Rein：让多智能体协作像写配置文件一样简单

Rein 是一个多智能体工作流编排器，通过 YAML 和 Markdown 配置文件即可定义复杂的多步骤 AI 工作流，无需编写 Python 代码。

问题背景：单智能体的局限性\n\n当我们把复杂的任务交给单个 AI 模型时，往往会遇到以下问题：\n\n- 能力过载：一个智能体无法同时成为研究专家、写作专家和编辑专家\n- 上下文爆炸：2000 词的提示词需要同时涵盖研究、写作、编辑和事实核查，导致每个环节都只能浅尝辄止\n- 手动协调成本：将工作拆分为多个步骤后，需要手动在各个聊天窗口之间复制输出、跟踪依赖关系、在失败时重新开始\n\nRein 正是为解决这些问题而诞生的多智能体编排框架。\n\n## Rein 的核心理念\n\nRein 的设计哲学可以用一句话概括：用纯文本文件描述工作流，让框架处理执行细节。\n\n用户只需要在 Markdown 文件中定义每个智能体的角色，在 YAML 文件中描述它们如何连接，然后运行一个命令即可。Rein 会自动：\n- 启动智能体\n- 在它们之间传递数据\n- 跟踪执行进度\n- 处理失败和重试\n\n## 三层架构设计\n\nRein 采用清晰的三层架构，全部通过文本文件定义：\n\n### 第一层：专家（Specialists）\n\n专家是定义单个 AI 智能体角色的 Markdown 文件：\n\nmarkdown\n# 代码审查专家\n\n你是一位进行代码审查的高级工程师。\n\n## 输出格式\n{\"verdict\": \"approve|request_changes\", \"issues\": [...]}\n\n\n### 第二层：团队（Teams）\n\n团队是将专家分组并定义共享协作风格的 YAML 文件：\n\nyaml\nname: 代码审查团队\nspecialists:\n - code-reviewer\n - code-improver\ncollaboration_tone: |\n 保持建设性和具体。始终输出有效的 JSON。\n\n\n### 第三层：工作流（Workflows）\n\n工作流是定义执行流程的 YAML 文件：\n\nyaml\nblocks:\n - name: review\n specialist: code-reviewer\n prompt: \"审查这段代码：...\"\n\n - name: improve\n specialist: code-improver\n depends_on: [review]\n prompt: \"修复发现的问题：{{ review.json }}\"\n\n\n## 关键特性\n\n### 多 LLM 支持\n\nRein 支持多种大语言模型提供商：\n- Anthropic Claude：通过 anthropic SDK\n- OpenAI GPT：通过 openai SDK\n- Ollama：本地运行，无需 API 密钥\n- OpenRouter：支持 100+ 模型\n\n### 并行执行\n\n没有依赖关系的步骤会自动并行执行：\n\nyaml\nmax_parallel: 3\n\nblocks:\n - name: a\n prompt: \"...\" # 立即执行\n\n - name: b\n prompt: \"...\" # 与 a 并行执行\n\n - name: c\n depends_on: [a, b] # 等待 a 和 b 完成\n prompt: \"{{ a.json }} {{ b.json }}\"\n\n\n### 条件分支与循环\n\n支持基于输出路由执行流程：\n\nyaml\n- name: gate\n prompt: \"评估质量...\"\n next:\n - if: \"{{ result.approved }}\"\n goto: publish\n - else: revision\n\n\n### 崩溃恢复\n\nRein 使用 SQLite 持久化状态，支持从崩溃中恢复。如果工作流在执行过程中中断，可以从断点继续，无需重新开始。\n\n### MCP 服务器支持\n\n内置 MCP（Model Context Protocol）服务器，可与 Claude Desktop、Cursor、Claude Code 等工具集成。\n\n## 快速开始\n\n### 安装\n\nbash\npip install rein-ai[anthropic]\n\n\n### 设置 API 密钥\n\nbash\nexport ANTHROPIC_API_KEY=sk-...\n\n\n### 运行示例\n\nbash\ncd examples/01-hello-world\nrein --agents-dir ./agents workflow.yaml --no-ui\n\n\n输出示例：\n\n[research] done 3.2s researcher \"找到 12 个关于 AI 趋势的相关来源\"\n[write] done 5.1s writer \"草稿完成：1,847 词\"\n[edit] done 2.8s editor \"修复 3 个问题，润色至 1,923 词\"\n\n\n## 与同类工具的对比\n\n| 特性 | Rein | CrewAI | LangGraph | AutoGen |\n|------|------|--------|-----------|---------|\n| 配置格式 | YAML + Markdown | Python 类 | Python 代码 | Python 代码 |\n| 需要编写代码 | 否 | 是 | 是 | 是 |\n| LLM 提供商 | 4+ | 有限 | 有限 | 有限 |\n| 崩溃恢复 | SQLite 状态 | 否 | 检查点 | 否 |\n| MCP 服务器 | 内置 | 否 | 否 | 否 |\n| 本地/免费模型 | Ollama | 有限 | 否 | 否 |\n| 学习曲线 | 编辑 YAML | 学习框架 API | 学习图 DSL | 学习智能体 API |\n\n## 典型应用场景\n\n### 内容创作管道\n\n研究 → 写作 → 编辑 → 发布审核\n\n### 代码审查流程\n\n静态分析 → 安全扫描 → 风格检查 → 人工审核\n\n### 数据分析管道\n\n数据清洗 → 特征工程 → 模型训练 → 结果验证\n\n### 客户服务自动化\n\n意图识别 → 知识检索 → 回复生成 → 质量检查\n\n## 设计理念的深层意义\n\nRein 的设计体现了一个重要趋势：AI 工作流的民主化。通过将复杂的编排逻辑抽象为简单的文本配置，Rein 让非程序员也能构建复杂的多智能体系统。\n\n这种"配置即代码"（Configuration as Code）的方法具有以下优势：\n\n1. 可读性：YAML 和 Markdown 比 Python 代码更容易理解和审查\n2. 版本控制：文本文件天然适合 Git 管理\n3. 可复用性：专家定义可以在不同项目间共享\n4. 可审计性：工作流定义本身就是文档\n\n## 总结\n\nRein 为多智能体工作流编排提供了一个优雅而实用的解决方案。它通过三层架构（专家、团队、工作流）和纯文本配置，将复杂的多步骤 AI 工作流变得简单可管理。\n\n对于希望构建可靠、可复现、可维护的 AI 工作流的个人和团队来说，Rein 是一个值得认真考虑的工具。

问题背景：单智能体的局限性\n\n当我们把复杂的任务交给单个 AI 模型时，往往会遇到以下问题：\n\n- 能力过载：一个智能体无法同时成为研究专家、写作专家和编辑专家\n- 上下文爆炸：2000 词的提示词需要同时涵盖研究、写作、编辑和事实核查，导致每个环节都只能浅尝辄止\n- 手动协调成本：将工作拆分为多个步骤后，需要手动在各个聊天窗口之间复制输出、跟踪依赖关系、在失败时重新开始\n\nRein 正是为解决这些问题而诞生的多智能体编排框架。\n\nRein 的核心理念\n\nRein 的设计哲学可以用一句话概括：用纯文本文件描述工作流，让框架处理执行细节。\n\n用户只需要在 Markdown 文件中定义每个智能体的角色，在 YAML 文件中描述它们如何连接，然后运行一个命令即可。Rein 会自动：\n- 启动智能体\n- 在它们之间传递数据\n- 跟踪执行进度\n- 处理失败和重试\n\n三层架构设计\n\nRein 采用清晰的三层架构，全部通过文本文件定义：\n\n第一层：专家（Specialists）\n\n专家是定义单个 AI 智能体角色的 Markdown 文件：\n\nmarkdown\n代码审查专家\n\n你是一位进行代码审查的高级工程师。\n\n输出格式\n{\"verdict\": \"approve|request_changes\", \"issues\": [...]}\n\n\n第二层：团队（Teams）\n\n团队是将专家分组并定义共享协作风格的 YAML 文件：\n\nyaml\nname: 代码审查团队\nspecialists:\n - code-reviewer\n - code-improver\ncollaboration_tone: |\n 保持建设性和具体。始终输出有效的 JSON。\n\n\n第三层：工作流（Workflows）\n\n工作流是定义执行流程的 YAML 文件：\n\nyaml\nblocks:\n - name: review\n specialist: code-reviewer\n prompt: \"审查这段代码：...\"\n\n - name: improve\n specialist: code-improver\n depends_on: [review]\n prompt: \"修复发现的问题：{{ review.json }}\"\n\n\n关键特性\n\n多 LLM 支持\n\nRein 支持多种大语言模型提供商：\n- Anthropic Claude：通过 anthropic SDK\n- OpenAI GPT：通过 openai SDK\n- Ollama：本地运行，无需 API 密钥\n- OpenRouter：支持 100+ 模型\n\n并行执行\n\n没有依赖关系的步骤会自动并行执行：\n\nyaml\nmax_parallel: 3\n\nblocks:\n - name: a\n prompt: \"...\" 立即执行\n\n - name: b\n prompt: \"...\" 与 a 并行执行\n\n - name: c\n depends_on: [a, b] 等待 a 和 b 完成\n prompt: \"{{ a.json }} {{ b.json }}\"\n\n\n条件分支与循环\n\n支持基于输出路由执行流程：\n\nyaml\n- name: gate\n prompt: \"评估质量...\"\n next:\n - if: \"{{ result.approved }}\"\n goto: publish\n - else: revision\n\n\n崩溃恢复\n\nRein 使用 SQLite 持久化状态，支持从崩溃中恢复。如果工作流在执行过程中中断，可以从断点继续，无需重新开始。\n\nMCP 服务器支持\n\n内置 MCP（Model Context Protocol）服务器，可与 Claude Desktop、Cursor、Claude Code 等工具集成。\n\n快速开始\n\n安装\n\nbash\npip install rein-ai[anthropic]\n\n\n设置 API 密钥\n\nbash\nexport ANTHROPIC_API_KEY=sk-...\n\n\n运行示例\n\nbash\ncd examples/01-hello-world\nrein --agents-dir ./agents workflow.yaml --no-ui\n\n\n输出示例：\n\n[research] done 3.2s researcher \"找到 12 个关于 AI 趋势的相关来源\"\n[write] done 5.1s writer \"草稿完成：1,847 词\"\n[edit] done 2.8s editor \"修复 3 个问题，润色至 1,923 词\"\n\n\n与同类工具的对比\n\n| 特性 | Rein | CrewAI | LangGraph | AutoGen |\n|------|------|--------|-----------|---------|\n| 配置格式 | YAML + Markdown | Python 类 | Python 代码 | Python 代码 |\n| 需要编写代码 | 否 | 是 | 是 | 是 |\n| LLM 提供商 | 4+ | 有限 | 有限 | 有限 |\n| 崩溃恢复 | SQLite 状态 | 否 | 检查点 | 否 |\n| MCP 服务器 | 内置 | 否 | 否 | 否 |\n| 本地/免费模型 | Ollama | 有限 | 否 | 否 |\n| 学习曲线 | 编辑 YAML | 学习框架 API | 学习图 DSL | 学习智能体 API |\n\n典型应用场景\n\n内容创作管道\n\n研究 → 写作 → 编辑 → 发布审核\n\n代码审查流程\n\n静态分析 → 安全扫描 → 风格检查 → 人工审核\n\n数据分析管道\n\n数据清洗 → 特征工程 → 模型训练 → 结果验证\n\n客户服务自动化\n\n意图识别 → 知识检索 → 回复生成 → 质量检查\n\n设计理念的深层意义\n\nRein 的设计体现了一个重要趋势：AI 工作流的民主化。通过将复杂的编排逻辑抽象为简单的文本配置，Rein 让非程序员也能构建复杂的多智能体系统。\n\n这种"配置即代码"（Configuration as Code）的方法具有以下优势：\n\n1. 可读性：YAML 和 Markdown 比 Python 代码更容易理解和审查\n2. 版本控制：文本文件天然适合 Git 管理\n3. 可复用性：专家定义可以在不同项目间共享\n4. 可审计性：工作流定义本身就是文档\n\n总结\n\nRein 为多智能体工作流编排提供了一个优雅而实用的解决方案。它通过三层架构（专家、团队、工作流）和纯文本配置，将复杂的多步骤 AI 工作流变得简单可管理。\n\n对于希望构建可靠、可复现、可维护的 AI 工作流的个人和团队来说，Rein 是一个值得认真考虑的工具。