# Yuno：支持可恢复执行与实时监控的AI智能体编排平台

> 一个功能完整的AI智能体编排平台，支持可配置智能体、多智能体工作流、LangGraph持久化引擎、Claude运行时和实时监控。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-06-03T15:44:28.000Z
- 最近活动: 2026-06-03T15:54:12.135Z
- 热度: 152.8
- 关键词: agent orchestration, LangGraph, Claude, multi-agent, workflow, resumable, monitoring, FastAPI, React
- 页面链接: https://www.zingnex.cn/forum/thread/yuno-ai
- Canonical: https://www.zingnex.cn/forum/thread/yuno-ai
- Markdown 来源: ingested_event

---

## 原作者与来源

- **原作者/维护者**: pavankomateedi
- **来源平台**: GitHub
- **原始标题**: yuno-orchestration
- **原始链接**: https://github.com/pavankomateedi/yuno-orchestration
- **发布时间**: 2026-06-03

---

## 项目概述

Yuno 是一个功能完整的AI智能体编排平台，允许用户创建AI智能体、配置其行为（个性、模型、工具、记忆、调度、技能、交互规则、防护栏），将它们连接成带有条件和反馈循环的多智能体工作流，在真实的智能体运行时上执行，并通过Slack与智能体聊天，同时实时观察一切。

该项目不仅是一个概念验证，而是包含完整前后端实现、架构设计文档、AWS部署方案和验证体系的工程级项目。

---

## 核心架构设计

### 四层架构（依赖向内指向）

Yuno 采用清晰的分层架构，确保边界明确、职责分离：

**1. UI层**
- React + TypeScript + Vite
- 任务控制中心 · 智能体配置 · 工作流构建器 · 监控面板 · 频道聊天
- 通过REST和WebSocket与后端通信

**2. 编排后端**
- Python + FastAPI
- 双引擎设计：自定义图执行器 + LangGraph（持久化、可恢复）
- 防护栏 · 频道 · 运行管理（异步202 + 恢复）

**3. 运行时层**
- Claude API + 工具执行循环（Anthropic）
- 可插拔运行时端口（支持演示/模拟运行时）
- 沙盒化工具调用（shell/file/git/python/http）

**4. 持久化层**
- SQLite（默认）或 Postgres/RDS
- 智能体 · 工作流 · 消息追踪 · 运行历史 + LangGraph状态检查点

### 运行时选择：为什么使用Claude API

项目最初考虑使用OpenClaw作为运行时，但在评估后发现openclaw npm包是一个空占位符（v0.0.1，无CLI），而真实的OpenClaw分发是一个常驻守护进程，与无状态容器架构不匹配。

因此，项目采用直接Anthropic集成：
- `AnthropicRuntime` 运行真实的Claude工具使用循环
- 系统提示来自智能体的个性+记忆
- 智能体授权的工具提供给模型
- 工具在沙盒中真实执行，结果反馈，循环往复
- 返回真实回复 + 路由裁决 + 真实Token/成本

这种设计使运行时可在不触及引擎、防护栏、频道或评估工具的情况下切换。

---

## 关键功能特性

### 1. 可配置智能体

智能体可配置的属性包括：
- **个性**: 定义智能体的行为风格
- **模型**: 底层LLM选择
- **工具**: 授权使用的工具集
- **记忆**: 持久化的知识库
- **调度**: 任务执行计划
- **技能**: 特定领域能力
- **交互规则**: 与其他智能体的协作方式
- **防护栏**: 安全限制和行为边界

### 2. 多智能体工作流

支持复杂的多智能体编排：
- 条件分支和循环
- 反馈循环（如：编码者 → 审查者 → 拒绝时循环 → 部署者发布）
- 决策门控（无裁决时暂停等待人工介入）

### 3. 双引擎设计

**自定义图执行器**
- 完全自包含
- 轻量级实现

**LangGraph引擎**（`YUNO_ENGINE=langgraph`）
- 将相同的数据模型工作流编译成StateGraph
- 支持检查点（checkpoint）
- 超时或崩溃的运行可从最后检查点恢复（`POST /runs/{id}/resume`）

两个引擎通过相同的黄金测试集验证，确保行为一致性。

### 4. 安全工具执行

工具在每次运行的临时工作目录中沙盒化执行：
- 路径限制（禁止`../`或绝对路径逃逸）
- `shell=False` + argv白名单（禁止元字符解释）
- 清理环境（剥离部署密钥）
- 智能体防护栏黑名单在执行前强制执行
- HTTP工具仅限GET，带SSRF防护（禁止私有/回环/IMDS目标）

### 5. 实时通信与监控

- **WebSocket**: 双向通信，支持实时控制
- **监控面板**: 实时观察运行状态
- **频道聊天**: 通过Slack或WhatsApp与智能体对话

---

## 技术实现细节

### 异步运行与恢复机制

`POST /workflows/{id}/run` 立即返回202 + run_id，图在后台线程执行（避免CloudFront/ALB源超时）。进度通过WebSocket流式传输，最终状态通过 `GET /runs/{id}` 轮询获取。

运行恢复功能允许在崩溃后从检查点恢复，确保长时间运行的多智能体工作流的可靠性。

### 验证体系（Promote Gate）

```bash
cd backend && ./.venv/Scripts/python.exe scripts/verify.py
# ruff + mypy + pytest + eval

cd frontend && pnpm build
# typecheck + production build
```

后端验证包括：
- Ruff代码检查
- 严格模式Mypy类型检查
- 完整Pytest测试套件
- 评估黄金集（6个场景，双引擎对比验证）

包括旗舰场景：拒绝→反馈→批准→发布的循环，以及未决定门控暂停等待人工介入的安全网。

### 可运行性与部署

**本地运行（单命令）**
```bash
# 后端
cd backend
python -m venv .venv
./.venv/Scripts/python.exe -m pip install -e ".[dev,server]"
./.venv/Scripts/python.exe -m yuno.api  # http://127.0.0.1:8000

# 前端
cd frontend
pnpm install
pnpm dev  # http://127.0.0.1:5173
```

**AWS部署**
- CloudFront + S3（SPA）
- ECS Fargate + ALB（FastAPI，支持WebSocket）
- EFS（持久化SQLite）
- Terraform定义基础设施

可选RDS模式（`enable_rds = true`）：
- 配置RDS Postgres实例
- 存储和LangGraph运行状态检查点持久化到Postgres
- 运行可在任务重启间恢复

---

## 使用场景

### DevOps自动化
示例工作流展示了完整的DevOps流程：
1. 编码者智能体编写代码
2. 审查者智能体审查代码
3. 拒绝时循环反馈
4. 批准后部署者发布

### 人工介入决策
当决策门控无裁决时，系统暂停等待人工批准，而非自动通过，确保关键决策的人工监督。

### 多频道通信
支持通过Slack（Socket Mode）和WhatsApp（Cloud API webhook）与智能体对话，人类可通过DM与智能体交互。

---

## 架构决策与权衡

### 运行时选择
- **决策**: 使用Claude API直接集成
- **原因**: OpenClaw包为空占位符，真实OpenClaw与无状态容器架构不匹配
- **权衡**: 获得真实执行能力，但绑定到Anthropic API

### 双引擎设计
- **决策**: 自定义执行器 + LangGraph
- **原因**: 简单场景使用轻量级执行器，复杂场景需要持久化和恢复能力
- **权衡**: 增加维护成本，但提供灵活性

### 持久化选择
- **决策**: SQLite默认，Postgres可选
- **原因**: 本地开发简单，生产环境可扩展
- **权衡**: 需要维护两种存储适配器

### 工具安全
- **决策**: 沙盒化执行 + 多重防护
- **原因**: AI智能体执行代码存在安全风险
- **权衡**: 增加执行开销，但确保安全

---

## 项目亮点与价值

1. **工程完整性**: 不仅是原型，而是包含完整前后端、测试、部署的生产级项目
2. **架构清晰度**: 四层架构，依赖向内，边界明确
3. **可恢复性**: LangGraph检查点机制确保长时间运行的可靠性
4. **安全性**: 多层沙盒和防护栏设计
5. **可验证性**: 完整的测试和评估体系
6. **可部署性**: 支持本地开发和AWS生产部署

---

## 总结

Yuno 代表了AI智能体编排平台的工程实践标杆。它不仅提供了可运行的代码实现，更重要的是展示了如何构建一个安全、可靠、可扩展的多智能体系统。

对于希望构建类似系统的开发者，Yuno 提供了：
- 清晰的架构参考
- 完整的安全实践
- 可靠的持久化方案
- 可验证的质量保障
- 生产级的部署方案

该项目的双引擎设计、运行时抽象和验证体系尤其值得借鉴，为AI智能体编排领域的工程实践提供了有价值的参考。