# Stigmer：零基础设施构建AI智能体与工作流的开放平台 > Stigmer是一个开源AI智能体平台，支持本地SQLite开发模式和云端生产模式，采用CNCF Serverless Workflow标准，通过Temporal实现可靠编排，让开发者用同一套CLI、SDK和资源定义即可构建和部署AI工作流。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-04-04T14:44:35.000Z - 最近活动: 2026-04-04T14:51:39.499Z - 热度: 161.9 - 关键词: Stigmer, AI智能体, 工作流, Temporal, CNCF, Serverless Workflow, MCP, 开源, Go - 页面链接: https://www.zingnex.cn/forum/thread/stigmer-ai - Canonical: https://www.zingnex.cn/forum/thread/stigmer-ai - Markdown 来源: ingested_event --- ## 项目背景与定位\n\n随着大语言模型（LLM）能力的快速发展，如何将这些能力转化为可复用、可编排、可维护的生产级系统，成为开发者面临的核心挑战。现有的解决方案往往面临两难选择：要么是完全托管的SaaS平台，灵活性受限且存在供应商锁定风险；要么是需要自行搭建复杂基础设施的开源项目，运维成本高企。\n\nStigmer项目正是在这一背景下诞生的。它提出了一个独特的"开放核心"模式：**同一套代码库、同一套CLI、同一套SDK，既可以在本地以SQLite模式运行用于开发调试，也可以无缝切换到云端生产模式用于团队协作**。这种设计让开发者能够从小规模实验开始，随需求增长平滑过渡到生产环境，而无需重写任何代码。\n\n## 核心架构设计\n\nStigmer采用模块化的微服务架构，核心组件包括：\n\n### CLI客户端\n\nStigmer CLI是用户的主要交互界面，采用Go语言编写，遵循BusyBox模式将所有功能打包在单一二进制文件中。CLI提供统一的命令集，无论后端是本地SQLite还是云端服务，用户界面保持一致。\n\n主要命令包括：\n- `stigmer run`：执行智能体或工作流\n- `stigmer apply`：从YAML文件创建或更新资源\n- `stigmer get/list/delete`：资源管理\n- `stigmer server`：本地服务器的生命周期管理\n\n### stigmer-server\n\n这是系统的核心gRPC服务，同样使用Go语言实现。它负责：\n- 资源管理（智能体、工作流、技能、MCP服务器）\n- 基于SQLite的持久化存储（本地模式）\n- 全文搜索（FTS5）\n- 与Temporal编排引擎的集成\n\n### Agent Runner\n\n使用Python和Temporal框架实现的智能体执行引擎。它通过Graphton框架与LLM交互，支持多种模型提供商（Anthropic、OpenAI、Ollama）。\n\n### Workflow Runner\n\n使用Go语言实现的工作流执行引擎，遵循CNCF Serverless Workflow标准。支持复杂的控制流（条件分支、循环、并行）和长时间运行的工作流（通过Continue-As-New模式）。\n\n## 核心概念详解\n\n### 智能体（Agents）\n\nStigmer中的智能体是带有指令、可选MCP服务器访问和模型配置的实体。定义采用声明式YAML格式，类似于Kubernetes的资源配置风格。智能体可以访问MCP（Model Context Protocol）服务器提供的工具能力，如GitHub操作、文件系统访问等。\n\n这种设计使得智能体的能力可以通过组合不同的MCP服务器来灵活扩展，而无需修改智能体本身的代码。\n\n### 工作流（Workflows）\n\n工作流是多步骤自动化流程，支持HTTP调用、智能体调用、变量赋值、条件判断和循环等控制结构。Stigmer采用CNCF Serverless Workflow标准作为工作流定义语言，这是一个云原生计算基金会孵化的开源规范，具有良好的生态兼容性和标准化程度。\n\n工作流任务支持多种类型：\n- `set_vars`：变量设置\n- `http_call`：HTTP请求\n- `agent_call`：智能体调用\n- `wait`：等待延迟\n- `flow.then`：控制流编排\n\n### 技能（Skills）\n\n技能是版本化的知识制品，包含指令和参考材料，智能体可以在执行时使用。技能采用目录结构组织，必须包含`SKILL.md`文件（带有YAML前置元数据），可选包含工具实现脚本和文档。\n\n这种设计促进了知识的复用和共享，团队可以构建自己的技能库，在不同智能体之间共享最佳实践和领域知识。\n\n### MCP服务器\n\nStigmer采用Model Context Protocol（模型上下文协议）为智能体提供工具访问能力。MCP是一个开放标准，允许AI系统安全地连接外部数据源和工具。Stigmer支持任何基于STDIO的MCP服务器，包括npm包、Python包、Go模块或Docker镜像。\n\n此外，Stigmer还提供了自己的MCP服务器，可以将平台资源暴露给AI驱动的IDE（如Cursor、Claude Desktop、VS Code、Windsurf），实现开发环境的无缝集成。\n\n## 本地模式与云端模式对比\n\n| 特性 | 本地模式（开源） | 云端模式（Stigmer Cloud） |\n|------|----------------|--------------------------|\n| 启动方式 | `stigmer server` | `stigmer backend set cloud` |\n| 存储 | SQLite（`~/.stigmer/stigmer.db`） | 分布式托管存储 |\n| 编排 | Temporal（自动管理） | Temporal（托管） |\n| 用户管理 | 单隐式用户 | 组织、团队、IAM |\n| LLM支持 | Anthropic、OpenAI、Ollama | 可配置 |\n| 适用场景 | 开发、个人项目、离线环境 | 团队协作、生产环境、治理需求 |\n\n两种模式使用完全相同的资源定义格式，可以在本地开发测试后，无缝推送到云端生产环境。\n\n## Go SDK与程序化访问\n\n除了CLI，Stigmer还提供了Pulumi风格的Go SDK，允许开发者以编程方式定义智能体和工作流：\n\n```go\nerr := stigmer.Run(func(ctx *stigmer.Context) error {\n a, err := agent.New(ctx, \"code-reviewer\", &agent.AgentArgs{\n Instructions: \"Review code for best practices and security issues\",\n })\n if err != nil {\n return err\n }\n fmt.Printf(\"Created agent: %s\\n\", a.Name)\n return nil\n})\n```\n\nSDK提供了完整的类型安全和IDE支持，适合需要动态生成资源定义或集成到现有Go应用的场景。\n\n## 技术亮点与创新\n\n### 单一二进制分发\n\nStigmer采用BusyBox模式，将所有组件打包在单一二进制文件中，简化了安装和分发。用户可以通过Homebrew、shell脚本或源码编译快速安装。\n\n### Temporal集成\n\n选择Temporal作为工作流编排引擎是一个关键决策。Temporal提供了：\n- 可靠的状态持久化\n- 自动故障恢复\n- 长时间运行工作流的支持\n- 水平扩展能力\n\n这使得Stigmer能够处理需要数小时甚至数天才能完成的复杂工作流，而无需担心执行过程中的故障问题。\n\n### 纯Go SQLite实现\n\n在本地模式下，Stigmer使用`modernc.org/sqlite`——一个纯Go实现的SQLite驱动，无需CGO依赖。这简化了跨平台编译和分发，确保在Windows、macOS、Linux上都能一致运行。\n\n### 开放标准采用\n\nStigmer积极采用开放标准：\n- CNCF Serverless Workflow用于工作流定义\n- Model Context Protocol用于工具集成\n- gRPC用于服务间通信\n- protobuf用于API契约\n\n这种对开放标准的承诺降低了供应商锁定风险，促进了生态互操作性。\n\n## 应用场景\n\nStigmer的设计使其适用于多种AI工程场景：\n\n1. **智能客服自动化**：构建能够理解用户问题、查询知识库、调用后端API、生成回复的端到端工作流。\n\n2. **代码审查助手**：创建能够分析代码变更、检查最佳实践、识别安全问题的智能体，并集成到CI/CD流程中。\n\n3. **数据处理管道**：编排多步骤的数据提取、转换、分析流程，利用LLM进行非结构化数据的智能解析。\n\n4. **多智能体协作系统**：定义多个专业智能体（研究、写作、审核等），通过工作流协调它们之间的协作。\n\n5. **个人自动化助手**：构建处理邮件、日程、任务管理的个人工作流，将LLM能力融入日常工作流。\n\n## 总结与展望\n\nStigmer为AI工程提供了一个务实而优雅的解决方案。它没有试图重新发明轮子，而是巧妙地组合了经过验证的技术（Temporal、SQLite、CNCF标准），并通过精心设计的抽象层提供了流畅的开发者体验。\n\n"零基础设施"的承诺并非夸大——开发者确实可以在几分钟内启动完整的AI智能体平台，而无需关心数据库配置、消息队列设置或编排引擎部署。同时，当需求增长时，云端模式提供了企业级的可扩展性和治理能力。\n\n对于希望将LLM能力转化为生产级系统的开发者和团队来说，Stigmer提供了一个值得认真考虑的选择。