# Enju（槐）：让人类、AI智能体和计算任务在同一工作流图上协同工作 > Enju是一个创新的DAG工作流系统，它将人类判断、AI智能体自主决策和计算任务视为平等的工作单元，通过Git实现版本控制和审计追踪，为复杂的多方协作提供了全新的解决方案。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-05-25T10:14:44.000Z - 最近活动: 2026-05-25T10:21:34.898Z - 热度: 159.9 - 关键词: Enju, 工作流系统, DAG, AI智能体, 人机协作, Git原生, MCP协议, 任务编排 - 页面链接: https://www.zingnex.cn/forum/thread/enju-ai - Canonical: https://www.zingnex.cn/forum/thread/enju-ai - Markdown 来源: ingested_event --- ## 原作者与来源 - **原作者/维护者**：tamerh - **来源平台**：GitHub - **原始标题**：enju - **原始链接**：https://github.com/tamerh/enju - **发布时间**：2026年5月21日（v1.0.0发布） --- ## 项目背景：为什么需要Enju？ 在现代AI驱动的开发流程中，我们面临一个核心挑战：如何让不同角色——人类开发者、AI智能体、自动化脚本——能够无缝协作完成复杂任务？传统的工作流系统（如Snakemake或Nextflow）擅长处理纯计算任务，但它们无法很好地整合人类判断和AI自主决策。 Enju（日语"槐"，意为槐树）正是为解决这一问题而生。它是一个DAG（有向无环图）工作流系统，但与传统系统不同的是，Enju将人类、AI智能体和计算任务视为平等的"任务执行者"（peers），它们可以在同一个工作流图上协同工作。 --- ## 核心设计理念 ### 1. 统一的工作单元：任务（Task） 在Enju中，一切工作都被抽象为"任务"（Task）。一个任务可以是： - 人类需要回答的问题或进行的审查 - AI智能体可以自主完成的工作 - 脚本或容器执行的计算任务 这种统一抽象使得不同类型的工作可以在同一个工作流中混合编排，无需为每种角色设计特殊的集成方式。 ### 2. 动态图结构 Enju的工作流图是"活"的——任务可以在运行过程中生成新的任务。例如，当一个审查任务（request_changes）被触发时，它会自动产生一个修订任务，并将审查者的反馈预注入到新任务中。这种机制使得工作流能够根据实际执行情况动态调整，同时受到每个运行周期的预算限制。 ### 3. 事件驱动的状态机 每个状态变更都会触发事件通知： - 当任务需要人类判断时，相关人员会收到通知 - 当任务准备好被AI智能体认领时，智能体可以看到并申请执行 这种事件驱动架构确保了各方能够及时响应，不会错过需要参与的时刻。 ### 4. 输出中立的协调器 Enju的协调器只管理任务状态和提示词，从不干预任务产生的实际输出。这种设计保证了： - 执行是分布式的：人类处理审查节点，脚本在容器中运行，AI智能体自主认领任务 - 计算资源、token消耗和注意力分配由参与者自行决定 ### 5. Git原生集成 Enju的一个独特之处在于它将Git作为核心基础设施： - 每个贡献都以Git提交的形式记录 - 归因、审计和认证都通过Git本身完成 - 无需单独的身份系统或审计系统 这种设计不仅简化了架构，还天然提供了完整的历史追溯能力。 --- ## 状态机详解 Enju定义了一套完整的状态流转机制： ``` · pending ─→ ○ ready ─→ ◐ claimed ─→ ◑ running ─→ ◇ review ─→ ✓ done ``` 各状态含义： - **pending（·）**：任务已创建，等待依赖满足 - **ready（○）**：依赖已完成，任务可被执行 - **claimed（◐）**：任务已被认领（被人类、AI或脚本） - **running（◑）**：任务正在执行中 - **review（◇）**：任务完成，等待审查 - **done（✓）**：任务已完成并通过审查 此外还有几个特殊状态： - **retry（↻）**：任务需要重试 - **failed（✗）**：任务执行失败 - **skipped（⊘）**：任务被跳过 - **parked（‖）**：任务被暂停 这种细粒度的状态管理使得工作流的每个环节都可观测、可控制。 --- ## 架构概览 Enju的架构可以分为三个层次： ### 1. 协调器层（Coordinator） 核心DAG状态机，负责任务状态管理和事件分发。它与状态数据库和事件数据库交互，确保所有状态变更都被持久化和广播。 ### 2. 客户端层（Fat Client） 参与者通过统一的Fat Client与系统交互，支持多种接入方式： - **MCP协议**：用于AI智能体集成 - **CLI命令行**：适合开发者和脚本 - **Web界面**：为人类用户提供友好的图形界面 客户端支持多种任务类型： - ⚙️ **compute**：计算任务 - ✦ **answer**：回答任务 - ◇ **review**：审查任务 - ⊙ **vote**：投票任务 ### 3. 执行层（Agent Daemons） 多个智能体守护进程并行运行，包括： - LLM智能体：处理需要AI能力的任务 - 计算智能体：执行容器化计算任务 - 容器执行器：运行Docker或Apptainer容器 ### 4. 存储层（Git） 所有工作流定义和任务输出都存储在Git仓库中，利用Git的分支和合并机制实现： - **workflow-2/**、**workflow-1/**：不同工作流的分支 - **workflow-2/**、**workflow-1/**：具体任务的提交 - **main**：主分支，整合所有已完成的工作 --- ## 实际应用案例 项目提供了三个参考工作流，展示了Enju在不同场景下的应用： ### 1. Mustache模板引擎开发 **场景**：从零开始构建一个Mustache模板引擎 **配置**：6个Claude Sonnet智能体，通过request_changes循环进行迭代改进 **成果**：136/136的合规性测试全部通过 这个案例展示了Enju如何管理复杂的AI协作开发流程，多个智能体在审查-改进的循环中共同完善代码。 ### 2. 纳米孔基因组组装 **场景**：ONT（Oxford Nanopore Technologies）噬菌体基因组组装 **配置**：13个容器化计算任务，分布在两台机器上执行 **特点**：Git作为数据传输机制，展示了Enju在科学计算领域的应用 ### 3. PRISMA系统综述 **场景**：对FMT（粪菌移植）治疗rCDI（复发性艰难梭菌感染）的RCT（随机对照试验）进行PRISMA系统综述 **配置**：4个Claude Sonnet智能体 + 2个人类审查节点 **成果**：完成了14项RCT的综合分析 这个案例特别有价值，因为它展示了人类专家与AI智能体在严肃学术研究中的协作模式。 --- ## 技术亮点 ### 1. 模块化设计 代码库采用模块化架构，便于扩展和维护。项目包含1800多个测试，覆盖边界情况、并发和并行执行。 ### 2. 单二进制分发 Enju以单个二进制文件形式发布，内置MCP支持、CLI和Web界面，部署极其简单。 ### 3. 跨平台支持 提供安装脚本和预编译二进制文件，支持多种平台。安装命令仅需一行： ```bash curl -fsSL https://raw.githubusercontent.com/tamerh/enju/main/install.sh | sh ``` ### 4. 学术背书 项目有配套的设计论文预印本（sugi.bio/enju），说明其设计理念经过了系统的学术思考。 --- ## 适用场景 Enju特别适合以下场景： 1. **AI辅助软件开发**：多个AI智能体协作完成复杂编程任务，人类开发者进行关键审查 2. **科学研究工作流**：需要混合计算任务和人类专家判断的数据分析流程 3. **内容审核与质量控制**：AI生成内容后需要人类进行质量把关的流程 4. **众包与协作研究**：需要多方参与、有明确审查节点的协作项目 5. **自动化报告生成**：数据收集、分析、撰写、审查一体化的报告生成流程 --- ## 总结与展望 Enju代表了一种新的工作流系统范式：不再将人类和AI视为外围调用者，而是将它们作为一等公民纳入工作流的核心。通过Git原生集成，Enju解决了归因、审计和版本控制这些在混合人机协作中至关重要但常被忽视的问题。 随着AI智能体能力的不断提升，像Enju这样的系统将成为连接人类智慧与机器能力的关键基础设施。它不仅是一个工具，更是一种思考如何组织未来工作方式的框架。 对于正在探索AI团队协作、复杂工作流自动化或需要严格审计追踪的项目来说，Enju值得认真考虑。