Kocoro-lab/Shannon

解决的问题

Shannon 解决了将 AI 代理部署到生产环境时的可靠性与可观测性差距。它解决了常见的生产问题，例如静默的代理失败、不断攀升的 token 成本、缺乏执行可见性，以及执行代理生成代码带来的安全风险。

工作原理

Shannon 使用多语言架构（Go、Rust 和 Python）来编排代理。它利用 Temporal 工作流实现容错和状态管理，支持「时间旅行调试」，允许对执行过程进行逐步回放。在安全性方面，采用 WASI沙箱隔离代码执行。系统会根据请求的复杂性，自动将任务路由到不同的执行策略（如 DAG、ReAct、Research 或 Swarm）。它还实现了硬性 token 预算和自动模型降级，以控制成本。

适用人群

希望超越 AI 原型阶段，构建具备内置监控、预算控制和安全沙箱的可靠生产级 AI 代理的开发者和组织。

主要亮点

• 时间旅行调试：可逐步回放任意工作流执行，以诊断失败原因。
• Token 预算控制：为每个任务设置硬性 token 限制，并自动降级到更便宜的模型。
• 多策略编排：自动在简单响应、DAG、ReAct 循环和 Swarm 协作之间路由任务。
• 安全执行：使用 WASI 沙箱执行代码，并通过 OPA 策略保障安全。
• 广泛提供者支持：支持 10+ LLM 提供者，包括 OpenAI、Anthropic、Google，以及通过 Ollama 运行的本地模型。
• 人机协同：关键代理操作内置审批门禁。