Mega：基于上下文工程的Brainbase平台AI开发效率革命

1. 项目概述Mega你的Brainbase平台AI工程专家如果你正在使用Claude Code、Cursor或者任何能读取文件的AI编程工具来构建基于Brainbase平台的对话式AI应用那么你很可能遇到过这样的困境你需要花费大量时间向AI解释Brainbase的架构、Based语言的语法、部署流程以及各种最佳实践。每次开启一个新项目或者切换一个AI工具这个过程都得重来一遍。Mega的出现就是为了彻底终结这种低效的重复劳动。它不是一个命令行工具也不是一个软件开发套件更不是一个复杂的智能体框架。Mega的本质是一个经过精心设计的“知识库”或“上下文工程”项目其唯一目的就是将你的AI编程工具瞬间变成一位拥有深厚经验的Brainbase平台专家。想象一下你只需要将Mega的代码库克隆到本地然后在你的AI工具中打开这个文件夹。接下来无论你是想编写一个处理来电的语音机器人还是部署一个跨多个渠道的客服流程你都可以直接用自然语言向你的AI伙伴描述需求。比如“这是我们的客户支持手册PDF请基于它创建一个用于处理来电的Based流程能够根据来电者的意图将其路由到销售、服务或配件部门。” Mega内置的上下文文件会让你的AI工具理解这一切如何用Based语言编写流程如何创建Worker和Flow如何测试以及如何一键部署到语音、短信或WhatsApp等渠道。它让“描述即开发”成为现实极大地提升了在Brainbase平台上进行AI应用开发的效率和体验。2. Mega的核心设计哲学与工作原理拆解2.1 从“工具集成”到“知识注入”的范式转变传统的开发工具集成无论是CLI还是SDK都要求开发者去学习和适应工具本身。你需要记住复杂的命令、参数和API调用顺序。Mega采取了一种截然不同的思路它不改变你的工作流而是增强你已有的、最顺手的工具——即你日常使用的AI编程助手。它的设计哲学是“知识注入”而非“工具替换”。通过向AI工具的工作区注入一整套结构化的、关于Brainbase平台的专家级知识Mega使得AI能够基于这些知识进行自主推理和代码生成。这种设计的精妙之处在于其普适性和低侵入性。它不依赖于某个特定的、封闭的AI代理框架而是兼容所有能够读取项目文件并理解其上下文的AI编程工具。无论是Cursor的.cursorrulesClaude Code的CLAUDE.md还是面向更自主智能体的AGENTS.mdMega都提供了对应的配置文件。这些文件就像给AI工具戴上了一副“Brainbase专家眼镜”让它能“看见”并理解整个平台的生态、语言规范和最佳实践。你无需学习新的工具链只需在你熟悉的AI编程环境中获得一个无所不知的Brainbase搭档。2.2 基于“上下文工程”的智能体赋能体系Mega的成功高度依赖于“上下文工程”这一前沿实践。简单来说就是通过精心编排和置入项目中的文档、示例和配置来塑造和引导AI工具的行为与认知。我们来拆解Mega项目结构中的几个关键上下文文件docs/based.md(基于语言完全参考)这是Mega知识体系的核心。它详细定义了Based语言的语法、语义和所有内置函数如say(),talk(),.ask(),loop/until等。当AI需要编写一个流程时它会首先参考这份文档确保生成的代码符合平台规范。这相当于给了AI一本权威的编程语言教科书。examples/目录下的各种.based文件理论知识需要实践来巩固。这个目录下存放着经过验证的、可直接在引擎上运行的Based流程示例如预约预订、订单处理、潜在客户筛选等。这些示例不仅是代码模板更是展示了如何将业务逻辑转化为具体对话流程的模式库。AI可以通过学习这些示例掌握处理复杂对话状态、分支逻辑和外部集成的成熟方法。CLAUDE.md/.cursorrules/AGENTS.md这些是面向不同AI工具的“引导手册”。它们会告诉AI“你现在是一个Brainbase专家你的知识库在docs/和examples/里你的任务是帮助用户基于这些知识构建和部署应用。” 它们设定了AI的角色、可用的工具如scripts/bb.sh以及处理用户请求的标准流程。通过这套组合拳Mega构建了一个完整的赋能体系从语言规范docs/到实践范例examples/再到任务指引配置文件全方位地将平台知识“编译”进了AI工具的上下文中。2.3 端到端工作流从描述到部署的自动化之旅Mega的价值在完整的端到端工作流中体现得淋漓尽致。我们以构建一个牙科诊所预约机器人为例看看Mega如何串联起整个开发生命周期需求描述自然语言用户对AI说“为牙科诊所构建一个预约预订智能体。接听来电问候来电者收集姓名和电话让他们选择一项服务洗牙、补牙、咨询选择时间并最终确认。”知识检索与理解AI工具已加载Mega上下文接收到指令后会自动检索docs/based.md来理解如何用loop/until结构处理多轮对话如何使用talk()函数与LLM交互以及如何使用.ask()函数结构化地收集信息。同时它会参考examples/appointment-booking.based来获取一个可借鉴的模板。代码生成Based流程基于以上理解AI生成符合规范的Based代码。代码会包含问候语、一个主循环来持续处理对话以及多个until分支来处理“预约”、“取消”和“结束”等不同意图。在收集信息的部分会使用res.ask()并给出示例JSON结构以确保收集到的数据格式规整。基础设施操作通过CLI包装器生成的代码需要变成平台上可运行的实体。AI会调用Mega提供的scripts/bb.sh脚本。这个脚本是对Brainbase REST API的友好封装。AI首先用它创建一个“Worker”智能体的运行容器然后将写好的Based代码作为“Flow”上传到这个Worker中。实时测试与验证在正式部署前需要测试流程是否按预期工作。Mega提供了scripts/test_v1_engine.py脚本这是一个WebSocket测试客户端。AI可以指挥它连接到Brainbase的v1引擎模拟用户发送一系列消息如“你好”、“我想预约”、“明天下午两点”并实时获取和解析智能体的回复从而验证每个对话分支的逻辑是否正确。多渠道部署测试通过后便是部署环节。AI再次使用bb.sh执行如deployments create-voice这样的命令将刚刚创建好的Flow部署到一个真实的电话号码上。至此一个功能完整的语音机器人就上线了。这个流程将传统上需要开发者手动执行的查阅文档、编写代码、调用API、测试、部署等多个离散步骤融合成了一个连贯的、由自然语言驱动的自动化管道。开发者从繁琐的操作中解放出来专注于更高层的业务逻辑和需求描述。3. 深度解析Based语言为对话而生的Python超集3.1 设计理念在熟悉感之上构建专业能力Based语言是Mega和Brainbase平台的基石。它的设计非常巧妙以广为人知的Python作为基础语法极大地降低了学习门槛。任何有Python基础的开发者几乎可以立即上手。在此基础上Brainbase团队精心引入了一小组专为多轮、LLM驱动的对话场景设计的原语和结构。这种“Python”的策略既保证了语言的表达能力和灵活性又通过领域特定语言DSL的方式提供了构建对话应用所需的高级抽象。这带来的直接好处是AI工具在生成Based代码时异常高效和准确。因为Python的语法条件判断、循环、变量、函数是AI模型训练数据中的常见部分模型对此非常熟悉。基于此只需要让AI理解那几个额外的、用于对话控制的“关键字”如talk,until它就能组合出复杂、健壮的对话流程。Mega中的docs/based.md文件正是为了精准地教会AI这些“关键字”的用法、语义和约束。3.2 核心原语与实战模式解析让我们深入看看Based语言中几个最核心的原语以及Mega如何通过示例教导AI使用它们talk(llm_instruction, use_history: bool)与LLM对话的核心桥梁。这是Based中最重要的函数之一。第一个参数是给大语言模型的指令定义了AI助手的角色和行为如“你是一位友好的牙科诊所预约助手萨拉…”。第二个布尔参数use_history极为关键。当设置为True时本次talk的上下文会包含整个对话历史让LLM能理解上下文进行连贯回复设置为False时则每次talk都是独立的适用于需要重置上下文或进行一次性分类/提取的场景。在Mega的示例中通常会在循环开始时用talk(..., True)开启一个带上下文的对话线程而在某些需要意图分类的节点可能会用talk(..., False)进行纯净的意图判断。loop:与until “intent”:结构化对话流程的骨架。这是Based语言控制流的精髓。一个典型的模式是loop: res talk(“You are a helpful assistant.”, True) until “user wants to book”: # 处理预约逻辑 name res.ask(“What‘s your name?”, {“name”: “John”}) until “user wants to cancel”: # 处理取消逻辑 until “user says goodbye”: say(“Goodbye!”) end_call()loop:块定义了一个持续的对话循环。每次循环都会执行talk来获取用户的输入和LLM的解析结果。随后程序会按顺序检查各个until条件。这些条件通常是自然语言字符串描述了一种用户意图如“user wants to book”。当LLM在res中判断用户的意图匹配某个until条件时程序就会跳转到对应的代码块中执行。执行完该块后默认会回到loop:的开始处继续下一轮对话。这种结构清晰地将对话的“状态”和“分支”可视化使得复杂的多轮对话逻辑变得易于编写和维护。res.ask(question, example)结构化数据收集的利器。在对话中收集如时间、日期、订单号等结构化信息是常见需求。.ask()方法是talk()返回结果对象上的一个方法。它向LLM提出一个具体问题并提供一个example参数一个字典来示范你期望的答案格式。LLM会尽力按照这个格式来解析用户的自然语言回复。例如res.ask(“What time?”, {“time”: “2:00 PM”})可能会将用户说的“around two”成功地解析为{“time”: “2:00 PM”}。这比单纯依赖LLM自由发挥然后手动解析要可靠得多。say(text)与end_call()基础输出与控制。say()用于让智能体“说出”内容可以是直接播放给用户的语音或显示的文本。end_call()则用于主动结束当前会话如通话。Mega的examples/目录充满了展示这些原语组合使用的范例。例如inbound-router.based展示了如何用talk(..., False)进行快速的意图分类然后将对话路由到不同的处理分支appointment-booking.based则完整展示了如何使用loop/until和.ask()来引导用户完成一个多步骤的表单填写流程。AI通过学习这些范例不仅能学会语法更能掌握构建健壮对话机器人的设计模式。4. 规模化部署与管理从单个智能体到批量复制4.1 利用“变量”实现流程模板化一个强大的对话流程开发出来后其价值往往在于能够被复用于多个相似的场景。例如你为一家连锁餐厅开发了一个完美的订座机器人现在希望将其部署到该连锁品牌的50家分店。如果为每家店都重新编写和部署一个独立的流程那将是一场运维噩梦。Mega和Brainbase平台通过“变量”机制优雅地解决了这个问题。在编写Based流程时你可以使用variables字典来参数化流程中的特定部分。例如restaurant_name variables.get(‘restaurant_name’, ‘Our Restaurant’) opening_hours variables.get(‘opening_hours’, ‘11 AM to 10 PM’) say(f”Welcome to {restaurant_name}! We‘re open from {opening_hours}. How can I help you?”)在这个流程中问候语中的餐厅名称和营业时间不是硬编码的而是从variables中获取。在部署时你可以为每个部署实例传入不同的variables值。4.2 基于Mega的批量部署实战Mega如何助力这种规模化部署其工作流体现了高度的自动化。假设你有一个CSV表格列出了50家分店的名称、营业时间和联系电话。指令下达你只需对AI说“这是包含50家分店信息的CSV文件。请使用我们之前验证过的订座流程为每一行数据创建一个部署。将‘餐厅名称’和‘营业时间’列作为变量传入并使用‘电话号码’列进行语音部署。”AI解析与规划加载了Mega上下文的AI会理解你的需求。它会读取CSV文件分析数据结构并规划出执行步骤为每家店创建一个唯一的Worker或复用模板Worker创建Flow或使用已有Flow然后在创建语音部署时传入对应的变量和电话号码。自动化脚本执行AI将循环调用scripts/bb.sh中的命令来执行这些操作。核心命令可能类似于# 为每家店创建部署假设已有一个流程模板IDflow_template_123 ./scripts/bb.sh deployments create-voice worker_id \ --flow-id flow_template_123 \ --phone “155500001” \ --variables ‘{“restaurant_name”: “Downtown Bistro”, “opening_hours”: “11am-11pm”}’AI会自动为CSV中的每一行生成并执行这样的命令。这个过程将部署时间从数天或数周压缩到几分钟并且极大减少了因手动操作导致的错误。Mega的上下文确保了AI能正确使用API而开发者只需关注最高层的业务逻辑和数据准备。4.3 运维与监控日志、调试与迭代部署之后并非一劳永逸。智能体在实际运行中可能会遇到预期之外的用户输入或者某些对话路径效果不佳。Mega同样为运维和迭代优化提供了支持。日志拉取与分析当需要检查某个部署的表现时你可以命令AI“拉取部署deploy_xyz过去24小时的日志分析一下用户通常在哪个环节流失或感到困惑。” AI会使用bb.sh中相关的日志查询命令获取数据并可能借助其分析能力总结出常见的失败点或用户疑问。热修复与重新部署发现问题后例如某个提示词prompt不够清晰导致用户误解。你可以直接告诉AI“在流程flow_abc中找到处理‘退款查询’的talk函数当前的提示词是‘帮助用户处理退款’我认为它不够具体。请将其修改为‘你是一位专业的客服代表请首先向用户索要订单号然后根据我们的退款政策7天无理由判断其是否符合条件并清晰告知后续步骤。’修改后重新部署到所有相关的部署实例上。” AI会定位代码进行修改然后再次调用部署命令完成快速迭代。这种基于自然语言的运维交互让非技术背景的产品经理或业务人员也能直接参与对话机器人的优化过程只需描述他们观察到的现象和期望的改进方向即可。5. 测试策略与深度调试指南5.1 超越单元测试面向对话流的集成测试对于传统的软件我们编写单元测试来验证函数。对于对话式AI我们需要测试的是“对话路径”和“交互体验”。Mega内置的scripts/test_v1_engine.py脚本正是为此而生。它是一个与Brainbase v1引擎进行真实WebSocket通信的测试客户端能够模拟用户端发送消息并接收和记录智能体的完整响应。这构成了对Based流程最直接的集成测试。测试的三种核心模式对应不同的验证深度预设路径测试快速验证你明确知道要测试哪条对话路径。例如“测试这个预约流程依次发送消息‘你好’、‘我想预约洗牙’、‘明天下午三点’。告诉我智能体每一步的回复。” AI会调用测试脚本严格按顺序发送消息并返回每一步的响应原文。这适合在修改流程后快速验证核心功能是否正常。流程推导测试深度覆盖你不确定流程的所有分支或者想进行全覆盖测试。你可以命令AI“获取Worker ‘support_bot’ 下ID为 ‘flow_main’ 的流程代码先分析一下它有哪些主要的对话分支例如咨询、投诉、预约。然后为每个分支设计一组测试消息并执行测试最后给我一份报告说明每个分支是否按预期工作。” 这时AI会先利用bb.sh获取流程源代码理解其逻辑结构自动设计测试用例然后执行多轮测试并生成一份汇总报告。这极大地提升了测试的自动化水平和覆盖率。特性专项测试聚焦验证针对流程中的某个复杂功能点进行测试。例如“我需要测试流程中‘热门折扣’功能。这个功能会调用一个外部API获取折扣数据。请找出哪些用户输入会触发不同的折扣分支并测试这些分支确保API返回的数据被正确解析和播报给用户。” AI会专注于代码中与“热门折扣”相关的部分设计针对性的输入来触发不同条件并验证整个子流程包括外部API集成的正确性。5.2 测试脚本的高级用法与参数详解test_v1_engine.py脚本提供了多个参数让测试更加灵活和强大。Mega的上下文会让AI熟知这些参数并在需要时自动应用。--model指定测试时使用的LLM模型。默认是gpt-4o但你也可以指定为gpt-4-turbo或claude-3-5-sonnet等取决于平台支持。在对比不同模型对流程效果的影响时这个参数非常有用。--state传入初始会话状态。这是一个JSON字符串用于模拟带有特定上下文或用户数据的会话。例如你可以设置--state ‘{“user_tier”: “premium”, “cart_items”: [“item1”]}’来测试针对高级用户或已有购物车用户的对话路径。--no-streaming关闭流式响应。默认情况下脚本会以流式方式接收响应模拟实时对话。开启此标志后它会等待完整的响应返回后再一次性打印。这在需要精确分析单次响应内容时更清晰。--timeout设置等待每次响应的超时时间秒。如果某个流程步骤逻辑复杂或响应慢可以适当调高此值。一个由AI驱动的复杂测试命令可能看起来像这样python scripts/test_v1_engine.py worker_123 flow_456 “Hi” “I want to check the hot deals” \ --model “claude-3-5-sonnet” \ --state ‘{“previous_visits”: 5}’ \ --timeout 120这条命令会使用Claude 3.5 Sonnet模型模拟一个有过5次访问记录的用户测试关于“热门折扣”的对话并给予更长的响应等待时间。5.3 调试实战从日志到代码的闭环测试发现了问题比如用户在某句话后没有得到回应。接下来就是调试。Mega支持的调试是一个闭环定位问题通过测试脚本或生产日志精确锁定问题发生的对话轮次和用户输入。分析代码AI根据问题描述在Based流程代码中找到对应的talk或until块。例如AI可能会指出“问题出现在第二个until “user confirms time”:分支里talk函数的提示词中没有明确告诉LLM当时间不可用时应如何回复用户。”提出修改方案AI会建议具体的代码修改比如优化提示词、增加异常处理逻辑、或者调整until的条件判断。验证修复修改代码后AI可以立即用测试脚本针对有问题的对话路径再次进行测试确保问题已解决。重新部署验证通过后AI使用bb.sh将修复后的流程重新部署到受影响的Worker上。这个“测试-定位-修改-验证-部署”的循环在Mega的加持下变得非常流畅几乎全部可以通过与AI的自然语言对话来完成将调试的认知负担降到了最低。6. 环境配置、工具集成与避坑指南6.1 初始设置与关键配置项开始使用Mega的第一步是环境准备。这个过程虽然简单但一步错可能导致后续所有操作失败。git clone https://github.com/BrainbaseHQ/mega.git cd mega cp .env.example .env克隆项目后最关键的一步是正确配置.env文件。.env.example文件通常只包含一个占位符BRAINBASE_API_KEYyour_api_key_here你必须将your_api_key_here替换为你从Brainbase平台获取的真实API密钥。这个密钥是所有通过bb.sh脚本或测试脚本与平台交互的通行证。没有它Mega就只是一个静态的知识库无法进行任何创建、部署或测试操作。注意务必妥善保管你的API密钥不要将其提交到任何公开的版本控制系统如Git。.env文件已经被包含在项目的.gitignore中以防止误提交。最佳实践是为不同的环境开发、测试、生产使用不同的API密钥并在.env文件中进行管理。6.2 主流AI工具集成配置详解Mega的魅力在于它对不同AI工具的“即插即用”。以下是针对不同工具的配置要点Claude Code这是Mega支持最“原生”的工具之一。你只需要在Claude Code中打开mega/文件夹根目录。Claude Code会自动识别并加载根目录下的CLAUDE.md文件作为项目上下文。这个文件是引导Claude行为的“总纲”它会告诉Claude“你正在一个Brainbase项目内工作你的核心知识在docs/和examples/里你的工具是scripts/bb.sh。” 之后你就可以在聊天框中直接开始用自然语言描述需求了。Cursor对于Cursor上下文规则文件是.cursorrules。同样在Cursor中打开mega/项目后Cursor会读取这个文件。.cursorrules文件内容可能更侧重于代码补全和语法提示它会指导Cursor在编写.based文件时提供基于Based语言规范的自动补全和建议比如自动补全talk()、say()等函数或者提示until语句的结构。其他AI编程助手如Windsurf、Bloop等对于没有特定配置文件的工具Mega的AGENTS.md文件通常是一个通用的、面向更自主智能体的指令集。你可以手动将这个文件的内容复制到AI工具的“系统提示”或“项目上下文”区域。其核心思想是一致的定义角色Brainbase专家、提供知识源位置、说明可用工具。一个常见的坑是打开了错误的目录层级。你必须确保你的AI工具打开的是包含CLAUDE.md、.cursorrules等文件的项目根目录mega/而不是它的某个子目录。否则AI工具将无法加载这些关键的上下文配置文件。6.3 脚本工具bb.sh的使用心法与排错scripts/bb.sh是Mega与Brainbase API交互的桥梁。它是一个Bash脚本的封装让AI和你可以用更简洁的命令执行复杂的API操作。原理该脚本本质上是一个命令行客户端它读取你的BRAINBASE_API_KEY然后构造正确的HTTP请求包括URL、方法、头部、JSON body发送给Brainbase API。它将冗长的curl命令封装成了如./scripts/bb.sh workers list这样易读的形式。常用命令模式./scripts/bb.sh workers create --name “MyBot” --description “A test bot”创建一个新的Worker。./scripts/bb.sh flows create worker_id --name “MainFlow” --code-file my_flow.based向指定Worker上传一个Based文件作为Flow。./scripts/bb.sh deployments create-voice worker_id --flow-id flow_id --phone “1234567890”创建一个语音部署。./scripts/bb.sh logs get --deployment-id deploy_id --limit 50获取某个部署的最新50条日志。排错指南“Authentication Failed” (认证失败)99%的情况是.env文件中的BRAINBASE_API_KEY没有设置或者设置错误。请检查密钥是否正确以及是否有额外的空格或换行。“Command not found” (命令未找到)确保你在mega/目录下执行脚本并且脚本有可执行权限如果从Git克隆通常已有。在Linux/macOS上如果遇到权限问题可以运行chmod x scripts/bb.sh。“Invalid JSON” 或参数错误当使用--variables等需要JSON输入参数时确保JSON格式正确并且字符串被正确引用。在Bash中通常建议使用单引号包裹JSON字符串如--variables ‘{“key”: “value”}’。API端点错误或超时bb.sh脚本内部硬编码了Brainbase的API基础URL。如果Brainbase API有更新或你使用自定义端点可能需要检查并修改脚本中的BASE_URL变量。网络问题也可能导致超时。6.4 安全与成本考量API密钥安全如前所述永远不要泄露或误提交API密钥。考虑使用环境变量管理工具或密钥管理服务来增强安全性。成本控制通过Mega和AI工具进行快速迭代和测试非常高效但这也意味着可能会频繁地创建/删除Worker、部署以及调用LLM进行测试。请注意Brainbase平台可能根据资源使用量如API调用、通话分钟数计费。在开发阶段可以利用测试脚本test_v1_engine.py在部署前充分验证逻辑避免创建不必要的生产部署。定期清理不再使用的测试Worker和部署也是一个好习惯。7. 进阶应用与未来扩展思考7.1 构建自定义知识库与工作流Mega本身是一个优秀的范例展示了如何为特定平台Brainbase构建AI上下文。这个模式可以被复制和扩展。你可以基于Mega创建你自己的“超级上下文”项目。例如假设你的公司内部有一套复杂的CRM系统API。你可以创建一个名为crm-assistant的项目其结构模仿Megacrm-assistant/ ├── docs/ │ ├── crm_api.md # CRM API的详细文档包括认证、端点、数据模型 │ └── business_logic.md # 公司特定的业务规则和流程 ├── examples/ │ ├── create_lead.based # 基于对话创建销售线索的示例 │ └── update_ticket.based # 更新客户服务工单的示例 ├── scripts/ │ └── crm_cli.sh # 封装了CRM API调用的CLI工具 ├── CLAUDE.md # 引导AI成为CRM专家 └── .env.example然后你可以引导你的AI工具打开这个项目它立刻就能基于你公司的CRM知识来帮你编写集成代码或自动化流程。这相当于为你团队的AI编程工具注入了专属的领域知识。7.2 与现有CI/CD管道集成Mega驱动的开发流程可以无缝融入现代软件工程实践。例如你可以自动化测试在GitHub Actions或GitLab CI中创建一个任务每当有新的Based流程代码提交到main分支时自动运行test_v1_engine.py脚本进行回归测试确保新修改没有破坏核心对话路径。自动化部署同样在CI/CD管道中在测试通过后自动调用bb.sh脚本将流程部署到预发布或生产环境。你可以将API密钥存储在CI/CD系统的安全变量中。代码审查虽然Based代码主要由AI生成但团队协作时仍然可以将其纳入标准的Pull Request审查流程。审查者可以重点关注业务逻辑、提示词的质量以及变量的使用确保符合业务规范。7.3 应对复杂业务逻辑与外部集成基于Mega和Based语言你可以构建处理极其复杂业务的对话机器人。关键在于将复杂逻辑拆解外部API调用在Based流程中你可以使用Python的requests库或aiohttp库如果支持异步来调用外部服务。例如在预订流程中调用日历API检查空闲时间在订单流程中调用库存API验证商品存量。Mega的示例中可以包含如何安全处理API密钥通过variables或环境变量、如何处理网络超时和异常。数据库操作虽然Based流程本身是短暂的但你可以通过调用外部API服务如一个自定义的微服务来持久化数据。这个微服务负责与数据库交互。Based流程则专注于对话管理和与微服务的通信。多轮状态管理对于需要收集大量信息的场景如保险理赔、复杂产品配置loop/until结构和variables的结合非常强大。你可以用variables来存储已收集的信息并在后续的对话轮次中引用它们实现连贯的个性化对话。Mega代表的是一种人机协作的新范式。它没有试图用AI完全取代开发者而是将开发者从重复、琐碎的平台细节和API调用中解放出来让其能更专注于创造性的业务逻辑设计和用户体验优化。随着AI编程工具的不断进化以及Mega这类“上下文工程”项目的成熟我们构建复杂软件应用的方式正在发生根本性的改变。你现在要做的就是克隆Mega打开你的AI伙伴然后开始用语言构建下一个对话式AI应用。