Базовые концепции

Несколько идей объясняют почти всё в CARL.

ReasoningChain

Цепочка — это упорядоченный список описаний шагов плюс настройки исполнения (max_workers, конфиг поиска, метрики, политика replan, таймаут). Это основной публичный API; цепочка сериализуется в JSON и обратно для переиспользования.

Шаги

Каждый шаг — типизированное описание одной единицы reasoning. Шаги имеют общие поля — number, title, dependencies, metrics, пошаговый llm_config, retry_max, timeout, cache, loop_config — и добавляют конфиг под свой тип. Типы шагов: LLMStepDescription, ToolStepDescription, MemoryStepDescription, TransformStepDescription, ConditionalStepDescription, StructuredOutputStepDescription, AgentSkillStepDescription и мульти-агентные шаги.

Параллельное исполнение на DAG

Шаги объявляют dependencies=[...]. DAGExecutor группирует их в батчи: шаги без невыполненных зависимостей запускаются первыми и параллельно; следующие батчи ждут только то, от чего реально зависят.

LLMStepDescription(number=1, title="Анализ выручки", dependencies=[])
LLMStepDescription(number=2, title="Анализ затрат",  dependencies=[])
# Шаг 3 ждёт и 1, и 2:
LLMStepDescription(number=3, title="Прибыльность",   dependencies=[1, 2])

Шаги 1 и 2 выполняются вместе в первом батче; шаг 3 ждёт оба:

flowchart TD
    S1["Step 1: Revenue"] --> S3["Step 3: Profitability"]
    S2["Step 2: Cost"] --> S3

RAG-извлечение контекста

Каждый LLM-шаг может объявить step_context_queries. По каждому запросу CARL ищет в вашем outer_context (substring или вектор) и вставляет найденные фрагменты в промпт этого шага — так каждый шаг видит только нужный ему контекст.

ReasoningContext и ReasoningResult

Контекст несёт состояние исполнения: вход (outer_context), LLM-клиент (api), language, system_prompt, историю, память по namespace, реестр инструментов и колбэки мониторинга. Запуск цепочки возвращает ReasoningResult с success, get_final_output(), результатами по шагам, расходом токенов и полным трейсом исполнения.