ai-ntellect/core：轻量级Node.js工作流引擎与AI Agent框架

基于TypeScript的进程内工作流运行时，支持图结构工作流、事件驱动节点、RxJS状态观测，并可通过Vercel AI SDK与LLM无缝集成。

工作流编排的新选择\n\n在现代应用开发中，工作流编排已成为复杂业务逻辑处理的核心需求。从简单的任务队列到复杂的多步骤审批流程，开发者需要一种既轻量又强大的解决方案。\n\nai-ntellect/core正是为满足这一需求而生的Node.js/TypeScript工作流引擎。它定位为"进程内工作流运行时"，强调轻量、可嵌入和类型安全，与Temporal、Inngest等分布式工作流平台形成差异化竞争。\n\n## 核心设计理念\n\n### 轻量可嵌入\n\n不同于需要独立部署服务的重量级工作流平台，ai-ntellect/core设计为直接嵌入到应用程序进程中运行。这意味着：\n\n- 零基础设施成本：无需维护额外的工作流服务集群\n- 低延迟：进程内通信消除了网络开销\n- 简化部署：单一应用包即可完成所有功能\n- 开发友好：本地调试和测试更加便捷\n\n### 类型安全优先\n\n项目采用Zod进行运行时类型验证，确保工作流上下文在整个执行过程中保持类型一致性。这种设计在编译期和运行期都提供了强大的类型保障，有效减少因数据格式错误导致的运行时故障。\n\n### 响应式状态观测\n\n基于RxJS的响应式编程模型，开发者可以实时观测工作流状态变化，构建反应式的用户界面和监控面板。\n\n## 架构深度解析\n\n### 图结构工作流\n\nai-ntellect/core采用图（Graph）作为工作流的基本抽象。每个工作流由若干节点（Node）组成，节点之间通过边（Edge）定义执行顺序。\n\n节点可以配置为：\n- 顺序执行：通过next属性指定后续节点\n- 条件分支：根据运行时状态动态选择执行路径\n- 并行执行：同时触发多个下游节点\n\n这种图结构天然支持复杂业务流程的建模，无论是简单的线性流程还是复杂的网状依赖关系都能优雅表达。\n\n### 事件驱动节点\n\n这是框架最具特色的功能之一。节点可以配置为等待特定事件触发后才执行：\n\ntypescript\n{\n name: \"await_payment\",\n when: {\n events: [\"payment.received\"],\n timeout: 30000, // 30秒超时\n strategy: { type: \"single\" } // 或 \"all\"\n },\n execute: async (ctx) => {\n ctx.status = \"paid\";\n }\n}\n\n\n更强大的是，框架支持事件关联（Correlation）机制，可以等待多个相关事件全部到达后才触发执行。例如，在电商场景中，可以等待"支付确认"和"库存检查"两个事件都完成后才进入发货流程。\n\n### Agent模块：LLM与工作流的桥梁\n\nai-ntellect/core的Agent模块实现了与大型语言模型的深度集成。通过Vercel AI SDK，工作流可以被直接暴露为LLM可调用的工具（Tools）。\n\n这意味着：\n- LLM可以根据用户意图自动选择并执行合适的工作流\n- 工作流的输入参数由LLM从自然语言中自动提取\n- 工作流执行结果由LLM整理后返回给用户\n\n这种设计大大降低了构建AI Agent的复杂度，开发者只需专注于业务逻辑的建模，无需编写大量的胶水代码来处理LLM与工作流之间的交互。\n\n## 扩展模块生态\n\n### 记忆管理（Memory）\n\n框架提供了可插拔的记忆存储接口，支持多种后端适配器：\n\n- InMemoryAdapter：内存存储，适合开发和测试\n- RedisAdapter：Redis持久化，适合生产环境\n- MeilisearchAdapter：向量搜索，支持语义检索\n\n记忆模块使Agent能够保存和检索用户偏好、对话历史等信息，实现真正的上下文感知交互。\n\n### 任务调度（Agenda）\n\n基于node-cron的调度模块支持定时任务的配置和执行：\n\ntypescript\nconst agenda = new Agenda(new NodeCronAdapter());\nagenda.schedule(\"0 * * * *\", async () => {\n console.log(\"每小时执行一次\");\n});\n\n\n这使得工作流可以响应时间触发，适用于定期报告生成、数据同步等场景。\n\n## 使用场景对比\n\n| 场景 | ai-ntellect/core | Temporal/Inngest |\n|------|------------------|------------------|\n| 轻量级应用内工作流 | ✅ 理想选择 | ❌ 过于重量级 |\n| 分布式事务协调 | ❌ 不支持 | ✅ 核心能力 |\n| LLM工具编排 | ✅ 原生支持 | ⚠️ 需额外开发 |\n| 多租户SaaS | ❌ 非设计目标 | ✅ 成熟方案 |\n| 类型安全要求 | ✅ Zod保障 | ⚠️ 依赖序列化 |\n\n这种清晰的定位帮助开发者根据实际需求选择合适的技术方案。\n\n## 快速上手\n\n### 安装依赖\n\nbash\npnpm add @ai.ntellect/core zod\n\n\n### 定义简单工作流\n\ntypescript\nimport { z } from \"zod\";\nimport { GraphFlow } from \"@ai.ntellect/core\";\n\nconst Schema = z.object({\n message: z.string(),\n});\n\nconst workflow = new GraphFlow({\n name: \"hello\",\n schema: Schema,\n context: { message: \"\" },\n nodes: [\n {\n name: \"greet\",\n execute: async (ctx) => {\n ctx.message = \"Hello!\";\n },\n },\n ],\n});\n\nawait workflow.execute(\"greet\");\nconsole.log(workflow.getContext().message); // \"Hello!\"\n\n\n### 构建Agent应用\n\ntypescript\nimport { Agent } from \"@ai.ntellect/core\";\n\nconst agent = new Agent({\n role: \"计算助手\",\n goal: \"帮助用户完成计算任务\",\n tools: [calculator], // GraphFlow实例\n llmConfig: {\n provider: \"ollama\",\n model: \"gemma4:4b\",\n },\n verbose: true,\n});\n\nconst result = await agent.process(\"计算25加7\");\nconsole.log(result.response);\n\n\n## 技术亮点总结\n\nai-ntellect/core在设计上体现了几个值得关注的技术选择：\n\n1. 进程内优先：牺牲分布式能力换取极致的轻量和低延迟\n2. 类型驱动：Zod的引入让工作流在享受JavaScript灵活性的同时不失类型安全\n3. 响应式架构：RxJS的采用使状态管理更加直观和高效\n4. LLM原生：与Vercel AI SDK的集成让AI能力的接入变得无缝自然\n\n## 适用人群与建议\n\n推荐使用：\n- 需要在Node.js应用中嵌入轻量级工作流的开发者\n- 正在构建AI Agent应用，希望将业务逻辑封装为可复用工具的团队\n- 追求类型安全、偏好TypeScript技术栈的项目\n\n考虑替代方案：\n- 需要跨服务事务协调的分布式系统\n- 多租户SaaS平台，需要严格的工作流隔离\n- 需要工作流历史回放和故障恢复能力的关键业务\n\n## 结语\n\nai-ntellect/core代表了工作流引擎设计的一种新思路：在分布式编排和简单脚本之间找到平衡点，为AI时代的应用开发提供趁手的工具。随着LLM应用的普及，这种能够让AI"理解"并"执行"业务逻辑的基础设施将变得越来越重要。

工作流编排的新选择\n\n在现代应用开发中，工作流编排已成为复杂业务逻辑处理的核心需求。从简单的任务队列到复杂的多步骤审批流程，开发者需要一种既轻量又强大的解决方案。\n\nai-ntellect/core正是为满足这一需求而生的Node.js/TypeScript工作流引擎。它定位为"进程内工作流运行时"，强调轻量、可嵌入和类型安全，与Temporal、Inngest等分布式工作流平台形成差异化竞争。\n\n核心设计理念\n\n轻量可嵌入\n\n不同于需要独立部署服务的重量级工作流平台，ai-ntellect/core设计为直接嵌入到应用程序进程中运行。这意味着：\n\n- 零基础设施成本：无需维护额外的工作流服务集群\n- 低延迟：进程内通信消除了网络开销\n- 简化部署：单一应用包即可完成所有功能\n- 开发友好：本地调试和测试更加便捷\n\n类型安全优先\n\n项目采用Zod进行运行时类型验证，确保工作流上下文在整个执行过程中保持类型一致性。这种设计在编译期和运行期都提供了强大的类型保障，有效减少因数据格式错误导致的运行时故障。\n\n响应式状态观测\n\n基于RxJS的响应式编程模型，开发者可以实时观测工作流状态变化，构建反应式的用户界面和监控面板。\n\n架构深度解析\n\n图结构工作流\n\nai-ntellect/core采用图（Graph）作为工作流的基本抽象。每个工作流由若干节点（Node）组成，节点之间通过边（Edge）定义执行顺序。\n\n节点可以配置为：\n- 顺序执行：通过next属性指定后续节点\n- 条件分支：根据运行时状态动态选择执行路径\n- 并行执行：同时触发多个下游节点\n\n这种图结构天然支持复杂业务流程的建模，无论是简单的线性流程还是复杂的网状依赖关系都能优雅表达。\n\n事件驱动节点\n\n这是框架最具特色的功能之一。节点可以配置为等待特定事件触发后才执行：\n\ntypescript\n{\n name: \"await_payment\",\n when: {\n events: [\"payment.received\"],\n timeout: 30000, // 30秒超时\n strategy: { type: \"single\" } // 或 \"all\"\n },\n execute: async (ctx) => {\n ctx.status = \"paid\";\n }\n}\n\n\n更强大的是，框架支持事件关联（Correlation）机制，可以等待多个相关事件全部到达后才触发执行。例如，在电商场景中，可以等待"支付确认"和"库存检查"两个事件都完成后才进入发货流程。\n\nAgent模块：LLM与工作流的桥梁\n\nai-ntellect/core的Agent模块实现了与大型语言模型的深度集成。通过Vercel AI SDK，工作流可以被直接暴露为LLM可调用的工具（Tools）。\n\n这意味着：\n- LLM可以根据用户意图自动选择并执行合适的工作流\n- 工作流的输入参数由LLM从自然语言中自动提取\n- 工作流执行结果由LLM整理后返回给用户\n\n这种设计大大降低了构建AI Agent的复杂度，开发者只需专注于业务逻辑的建模，无需编写大量的胶水代码来处理LLM与工作流之间的交互。\n\n扩展模块生态\n\n记忆管理（Memory）\n\n框架提供了可插拔的记忆存储接口，支持多种后端适配器：\n\n- InMemoryAdapter：内存存储，适合开发和测试\n- RedisAdapter：Redis持久化，适合生产环境\n- MeilisearchAdapter：向量搜索，支持语义检索\n\n记忆模块使Agent能够保存和检索用户偏好、对话历史等信息，实现真正的上下文感知交互。\n\n任务调度（Agenda）\n\n基于node-cron的调度模块支持定时任务的配置和执行：\n\ntypescript\nconst agenda = new Agenda(new NodeCronAdapter());\nagenda.schedule(\"0 * * * *\", async () => {\n console.log(\"每小时执行一次\");\n});\n\n\n这使得工作流可以响应时间触发，适用于定期报告生成、数据同步等场景。\n\n使用场景对比\n\n| 场景 | ai-ntellect/core | Temporal/Inngest |\n|------|------------------|------------------|\n| 轻量级应用内工作流 | ✅ 理想选择 | ❌ 过于重量级 |\n| 分布式事务协调 | ❌ 不支持 | ✅ 核心能力 |\n| LLM工具编排 | ✅ 原生支持 | ⚠️ 需额外开发 |\n| 多租户SaaS | ❌ 非设计目标 | ✅ 成熟方案 |\n| 类型安全要求 | ✅ Zod保障 | ⚠️ 依赖序列化 |\n\n这种清晰的定位帮助开发者根据实际需求选择合适的技术方案。\n\n快速上手\n\n安装依赖\n\nbash\npnpm add @ai.ntellect/core zod\n\n\n定义简单工作流\n\ntypescript\nimport { z } from \"zod\";\nimport { GraphFlow } from \"@ai.ntellect/core\";\n\nconst Schema = z.object({\n message: z.string(),\n});\n\nconst workflow = new GraphFlow({\n name: \"hello\",\n schema: Schema,\n context: { message: \"\" },\n nodes: [\n {\n name: \"greet\",\n execute: async (ctx) => {\n ctx.message = \"Hello!\";\n },\n },\n ],\n});\n\nawait workflow.execute(\"greet\");\nconsole.log(workflow.getContext().message); // \"Hello!\"\n\n\n构建Agent应用\n\ntypescript\nimport { Agent } from \"@ai.ntellect/core\";\n\nconst agent = new Agent({\n role: \"计算助手\",\n goal: \"帮助用户完成计算任务\",\n tools: [calculator], // GraphFlow实例\n llmConfig: {\n provider: \"ollama\",\n model: \"gemma4:4b\",\n },\n verbose: true,\n});\n\nconst result = await agent.process(\"计算25加7\");\nconsole.log(result.response);\n\n\n技术亮点总结\n\nai-ntellect/core在设计上体现了几个值得关注的技术选择：\n\n1. 进程内优先：牺牲分布式能力换取极致的轻量和低延迟\n2. 类型驱动：Zod的引入让工作流在享受JavaScript灵活性的同时不失类型安全\n3. 响应式架构：RxJS的采用使状态管理更加直观和高效\n4. LLM原生：与Vercel AI SDK的集成让AI能力的接入变得无缝自然\n\n适用人群与建议\n\n推荐使用：\n- 需要在Node.js应用中嵌入轻量级工作流的开发者\n- 正在构建AI Agent应用，希望将业务逻辑封装为可复用工具的团队\n- 追求类型安全、偏好TypeScript技术栈的项目\n\n考虑替代方案：\n- 需要跨服务事务协调的分布式系统\n- 多租户SaaS平台，需要严格的工作流隔离\n- 需要工作流历史回放和故障恢复能力的关键业务\n\n结语\n\nai-ntellect/core代表了工作流引擎设计的一种新思路：在分布式编排和简单脚本之间找到平衡点，为AI时代的应用开发提供趁手的工具。随着LLM应用的普及，这种能够让AI"理解"并"执行"业务逻辑的基础设施将变得越来越重要。