cota

# Initialize
cota init

# Start
cota shell --debug

Learn More: 📖 Documentation

---

📞 联系我们

GitHub Issues 和 Pull Requests 随时欢迎！
项目咨询：[e-mail]

社区讨论: GitHub Discussions

---

⭐ 如果COta对你有帮助，请给我们一个Star！这将是对我们最好的鼓励！⭐

Made with ❤️ by CotaAI