AgentRun 0.1.0-beta.4 發行說明 / 新功能

AgentRun 0.1.0-beta.4 是一種工作流程語言，旨在為現有的 AI 代理（AI agents）增加結構。它允許開發人員定義可重複的步驟，透過 Jev 整合專注的決策機制，並在未滿足特定條件時觸發代理調查。該系統旨在維持代理現有的工具、權限和模型存取權，同時提供一個正式的執行框架。

核心架構與 DSL

AgentRun DSL 支援以 JSON 或透過帶有 Zod 合約的 TypeScript 建構器來定義工作流程。這種方法確保了輸入和輸出類型可以被推斷，並且中間狀態路徑會在執行時期進行檢查。

關鍵架構特性包括：

節點類型：系統使用特定節點，例如 call（用於工具執行）和 judge（用於決策）。
控制流程：工作流程支援巢狀呼叫其他工作流程、任務的平行映射以及有界迴圈。
取消與恢復：該框架提供主機整合，用於管理執行權限、取消和狀態恢復。
整合：系統分為三個主要套件：用於執行與驗證的 @parcha/agentrun-dsl、用於類型化決策的 @parcha/agentrun-jev，以及用於代理執行器擴充的 @parcha/agentrun-pi。

Jev 驅動的決策機制

AgentRun 與 Jev 整合以實作「類型化決策」。這使得工作流程能夠透過強制執行信心閾值（confidence thresholds）來超越簡單的 LLM 提示詞。例如，在支援工作流程中，決策節點可以要求 yes 回答且信心分數至少達到 0.8 才能繼續。如果未達到信心要求，工作流程可以被編程為將代理導向進一步的調查步驟，或將任務升級以進行人工審核。

實作與使用案例

支援工作流程範例

在典型的支援場景中，AgentRun 管理一系列搜尋與決策節點。工作流程使用工具搜尋答案，利用 Jev 判斷答案是否符合目的；如果未通過信心檢查，則會觸發代理進行更深入的調查。如果第二次檢查失敗，案件將被升級以進行審核。

研究工作流程範例

研究演示展示了規劃子問題、平行研究、篩選證據並綜合最終報告的能力。這證明了該系統處理複雜、多步驟推理任務的能力，這些任務需要證據選擇與報告撰寫。

與 Pi 的整合

AgentRun 可以整合到 Pi 環境（0.87.0+ 版本）中。透過安裝 @parcha/agentrun-pi 擴充功能，使用者可以使用諸如 /agentrun demo 來載入腳本範例，或使用 /agentrun run 來執行它們。Pi 也可以透過提供自然語言指令來建立新的工作流程，代理隨後會將其轉換為正式的 AgentRun 工作流程定義。

社群觀點與技術權衡

圍繞該專案的技術討論強調了關於代理工作流程引擎的幾個考量：

"如果圖形工作流程中的邊緣缺乏成本或努力屬性，且終止狀態沒有獎勵，那麼它們是無用的……我之前曾想過將軟體開發生命週期（SDLC）表達為測試工具與帶權重的有限狀態機的組合……目標是將任務佇列建模為子工作流程，並實作最有價值的任務。" — @handle

其他貢獻者指出，雖然 AgentRun 提供了專門的 DSL，但業界已經有了如 Temporal、Erandril 或 Airflow 等耐用的工作流程解決方案，不過 AgentRun 的特定重點在於代理迴圈與類型化決策的整合。

一位開發人員指出，他們自己的工作流程定義方法傾向於直接使用像 TypeScript 這樣的「真實」語言，以確保使用者和代理都能理解函數，而無需自訂 DSL，並從程式碼的 AST（抽象語法樹）中衍生出 UI。