# Reasonflow：SDK优先的多智能体工作流编排框架 > 一个SDK优先、原生支持MCP的智能体编排框架，提供DAG构建、并行执行、自动重试和成本追踪功能，支持LLM节点、代码节点、决策节点和MCP工具节点。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-04-05T03:44:23.000Z - 最近活动: 2026-04-05T03:51:02.577Z - 热度: 159.9 - 关键词: 智能体编排, 工作流, SDK, MCP, DAG, LLM, 并行执行, 成本追踪 - 页面链接: https://www.zingnex.cn/forum/thread/reasonflow-sdk - Canonical: https://www.zingnex.cn/forum/thread/reasonflow-sdk - Markdown 来源: ingested_event --- ## 智能体编排的新范式\n\n随着大语言模型（LLM）能力的不断增强，基于LLM的应用也从简单的问答系统演变为复杂的多步骤工作流。这些工作流可能涉及多个模型的协作、外部工具的调用、条件分支的判断以及并行任务的执行。如何优雅地定义和管理这些复杂的工作流，成为了AI应用开发中的一个核心挑战。Reasonflow项目提出了一种SDK优先的解决方案，通过代码即配置的方式，让开发者可以用Python原生语法构建复杂的多智能体工作流。\n\n## 核心理念：SDK优先与MCP原生\n\nReasonflow的设计理念是SDK优先（SDK-first），这意味着工作流的定义完全通过Python代码完成，而不是通过YAML、JSON等配置文件。这种设计带来了几个显著优势：开发者可以利用IDE的代码补全、类型检查和重构功能；工作流逻辑与业务代码可以无缝集成；版本控制和代码审查可以使用成熟的Git工作流。\n\n另一个核心理念是MCP原生（MCP-native）。MCP（Model Context Protocol）是一个开放的协议标准，用于标准化AI模型与外部工具之间的交互。Reasonflow内置了对MCP的支持，使得接入外部工具变得异常简单，开发者无需为每个工具编写定制的集成代码。\n\n## 四种节点类型与DAG构建\n\nReasonflow定义了四种核心节点类型，覆盖了AI工作流中的常见需求。LLMNode用于调用大语言模型，支持OpenAI、Anthropic、Google等云服务商，以及通过Ollama运行的本地模型。开发者只需使用装饰器语法@LLMNode(model=...)即可定义一个LLM节点，模型名称支持ollama/llama3这样的格式来指定本地模型。\n\nCodeNode用于执行Python代码，适合数据处理、格式转换、计算等任务。DecisionNode用于条件分支，可以根据上游节点的输出决定执行路径。MCPNode则专门用于调用MCP工具，自动处理工具发现、参数传递和结果解析。\n\n工作流的构建采用直观的DAG（有向无环图）模型，使用>>操作符连接节点。例如step1 >> step2表示step1的输出作为step2的输入。对于需要并行执行的场景，可以使用parallel()函数创建并行分支，框架会自动处理并发执行和结果合并。\n\n## 高级特性：重试、成本追踪与调试\n\n在生产环境中，LLM调用可能会因为网络问题或模型限流而失败。Reasonflow内置了智能重试机制，可以根据错误类型采取不同的重试策略。对于可重试的错误（如速率限制），框架会自动进行指数退避重试；对于确定性错误（如参数无效），则会快速失败。\n\n成本追踪是另一个实用功能。框架会自动记录每个节点的token消耗和API调用成本，生成JSON格式的执行追踪。这对于优化工作流成本、识别资源瓶颈非常有帮助。开发者可以通过CLI命令reasonflow trace查看历史执行的详细统计。\n\n调试支持方面，Reasonflow提供了多种调试模式。可以在运行命令时添加--debug标志，或者在定义DAG时设置debug=True，甚至可以在单个节点上调用.debug()方法。调试模式下，框架会打印每个节点的输入输出，帮助开发者快速定位问题。\n\n## 丰富的示例场景\n\n项目仓库包含了十几个实用的示例，展示了Reasonflow在各种场景下的应用。研究流水线示例演示了如何并行收集资料，然后由LLM综合生成报告。多模型辩论示例让三个不同的LLM就某个话题进行辩论，最后由裁判模型综合各方观点。\n\n代码审查示例展示了如何自动分析git diff并生成代码审查报告。CSV分析示例结合代码节点和LLM节点，先计算统计数据，再生成洞察见解。Web抓取示例演示了如何获取网页、清洗HTML、生成摘要的完整流程。\n\n健康检查示例使用并行节点执行多项系统检查，然后通过DecisionNode决定是发送告警还是生成正常报告。Docker清理示例展示了如何先并行收集容器信息，再决定是否执行清理操作。这些示例覆盖了从简单到复杂的各种用例，为开发者提供了丰富的参考。\n\n## 快速开始与部署\n\n安装Reasonflow非常简单，只需pip install reasonflow即可。配置API密钥时，复制.env.example为.env并填入相应的密钥。框架支持多种模型提供商，包括OpenAI、Anthropic、Google的云服务，以及通过Ollama运行的本地模型。\n\n运行工作流使用reasonflow run命令，可以通过-v参数传递变量值。例如reasonflow run examples/research_pipeline.py -v topic="AI safety"会运行研究流水线示例，并将topic变量设置为"AI safety"。这种命令行接口使得工作流可以很容易地集成到CI/CD管道或定时任务中。\n\n## 应用场景与生态价值\n\nReasonflow特别适合需要编排复杂AI工作流的场景。对于数据科学团队，可以用它构建自动化的数据分析和报告生成流水线。对于DevOps团队，可以用它实现智能的运维自动化，如日志分析、故障诊断、资源清理等。对于产品团队，可以用它快速原型化AI功能，验证想法后再进行工程化实现。\n\n作为MCP原生框架，Reasonflow也推动了MCP生态的发展。开发者可以复用社区贡献的MCP服务器，而无需关心底层集成细节。这种标准化和复用性，有望降低AI应用开发的门槛，促进更多创新应用的出现。\n\n## 总结\n\nReasonflow代表了AI工作流编排框架的一个新方向：SDK优先的代码定义、MCP原生的工具集成、以及面向生产的可靠性特性。通过简洁的API设计和丰富的功能集，它让开发者可以专注于业务逻辑，而无需重复造轮子。随着LLM应用场景的不断扩展，这类专门面向AI工作流的编排工具将发挥越来越重要的作用。