SagaFlow：基于 Temporal 的持久化 AI Agent 工作流框架

SagaFlow 是一个开源 Python 框架，将 Temporal 工作流引擎与 Claude 等 LLM 结合，解决了多 Agent 会话在崩溃后状态丢失、重试困难的问题，为代码审查、调试和研究等场景提供持久化执行能力。

在多 Agent 协作系统日益普及的今天，开发者经常面临一个棘手问题：当一个复杂的代码审查或调试任务正在运行时，终端意外崩溃、网络中断，或者某个子 Agent 陷入长时间的静默等待——所有的中间状态瞬间丢失，重试机制变成了一堆脆弱的 Markdown 文本，而正在执行的任务究竟处于什么状态，完全无从得知。

这正是 SagaFlow 试图解决的核心痛点。作为一个基于 Temporal 工作流引擎构建的 Python 框架，SagaFlow 为 AI Agent 提供了持久化执行能力，让工作流能够跨越会话生命周期，在崩溃后自动恢复，并确保结果可靠送达。

SagaFlow 的创建者 npow 观察到，现代多 Agent 系统（如代码审查、调试、研究助手）通常采用并行子 Agent 架构，通过文件或内存中的临时状态机协调工作。这种模式存在几个致命缺陷：

• 状态脆弱性：会话崩溃导致中间状态碎片化\n- 重试机制缺失：失败后的恢复依赖手动编写的重试逻辑\n- 可见性盲区：无法追踪哪些子任务仍在运行\n- 重复造轮子：每个技能都需要自行实现持久化层

Temporal 作为一个成熟的分布式工作流引擎，已经解决了持久化执行、状态管理、故障恢复等问题。SagaFlow 的设计哲学很直接：不要重复造轮子，而是将 Temporal 的强大能力与 LLM Agent 的灵活性结合起来。

SagaFlow 的架构可以概括为四个层次：

当用户执行 sagaflow launch 命令时，系统首先进行预检：

• 自动安装 SessionStart 钩子，确保新会话能感知历史任务\n- 检查并自动启动 Worker 守护进程\n- 验证 Temporal 服务连接状态

工作流定义通过 Temporal 的 @workflow.defn 装饰器实现，核心活动包括：\n- write_artifact：文件 I/O 操作\n- spawn_subagent：通过 Anthropic SDK 或 claude -p 子进程调用 LLM\n- emit_finding：将结果写入收件箱并触发通知

Temporal 保证每个活动执行具有恰好一次的语义，即使 Worker 崩溃，重启后也能从最后一个完成的活动继续执行。

SagaFlow 设计了冗余的结果送达系统，确保用户不会错过任何重要输出：\n

1. 命令行等待模式：--await 标志让调用者阻塞等待结果\n2. 收件箱文件：~/.sagaflow/INBOX.md 追加所有完成记录\n3. 会话钩子：新 Claude Code 会话自动展示未读结果\n4. 桌面通知：通过 osascript（macOS）或 notify-send（Linux）触发

SagaFlow 内置了 11 个即用型技能，覆盖常见开发场景：\n

技能名称	功能描述
hello-world	框架冒烟测试
deep-qa	多轮文档/代码 QA，并行评论家与综合
deep-debug	假设驱动的调试流程
deep-research	WHO/WHAT/HOW/WHERE/WHEN/WHY 六维研究
deep-design	规格起草 → 多轮评审 → 最终规格
deep-plan	规划师-架构师-评论家共识循环
proposal-reviewer	主张提取 + 四维评审 + 事实核查
team	规划 → PRD → 并行执行 → 验证修复循环
autopilot	扩展 → 规划 → 执行 → QA → 验证完整流程
loop-until-done	可证伪性评审 + 逐标准验证循环
flaky-test-diagnoser	多轮运行 → 假设生成 → 诊断报告

所有技能共享相同的传输层（Anthropic SDK 或子进程）和结果送达机制。