Ageflow 是一个基于 TypeScript 的嵌入式 DSL，让开发者能够以类型安全的方式定义和运行多智能体 AI 工作流，支持 DAG 执行、循环迭代、会话共享和人工介入等高级特性。

Ageflow：用 TypeScript 打造类型安全的多智能体 AI 工作流\n\n在 AI 应用开发领域，单个 LLM 调用往往难以满足复杂业务需求。越来越多的开发者开始探索多智能体协作的架构模式——将任务拆解给多个专门的 AI 智能体，通过编排实现更强大的能力。然而，多智能体系统的开发面临着类型安全、执行顺序、状态管理等挑战。\n\n今天要介绍的 Ageflow，正是为解决这些问题而生的 TypeScript 嵌入式 DSL。\n\n## 项目背景与设计哲学\n\nAgeflow 的核心理念是**"类型安全的多智能体工作流"。它允许开发者用纯 TypeScript 代码定义智能体和工作流，而不需要学习额外的配置语言或 YAML 文件。这种设计选择带来了几个显著优势：\n\n首先，TypeScript 的静态类型检查能够在编译阶段捕获大部分错误，避免运行时才发现智能体输入输出不匹配的问题。其次，代码即配置的模式让开发者可以在熟悉的 IDE 中获得完整的自动补全和类型提示。最后，嵌入式 DSL 的设计让工作流定义可以无缝集成到现有的 TypeScript 项目中。\n\n## 核心架构：DAG 驱动的执行引擎\n\nAgeflow 的执行引擎基于有向无环图（DAG）构建。这意味着工作流中的任务会根据依赖关系自动排序：没有依赖的任务并行执行，有依赖关系的任务按序执行。这种设计充分利用了现代硬件的多核能力，同时保证了执行的正确性。\n\n以一个代码审查工作流为例：\n\ntypescript\nimport { defineAgent, defineWorkflow, registerRunner } from \"@ageflow/core\";\nimport { ClaudeRunner } from \"@ageflow/runner-claude\";\nimport { z } from \"zod\";\n\nregisterRunner(\"claude\", new ClaudeRunner());\n\nconst reviewAgent = defineAgent({\n runner: \"claude\",\n model: \"claude-sonnet-4-6\",\n input: z.object({ code: z.string() }),\n output: z.object({ issues: z.array(z.string()), approved: z.boolean() }),\n prompt: ({ code }) => `Review this code and list issues:\n\n${code}`,\n});\n\nexport default defineWorkflow({\n name: \"code-review\",\n tasks: {\n review: { agent: reviewAgent, input: { code: \"const x = eval(input)\" } },\n },\n});\n\n\n这段代码展示了 Ageflow 的精髓：通过 Zod 模式定义输入输出类型，智能体的接口在编译时就被严格约束。\n\n## 类型安全：Zod 模式的威力\n\nAgeflow 使用 Zod 作为模式验证库，这是其类型安全保证的关键。每个智能体都必须显式声明输入和输出的结构：\n\n- 输入验证：确保进入智能体的数据符合预期格式\n- 输出验证：保证智能体返回的数据能够被下游任务正确消费\n- 类型推断：Zod 模式可以自动推断出 TypeScript 类型，提供完整的 IDE 支持\n\n这种设计彻底消除了传统多智能体系统中常见的"格式错误导致整个流程崩溃"的问题。当工作流复杂到数十个智能体协同工作时，这种保证尤为重要。\n\n## 高级特性：超越简单的顺序执行\n\nAgeflow 不仅仅是一个任务调度器，它还提供了一系列面向生产环境的高级特性：\n\n### 循环与迭代\n\n支持迭代优化模式——智能体可以基于上一轮的结果进行修正，形成"分析 → 修复 → 评估 → 再修复"的闭环。循环可以配置为保持会话上下文（让模型记住之前的对话）或重置上下文（获得全新的视角）。\n\n### 会话共享\n\n多个智能体可以共享同一个会话上下文，实现记忆传递**。这在需要多轮对话的场景中特别有用，比如一个智能体提出问题，另一个智能体基于之前的回答继续深入。\n\n### 人工介入（HITL）\n\n关键节点可以设置人工检查点，在工作流执行到特定步骤时暂停，等待人工审批后再继续。这在高风险场景（如自动代码提交、财务操作）中是必要的安全保障。\n\n### 预算控制\n\n可以为整个工作流设置成本上限，当预估费用超过阈值时自动停止执行，避免意外的高额 API 账单。\n\n## 子进程模型：简化部署与认证\n\nAgeflow 采用了独特的子进程执行模型。智能体不是通过 HTTP API 调用远程服务，而是作为本地 CLI 子进程运行（如 Claude CLI、Codex CLI）。这种设计带来了几个实际好处：\n\n- 认证简化：复用本地已配置的 CLI 认证，无需额外管理 API 密钥\n- 网络隔离：工作流可以在完全离线的环境中运行（只要 CLI 工具可用）\n- 资源控制：通过操作系统原生机制控制子进程的资源使用\n\n## 测试友好：毫秒级工作流测试\n\nAgeflow 提供了专门的测试工具包（@ageflow/testing），支持将真实的 AI 运行器替换为模拟实现。这意味着：\n\n- 测试可以在毫秒级完成，无需等待真实的 LLM API 响应\n- 可以精确控制智能体的返回值，测试各种边界情况\n- 可以验证智能体被调用的次数和顺序\n\n这种可测试性对于持续集成和重构至关重要。\n\n## 快速开始\n\nAgeflow 的安装和使用非常简洁：\n\nbash\n# 安装核心依赖\nbun add @ageflow/core @ageflow/runner-claude\n\n# 全局安装 CLI\nbun add -g @ageflow/cli\n\n# 初始化新项目\nagentwf init my-workflow\ncd my-workflow\nbun install\n\n# 验证工作流\nagentwf validate workflow.ts\n\n# 执行工作流\nagentwf run workflow.ts\n\n\nCLI 还提供了 dry-run 模式，可以在不实际调用 AI 的情况下预览工作流结构和生成的提示词，这对于调试和优化非常有帮助。\n\n## 生态与扩展\n\nAgeflow 采用模块化架构，核心功能被拆分为多个包：\n\n- @ageflow/core：DSL 定义和类型系统\n- @ageflow/executor：DAG 执行引擎、循环运行器、会话管理\n- @ageflow/runner-claude / @ageflow/runner-codex：特定平台的运行器实现\n- @ageflow/cli：命令行工具\n\n这种设计允许社区贡献新的运行器实现，支持更多的 LLM 平台。\n\n## 总结与展望\n\nAgeflow 代表了多智能体 AI 开发工具的一个重要方向：在保持灵活性的同时提供严格的类型安全保证。它将工作流定义从配置文件的领域拉回到代码领域，让开发者能够利用成熟的软件工程实践来构建 AI 应用。\n\n对于正在探索多智能体架构的团队，Ageflow 提供了一个值得认真考虑的选择。它的类型安全特性、丰富的执行语义和测试友好设计，都是构建生产级多智能体系统的重要基石。\n\n项目地址：https://github.com/Neftedollar/ageflow\n\n---\n\n*关键词：多智能体、TypeScript、DAG、工作流编排、Zod、AI 工作流、Claude、Codex*

Ageflow：用 TypeScript 打造类型安全的多智能体 AI 工作流\n\n在 AI 应用开发领域，单个 LLM 调用往往难以满足复杂业务需求。越来越多的开发者开始探索多智能体协作的架构模式——将任务拆解给多个专门的 AI 智能体，通过编排实现更强大的能力。然而，多智能体系统的开发面临着类型安全、执行顺序、状态管理等挑战。\n\n今天要介绍的 Ageflow，正是为解决这些问题而生的 TypeScript 嵌入式 DSL。\n\n项目背景与设计哲学\n\nAgeflow 的核心理念是**"类型安全的多智能体工作流"。它允许开发者用纯 TypeScript 代码定义智能体和工作流，而不需要学习额外的配置语言或 YAML 文件。这种设计选择带来了几个显著优势：\n\n首先，TypeScript 的静态类型检查能够在编译阶段捕获大部分错误，避免运行时才发现智能体输入输出不匹配的问题。其次，代码即配置的模式让开发者可以在熟悉的 IDE 中获得完整的自动补全和类型提示。最后，嵌入式 DSL 的设计让工作流定义可以无缝集成到现有的 TypeScript 项目中。\n\n核心架构：DAG 驱动的执行引擎\n\nAgeflow 的执行引擎基于有向无环图（DAG）构建。这意味着工作流中的任务会根据依赖关系自动排序：没有依赖的任务并行执行，有依赖关系的任务按序执行。这种设计充分利用了现代硬件的多核能力，同时保证了执行的正确性。\n\n以一个代码审查工作流为例：\n\ntypescript\nimport { defineAgent, defineWorkflow, registerRunner } from \"@ageflow/core\";\nimport { ClaudeRunner } from \"@ageflow/runner-claude\";\nimport { z } from \"zod\";\n\nregisterRunner(\"claude\", new ClaudeRunner());\n\nconst reviewAgent = defineAgent({\n runner: \"claude\",\n model: \"claude-sonnet-4-6\",\n input: z.object({ code: z.string() }),\n output: z.object({ issues: z.array(z.string()), approved: z.boolean() }),\n prompt: ({ code }) => `Review this code and list issues:\n\n${code}`,\n});\n\nexport default defineWorkflow({\n name: \"code-review\",\n tasks: {\n review: { agent: reviewAgent, input: { code: \"const x = eval(input)\" } },\n },\n});\n\n\n这段代码展示了 Ageflow 的精髓：通过 Zod 模式定义输入输出类型，智能体的接口在编译时就被严格约束。\n\n类型安全：Zod 模式的威力\n\nAgeflow 使用 Zod 作为模式验证库，这是其类型安全保证的关键。每个智能体都必须显式声明输入和输出的结构：\n\n- 输入验证：确保进入智能体的数据符合预期格式\n- 输出验证：保证智能体返回的数据能够被下游任务正确消费\n- 类型推断：Zod 模式可以自动推断出 TypeScript 类型，提供完整的 IDE 支持\n\n这种设计彻底消除了传统多智能体系统中常见的"格式错误导致整个流程崩溃"的问题。当工作流复杂到数十个智能体协同工作时，这种保证尤为重要。\n\n高级特性：超越简单的顺序执行\n\nAgeflow 不仅仅是一个任务调度器，它还提供了一系列面向生产环境的高级特性：\n\n循环与迭代\n\n支持迭代优化模式——智能体可以基于上一轮的结果进行修正，形成"分析 → 修复 → 评估 → 再修复"的闭环。循环可以配置为保持会话上下文（让模型记住之前的对话）或重置上下文（获得全新的视角）。\n\n会话共享\n\n多个智能体可以共享同一个会话上下文，实现记忆传递**。这在需要多轮对话的场景中特别有用，比如一个智能体提出问题，另一个智能体基于之前的回答继续深入。\n\n人工介入（HITL）\n\n关键节点可以设置人工检查点，在工作流执行到特定步骤时暂停，等待人工审批后再继续。这在高风险场景（如自动代码提交、财务操作）中是必要的安全保障。\n\n预算控制\n\n可以为整个工作流设置成本上限，当预估费用超过阈值时自动停止执行，避免意外的高额 API 账单。\n\n子进程模型：简化部署与认证\n\nAgeflow 采用了独特的子进程执行模型。智能体不是通过 HTTP API 调用远程服务，而是作为本地 CLI 子进程运行（如 Claude CLI、Codex CLI）。这种设计带来了几个实际好处：\n\n- 认证简化：复用本地已配置的 CLI 认证，无需额外管理 API 密钥\n- 网络隔离：工作流可以在完全离线的环境中运行（只要 CLI 工具可用）\n- 资源控制：通过操作系统原生机制控制子进程的资源使用\n\n测试友好：毫秒级工作流测试\n\nAgeflow 提供了专门的测试工具包（@ageflow/testing），支持将真实的 AI 运行器替换为模拟实现。这意味着：\n\n- 测试可以在毫秒级完成，无需等待真实的 LLM API 响应\n- 可以精确控制智能体的返回值，测试各种边界情况\n- 可以验证智能体被调用的次数和顺序\n\n这种可测试性对于持续集成和重构至关重要。\n\n快速开始\n\nAgeflow 的安装和使用非常简洁：\n\nbash\n安装核心依赖\nbun add @ageflow/core @ageflow/runner-claude\n\n全局安装 CLI\nbun add -g @ageflow/cli\n\n初始化新项目\nagentwf init my-workflow\ncd my-workflow\nbun install\n\n验证工作流\nagentwf validate workflow.ts\n\n执行工作流\nagentwf run workflow.ts\n\n\nCLI 还提供了 dry-run 模式，可以在不实际调用 AI 的情况下预览工作流结构和生成的提示词，这对于调试和优化非常有帮助。\n\n生态与扩展\n\nAgeflow 采用模块化架构，核心功能被拆分为多个包：\n\n- @ageflow/core：DSL 定义和类型系统\n- @ageflow/executor：DAG 执行引擎、循环运行器、会话管理\n- @ageflow/runner-claude / @ageflow/runner-codex：特定平台的运行器实现\n- @ageflow/cli：命令行工具\n\n这种设计允许社区贡献新的运行器实现，支持更多的 LLM 平台。\n\n总结与展望\n\nAgeflow 代表了多智能体 AI 开发工具的一个重要方向：在保持灵活性的同时提供严格的类型安全保证。它将工作流定义从配置文件的领域拉回到代码领域，让开发者能够利用成熟的软件工程实践来构建 AI 应用。\n\n对于正在探索多智能体架构的团队，Ageflow 提供了一个值得认真考虑的选择。它的类型安全特性、丰富的执行语义和测试友好设计，都是构建生产级多智能体系统的重要基石。\n\n项目地址：https://github.com/Neftedollar/ageflow\n\n---\n\n*关键词：多智能体、TypeScript、DAG、工作流编排、Zod、AI 工作流、Claude、Codex*