# AgentFlow DSL：用声明式语法构建多智能体工作流的新范式

> AgentFlow DSL 是一种专为多智能体 AI 工作流设计的声明式语言，开发者只需编写简洁的 .aflow 文件即可定义复杂的多智能体协作流程，无需编写集成代码即可直接转换为 MCP 工具在 Claude Code 中使用。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-06-06T08:15:53.000Z
- 最近活动: 2026-06-06T08:18:46.033Z
- 热度: 119.0
- 关键词: AgentFlow, 多智能体, 工作流, DSL, MCP, Claude Code, LangGraph, CrewAI, 声明式编程, AI 工作流
- 页面链接: https://www.zingnex.cn/forum/thread/agentflow-dsl
- Canonical: https://www.zingnex.cn/forum/thread/agentflow-dsl
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：anhonestboy
- 来源平台：github
- 原始标题：agentflow
- 原始链接：https://github.com/anhonestboy/agentflow
- 来源发布时间/更新时间：2026-06-06T08:15:53Z

## 原作者与来源\n\n- 原作者/维护者：anhonestboy\n- 来源平台：GitHub\n- 原始标题：agentflow\n- 原始链接：https://github.com/anhonestboy/agentflow\n- 来源发布时间/更新时间：2026-06-06T08:15:53Z\n\n## 背景：多智能体工作流的痛点\n\n随着大型语言模型（LLM）能力的不断提升，多智能体协作系统正在成为 AI 应用开发的重要方向。然而，传统的多智能体框架如 LangGraph 和 CrewAI 通常要求开发者编写大量的 Python 代码来定义工作流，这不仅增加了开发门槛，还带来了配置分散、难以版本控制、代码审查困难等问题。\n\n具体来说，传统方案存在以下痛点：\n\n- **代码冗余**：定义一个工作流通常需要约 40 行样板代码\n- **多模型切换复杂**：需要手动处理不同提供商的模型切换逻辑\n- **MCP 集成繁琐**：需要编写额外的 MCP 服务器代码\n- **配置分散**：代码和配置分散在多个文件中，不利于版本管理\n- **可读性差**：非 Python 开发者难以理解工作流逻辑\n\n## AgentFlow DSL 简介\n\nAgentFlow DSL 是一种声明式领域专用语言（DSL），专为多智能体 AI 工作流设计。它的核心设计理念是：让开发者用简洁的声明式语法描述工作流，而非编写命令式代码。\n\n### 核心特性\n\nAgentFlow 的最大亮点在于其简洁性和强大的功能组合：\n\n- **声明式语法**：使用 .aflow 文件定义工作流，约 20 行代码即可完成传统方案需要 40 行代码的工作\n- **多模型支持**：支持为每个智能体配置不同的模型别名，实现成本优化和性能平衡\n- **自动 MCP 集成**：每个工作流自动转换为 MCP 工具，可直接在 Claude Code 中调用\n- **Git 友好**：单个 .aflow 文件即可完成版本管理\n- **高可读性**：任何人都能理解工作流逻辑，无需编程背景\n\n## 语言设计与核心概念\n\nAgentFlow DSL 的设计围绕几个核心概念展开：\n\n### 智能体（Agents）\n\n智能体是工作流的基本执行单元。每个智能体可以配置不同的模型、工作模式和输出要求：\n\n```aflow\nagent writer\n  model: \"local-fast\"\n  mode: focused\n  must_produce:\n    - draft\n    - word_count: int\n```\n\n支持的智能体模式包括：\n- **focused**：专注模式，适合执行具体任务\n- **adversarial**：对抗模式，适合审查和批评\n- **reliable**：可靠模式，追求稳定输出\n- **precise**：精确模式，注重准确性\n- **strict**：严格模式，遵循规则执行\n- **patient**：耐心模式，适合研究性任务\n- **objective**：客观模式，追求中立评估\n\n### 阶段（Phases）\n\n阶段定义了工作流的执行步骤，每个阶段指定由哪个智能体执行、输入什么、输出什么：\n\n```aflow\nphase research\n  agent: researcher\n  input: [trigger.topic]\n  output: [outline, key_points]\n```\n\n### 循环（Loops）\n\n循环机制支持迭代优化，直到满足特定条件为止：\n\n```aflow\nloop revision_cycle\n  phases: [write, edit]\n  repeat_while: edit.verdict == \"needs_work\"\n  max_iterations: 3\n  on_each_iteration:\n    send_to: writer\n    payload: edit.suggestions\n```\n\n## 典型应用场景\n\nAgentFlow DSL 适用于多种需要多智能体协作的场景：\n\n### 内容创作工作流\n\n以博客文章生成为例，工作流可以设计为：研究者 → 写作者 → 编辑者，并在编辑不通过时循环迭代：\n\n```aflow\nworkflow blog_post\n  description: \"Generate and refine a blog post\"\n  version: \"1.0.0\"\n\n  agents:\n    agent researcher\n      mode: patient\n      must_produce:\n        - outline\n        - key_points\n\n    agent writer\n      mode: focused\n      must_produce:\n        - draft\n        - word_count: int\n\n    agent editor\n      mode: adversarial\n      must_produce:\n        - verdict\n        - suggestions\n        - confidence: float\n\n  phases:\n    phase research\n      agent: researcher\n      input: [trigger.topic]\n      output: [outline, key_points]\n\n    phase write\n      agent: writer\n      input: [research.outline, research.key_points]\n      output: [draft, word_count]\n\n    phase edit\n      agent: editor\n      input: [write.draft]\n      output: [verdict, suggestions, confidence]\n\n  loop revision_cycle\n    phases: [write, edit]\n    repeat_while: edit.verdict == \"needs_work\"\n    max_iterations: 3\n    on_each_iteration:\n      send_to: writer\n      payload: edit.suggestions\n\n  done when: edit.confidence >= 0.8 and edit.verdict == \"approved\"\n```\n\n### 代码质量审查\n\n代码审查工作流可以设计为：写作者 → 测试者 → 批评者，直到质量达标：\n\n```aflow\nworkflow code_quality\n  description: \"Iterative code review with writer, tester, and critic\"\n  version: \"1.0.0\"\n\n  agents:\n    agent writer     → model: \"local-fast\"\n    agent tester     → model: \"openrouter-smart\"\n    agent critic     → model: \"claude-sonnet\"\n\n  loop quality_gate\n    phases: [write, test, review]\n    repeat_while: review.verdict == \"needs_work\"\n    max_iterations: 5\n\n  done when: review.confidence >= 0.85\n```\n\n## 支持的模型提供商\n\nAgentFlow 目前支持三大主流模型提供商：\n\n| 提供商 | 状态 | 说明 |\n|--------|------|------|\n| Claude (Anthropic) | ✅ | 原生 SDK 支持，支持多轮工具调用 |\n| OpenRouter | ✅ | 支持 315+ 模型，自动路由提供商 |\n| Ollama | ✅ | 本地执行，无需 API 密钥 |\n\n开发者可以配置模型别名来实现成本优化策略，例如使用便宜模型进行初稿生成，使用前沿模型进行最终审查：\n\n```json\n{\n  \"models\": {\n    \"local-fast\":       { \"provider\": \"ollama\",      \"model\": \"qwen3:8b\" },\n    \"openrouter-smart\": { \"provider\": \"openrouter\",  \"model\": \"google/gemini-2.5-flash\" },\n    \"claude-sonnet\":    { \"provider\": \"claude\",      \"model\": \"claude-sonnet-4-5\" }\n  }\n}\n```\n\n## 技术架构与实现\n\nAgentFlow 的技术架构清晰分层，从 .aflow 文件到最终执行经历了以下流程：\n\n```\n.aflow file\n    │\n    ▼\n Tokenizer ──► Parser ──► Compiler (AST → IR)\n                              │\n                    ┌─────────▼──────────┐\n                    │   Validator (S1-S10) │\n                    └─────────┬──────────┘\n                              │\n                    ┌─────────▼──────────┐\n                    │  WorkflowRunner     │\n                    │  ┌───────────────┐  │\n                    │  │ ExecutorResolver│  │\n                    │  │ ┌─────────────┐│  │\n                    │  │ │ Claude      ││  │\n                    │  │ │ OpenRouter  ││  │\n                    │  │ │ Ollama      ││  │\n                    │  │ └─────────────┘│  │\n                    │  └───────────────┘  │\n                    └─────────┬──────────┘\n                              │\n                    ┌─────────▼──────────┐\n                    │  MCP Server         │\n                    │  (stdio JSON-RPC)   │\n                    └─────────┬──────────┘\n                              │\n                     Claude Code / Cursor\n```\n\n这种架构设计使得 AgentFlow 具有良好的扩展性，未来可以方便地添加新的执行器和提供商支持。\n\n## 使用方式与工具链\n\nAgentFlow 提供了完整的 CLI 工具链：\n\n```bash\nagentflow init                     # 交互式配置向导\nagentflow check <file>             # 验证工作流并生成摘要\nagentflow run <file> --input '…'   # 使用真实 LLM 执行\nagentflow run <file> --mock        # 使用模拟智能体执行（无需 API 密钥）\nagentflow compile <file>           # 编译为中间表示 JSON\nagentflow validate <file>          # 仅验证工作流\nagentflow mcp-config               # 输出 Claude Code 的 MCP 配置\nagentflow models                   # 列出已配置的模型及连接状态\nagentflow resume <file> --instance <uuid>  # 恢复中断的工作流\n```\n\n## 未来展望\n\nAgentFlow 项目有着清晰的路线图：\n\n- **v1.1**：VS Code 扩展（语法高亮、LSP 支持）\n- **v1.2**：并行阶段执行\n- **v1.3**：工作流注册表与分享机制\n- **v2.0**：Web 可视化编辑器、CI/CD 集成\n\n## 总结与思考\n\nAgentFlow DSL 代表了多智能体工作流定义方式的一种新范式。它通过声明式语法降低了多智能体系统的开发门槛，使得更多开发者能够利用多智能体协作来构建复杂的 AI 应用。\n\n这种设计思路的价值在于：将工作流的"做什么"与"怎么做"分离，让开发者专注于业务逻辑本身，而非底层实现细节。同时，自动 MCP 集成特性使得工作流可以无缝嵌入到 Claude Code 等 AI 辅助编程环境中，进一步提升了开发体验。\n\n对于正在探索多智能体系统的开发者来说，AgentFlow 提供了一个轻量级但功能完整的选择，值得尝试和关注。