agentenv/agentflow

解决的问题

AgentFlow 提供了一种将多个 AI 代理（如 Codex、Claude、Kimi 和 Pi）编排为复杂工作流的方法。它解决了管理代理依赖关系、并行执行（扇出）、创建迭代反馈循环，以及在从本地 Docker 容器到远程云实例的多种环境中执行这些代理的困难。

工作原理

用户使用 Python API 定义依赖图，其中节点代表代理任务，边定义执行顺序。系统支持：

• 并行性：fanout 函数可创建节点的多个副本以处理列表或字典数据，随后可通过 merge 进行合并。
• 迭代循环：on_failure 机制允许节点在满足特定成功条件（例如输出中包含特定字符串）前，循环返回到先前步骤。
• 灵活执行：代理可部署到多种「目标」，包括 Docker 容器、KVM 虚拟机（通过 Cloud Hypervisor）、SSH、EC2 或 ECS Fargate。
• 模型路由：通过 pi 代理，可将请求路由到各种外部提供者（OpenAI、Anthropic、Groq 等）或本地端点（Ollama、LMStudio）。
• 基础设施管理：与 SkyPilot 集成，可自动在云 GPU 上启动 vLLM 或 SGLang 推理端点。

适用人群

专为需要构建复杂任务（如自动代码审查、漏洞发现或大规模数据处理）的多代理流水线的开发者和研究人员设计，适用于需要隔离性和可扩展性的场景。

主要亮点

• 多样化的执行目标：支持 Docker、Cloud Hypervisor（KVM）、SSH、EC2 和 ECS。
• 高级图控制：内置对并行扇出、批量合并和迭代循环的支持。
• 优化的代理演化：可利用成功运行的追踪数据，演化并创建可复用的优化代理。
• 云 GPU 集成：与 SkyPilot 直接集成，实现推理服务器的自动部署。
• 共享状态：包含一个「便签板」，供图中所有代理共享内存。