adam

想象一下：你在嵌入式设备上跑 AI Agent——树莓派、工业控制器、甚至智能手表。传统方案需要 Python 运行时 + 几十MB依赖，根本跑不动。而 sqliteai/adam 用 10MB 的 C 静态库解决了这个问题：一个 #include 搞定 AI Agent 全部功能。

这就是 Adam——"AI Agent 领域的 SQLite"：小、快、随时可用。

它是什么

Adam 是一个用纯 C 编写的可嵌入式 AI Agent 开发库，核心只有一个 adam.c + adam.h，加上几个子模块（llama.cpp、whisper.cpp、SQLite），就能跑起完整的 Agent 循环：工具调用、记忆管理、会话持久化、语音交互、多模态理解。

项目名里的"sqliteai"既是组织名，也暗示了设计哲学——像 SQLite 那样，把复杂能力压缩到最小体积，让任何平台都能即插即用。

核心功能

Agent Loop：自动迭代直到完成

adam_settings_t *s = adam_create_settings();
adam_settings_set_provider(s, ADAM_API_ANTHROPIC, api_key, "claude-sonnet-4-20250514");
adam_history_t *h = adam_history_create();
adam_run_result_t r = adam_run(s, h, "分析这份销售数据并给出建议");
printf("%s\n", r.final_response);

这是 Adam 最核心的 API：adam_run() 自动处理整个 Agent 循环——发送 Prompt → 解析 LLM 响应 → 如果有工具调用就执行 → 追加结果 → 继续循环，直到 LLM 输出纯文本响应。开发者无需手动管理迭代次数和状态。

多 Provider 支持：云端和本地统一接口

// Anthropic
adam_settings_set_provider(s, ADAM_API_ANTHROPIC, key, "claude-sonnet-4-20250514");
// OpenAI
adam_settings_set_provider(s, ADAM_API_OPENAI, key, "gpt-4o");
// Google Gemini
adam_settings_set_provider(s, ADAM_API_GEMINI, key, "gemini-2.0-flash");
// 本地 GGUF 模型
adam_settings_set_provider(s, ADAM_API_LOCAL, NULL, "models/llama3-8b.Q4_K_M.gguf");

一套 API，无缝切换云端 API（Anthropic / OpenAI / Google Gemini / Groq / Together / xAI）和本地 llama.cpp 推理。不需要改业务代码。

内置 13 种工具

Adam 开箱即带 13 种常用工具，覆盖文件 I/O、Shell 执行、计算器、SQL 查询、网页抓取、HTTP POST、记忆读写、研究模式、多 Agent 调用等场景。

adam_settings_add_tool(s, "file_read", file_read_tool, NULL);
adam_settings_add_tool(s, "shell_exec", shell_exec_tool, NULL);
adam_settings_add_tool(s, "sqlite_query", sqlite_tool, NULL);

开发者也可以注册自定义工具，Agent 会自动决定何时调用哪个工具。

语音交互：本地 STT + TTS

make talk        # 云端语音（Whisper 云 STT + 系统 TTS）
make talk LOCAL=1  # 完全本地：whisper.cpp 本地转写 + miniaudio 输出

Adam 集成了完整的音频管线：Whisper（云端或本地 whisper.cpp）做语音识别，miniaudio 处理系统音频 I/O，支持本地 TTS 或云端语音合成。完全离线可用。

数据库扩展：把 Agent 嵌入 SQL

这是 Adam 最独特的特性——通过 SQLite 或 PostgreSQL 扩展，把 Agent 变成 SQL 函数：

SELECT adam_agent(
    '分析过去30天销售额趋势，给出下季度建议',
    'postgresql://sales_user:pass@db/sales'
);

在数据库查询里直接调 Agent，数据不动，推理结果回来。这意味着可以在数据源附近做 AI 分析，避免大数据传输开销。

自进化循环与研究模式

Evolution Loop：让 Agent 自己迭代优化输出策略。定义评估函数 → 自动生成多个策略变体 → 评分 → 选出最优：

adam_evolve_config_t cfg = adam_evolve_config_defaults();
cfg.task = "写一个产品介绍";
cfg.initial_strategy = "简洁专业";
adam_evolve(s, h, &cfg);

Research Mode：给定研究问题，Agent 自动多轮搜索网页、抓取数据、综合报告——相当于一个 mini 的 Perplexity。

上手门槛

使用方式	难度	说明
make chat（云端）	⭐	5分钟体验，需 API Key
make chat GGUF=xxx（本地）	⭐⭐	需下载 GGUF 模型文件
集成到 C 项目	⭐⭐⭐	只需 #include "adam.h"，CMakeLists 加 libadam.a
数据库扩展	⭐⭐⭐⭐	需要 SQL 知识 + 数据库环境

API 设计极度简洁，核心流程不超过 10 行 C 代码。文档质量很高——API.md 详细描述每个类型和函数，ARCHITECTURE.md 深入讲解内部实现，数据流清晰。

技术架构

内存管理：Arena 分配器

Adam 用两层内存策略：

• Arena 分配器（arena_t）：每轮迭代开始时创建，结束时整体重置。用于 LLM 响应解析、系统 Prompt 构建、工具结果字符串。无泄漏，无需手动 free。
• malloc/strdup：跨迭代的长生命周期数据（会话历史、配置字符串）。需手动调用 _destroy() / _free() 释放。

这个设计让 Agent 循环的临时内存完全不泄漏，同时避免了 GC 开销——C 语言的极致工程哲学。

Agent Run Loop 流程

adam_run() → 验证输入 → 重置 Arena
→ 构建系统 Prompt（身份+指令+Bootstrap文件+记忆+时间）
→ Guardrails 检查（发送前钩子）
→ 检查缓存
→ LLM 分发（Mock | llama.cpp | HTTP 云端）
→ Guardrails 检查（接收后钩子）
→ 有工具调用 → 执行 → 追加结果 → 循环
→ 无工具调用 → 返回最终响应 → 自动保存会话 → 提取记忆

模块化子模块

模块	作用
llama.cpp	本地 LLM 推理（GGUF 格式）
whisper.cpp	本地语音转文字
sqlite	会话持久化、记忆存储
sqlite-memory	BM25 + 向量混合检索
sqlite-vector	向量相似度搜索
miniaudio	跨平台音频 I/O
mbedtls	Linux TLS 加密
curl	Linux HTTP 请求

macOS 使用系统框架（Foundation、Security、Metal、AVFoundation）代替 curl/mbedtls，保持零外部依赖。

争议与局限

优势一面：

• 体积极小，嵌入式友好，SQLite 级别的部署体验
• 代码质量高——161 个测试用例，覆盖 ASan + UBSan 内存安全检测
• 跨平台实现干净，平台抽象层设计合理

局限与挑战：

• C 语言 API 使用门槛：对于习惯 Python 的 AI 开发者，C API 仍然比 LangChain/Pydantic 笨重不少
• 文档以英文为主：项目 README 英文，对中文用户有一定门槛
• 功能子集需要 Feature Gate 裁剪：不需要语音就要 ADAM_NO_VOICE，不需要本地推理就要 ADAM_NO_LOCAL，否则编译体积会大
• 111 Stars 的小众项目：社区规模有限，issue 响应速度和长期维护存疑
• Windows 支持依赖 MSVC 或 MinGW：不如 macOS/Linux 原生体验

行业意义

在"万物皆可 AI Agent"的时代，Adam 代表了一个重要方向：把 Agent 能力下沉到边缘。

目前大多数 Agent 框架（LangChain、AutoGen、Semantic Kernel）都基于 Python，不适合嵌入式 / 移动端 / WASM 场景。而 Adam 用 C 语言证明了：在 < 10MB 的二进制体积里，可以跑完整的、多模态的、会话式的 AI Agent。

这个方向的价值不仅在于"小"，更在于确定性——没有 Python 运行时依赖、没有 GIL、没有包管理器版本冲突，部署到哪里都能跑。这对于：

• 工业 IoT：边缘网关上的 AI 决策
• 移动 App：iOS/Android 原生嵌入 AI 能力
• WASM：浏览器内本地运行私有 Agent

都是切实可行的路径。Adam 的数据库扩展（把 Agent 变成 SQL 函数）更是打开了一个有趣的场景：让 AI 推理靠近数据，而不是把数据拉到 AI 侧。

随着 llama.cpp 在移动端效率的持续优化，Adam 这类嵌入式 Agent 库的价值会越来越大。

项目信息

• Stars: 111 | Forks: 15
• 语言: C | License: MIT
• 官方文档: README.md · API.md · ARCHITECTURE.md
• 快速体验: make deps && make all && make chat（云端）或 make chat GGUF=model.gguf（本地）