AgentLoom 多智能体工作流编排
用 YAML 定义并运行带权限、可恢复、可审计的多智能体应用。
- Star 数
- ★ 169
- 最近更新
- 13 天前
- 主语言
- Python
- FA 评分
- 52/100 · 缺口较多
30 秒速览
- 可在哪里用
- 兼容但需适配OpenAI API
- 开始前需要
- 典型场景
- 代码审查团队：把 api_reviewer、test_reviewer 等 Worker 组合成发布评审流水线，输出单一发布结论。
- 主要局限
- 安装器只支持 macOS 与 Linux shell，并要求 Git/Bash；Windows 路径未见文档。
- 源码审查
- 52/100 · 缺口较多
这个 Agent 能做什么，适合哪些场景？
AgentLoom 把多智能体系统当作带执行契约的 Application：YAML 描述 Supervisor、类型化 Worker、模型、工具、Skills、Hooks、权限与运行时策略，再由 CLI 或 Python API 执行。Supervisor 通过 worker_agents 显式选择 Worker，每个 Worker 变成同名可调用工具；复杂 Worker 用 Draft 2020-12 的 input_schema/output_schema 形成可执行契约。每次 Run 分配不可变 run_id、manifest 和版本化生命周期事件，并写入 .agentloom 下的日志、审计与产物；逻辑 task_id 在恢复后保持不变。Goal Mode 让根 Supervisor 独占目标完成权，checkpoint 保留目标与已完成工作。可选的 durable 扩展用 DBOS 3.2.0 提供持久 Worker 队列，默认 SQLite 存储。
读取 Application 目录中的 YAML（Supervisor、worker_agents、config/system.yaml、Skills、sysprompt），加载模型目录 config/model.yaml，并通过 agentloom/loom 命令或 execute_app() 运行。运行时负责模型路由、把 Worker 生成为工具、并发控制、权限、Hooks、checkpoint 与证据采集，确定性预处理与输出写回仍是普通 Python 代码。产物写入 .agentloom/runs/<application_id>/<run_id>/（manifest.json、logs/runtime.log、audit/、artifacts/）与 .agentloom/checkpoints/<application_id>/<task_id>/（checkpoint.json、workers/、todos.json、goal.json、context_store/、file-history/）。CLI 支持 --output-format json 与 jsonl；execute_app() 返回含 output、时间戳、Goal 状态与 RunInfo 收据的 ApplicationRunResult。可选的 DBOS durable 适配器通过 app.durable(root=...) 的 worker(...).submit_many(items, revision="1") 提交持久任务，并由 loom durable serve 启动消费者。
- 代码审查团队：把 api_reviewer、test_reviewer 等 Worker 组合成发布评审流水线，输出单一发布结论。
- 平台工程团队：需要为长任务保留 run_id、审计与恢复点，用于合规或事故复盘。
- CI/CD 维护者：在流水线中调用
loom run ... --output-format jsonl，由外部系统消费生命周期事件。 - 需要并行处理大量仓库的分析者：使用
app.worker(path).map(items)做有限并行，或用 durable 队列做持久任务。 - 构建内部编码助手的团队：编写 Skill 让 coding agent 按 YAML 契约生成、校验并运行 Application。
如何安装或部署这个 Agent？
当前支持 macOS 与 Linux 的 shell，需要 Git 与 Bash；./install 会通过官方安装器安装缺失的 uv，在本仓库的 .venv 创建隔离环境，并把 agentloom 与 loom 启动器写入 .agentloom。自定义路径可用 AGENTLOOM_INSTALL_DIR=/path/to/install。
如何使用这个 Agent？
先准备模型配置（config/model.yaml 被 Git 忽略），再按 Application 目录结构编写 YAML 与 Worker 定义。运行示例 code-review 应用并可用 --output-format jsonl 供外部程序消费事件；在 Python 中调用 execute_app() 或 Application.open() 获取结构化结果。持久队列需安装 durable extra 并单独启动消费者。
这个 Agent 有哪些优点和局限？
- YAML 契约化：Worker 的 input_schema/output_schema 用 Draft 2020-12 校验，而非依赖提示词约定。
- 完整运行证据：每次 Run 有不可变 run_id、manifest、生命周期事件与审计目录，preflight 拒绝在存储分配前就发出 run.rejected。
- 恢复语义清晰：逻辑 task_id 跨 resume 保持，Goal、Todo、context-store、file-history 均有独立落盘位置。
- 权限分层：Skills 是按需加载的模型上下文包，Hooks 是需显式授权的运行时代码，MCP/文件/Shell 访问受 Agent 配置约束。
- 持久队列：durable extra 基于 DBOS 3.2.0，默认 SQLite，可做 admission、重试与恢复。
- 安装器只支持 macOS 与 Linux shell，并要求 Git/Bash；Windows 路径未见文档。
- durable 执行当前仅在 macOS launchd 下验证，Linux 与 PostgreSQL/多主机执行尚未验证，属采用风险。
- 仓库 LICENSE 未知，企业采用前需自行确认授权。
- 模型走 OpenAI 兼容端点，需自行提供 API key 与 endpoint，并非零成本方案。
- 架构文档提到旧的
src.*导入与模块命令已移除，既有项目迁移需按迁移清单改造。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| AgentLoom 多智能体工作流编排 当前 | 52 · 缺口较多 | — | ★ 169 | 13 天前 | Python | OpenAI API |
| Pi Dynamic Workflows | 88 · 表现良好 | Agent 插件 / 技能免费 + 模型费 | ★ 590 | 8 天前 | TypeScript | — |
| Maestro-Flow | 52 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 574 | 10 天前 | TypeScript | Codex · Claude Code · Claude API |
| Docker Agent | 46 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 4.7k | 今天 | Go | OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
文档描述了工具白名单、path_validation、shell_settings 沙箱、Worker 权限不继承 Supervisor 等最小权限机制，属较充分的设计说明（least_privilege=2）。但用户确认机制几乎无证据：Goal 完成、记忆提升需人工发起，但破坏性 Shell/文件写入缺少显式确认流程（user_confirmation=1）。数据流方面有 model.yaml 与 system.yaml 物理隔离、api_key 过滤、脱敏记录等说明（data_flow_transparency=2）。敏感数据处理有隔离与脱敏路径，但无密钥轮换/加密细节（sensitive_data_handling=2）。依赖锁定（uv.lock、--require-hashes、固定版本）较好，但依赖面极广且含 docker、sentry、langfuse 等，未提供漏洞扫描证据（dependency_security=2）。外部副作用方面有 durable 队列、launchd、Shell 执行等，但回放/副作用提交仅靠“可信宿主”声明，缺少强制确认（external_effects=1）。回滚有 checkpoint、resume、file-history、run retention（rollback=2）。来源归属方面仅提及 OpenClaw 源参考与 Pi 许可文件，未给出完整第三方归属清单（source_attribution=1）。
文档对 Run/task 身份、预检拒绝、结构化失败、JSON/JSONL 一致性描述较一致（self_consistency=2）。依赖可用性有锁定与安装 profile 说明，但 Pi 需 Node 22.19+、SQLite 3.51.1 死锁需规避，存在环境敏感点（dependency_availability=2）。失败信息有 run.rejected、WorkerBatchError、诊断错误等说明（failure_messages=2）。
面向多 Agent 编排场景，示例应用丰富（audience_and_scenarios=2）。能力边界有 runtime 注册值、schema 契约、Skill 不授权等说明（capability_boundaries=2）。触发精度方面 YAML 触发与 schedule 有描述，但缺少精确触发条件与误触发防护细节（trigger_precision=1）。环境适配仅 macOS/Linux 部分验证，Linux durable 与 PostgreSQL 未验证，Windows 仅 wexpect 依赖（environment_fit=1）。
文档信息架构清晰，有目录与交叉链接（information_architecture=2）。安装说明详尽，含 uv、profile、wheel 安装（install_notes=2）。命名稳定性存在迁移与旧接口弃用（src.* 移除、legacy batch），命名变动较多（naming_stability=1）。示例与 FAQ 有示例应用与常见错误章节（examples_and_faq=2）。已知限制有明确列出（known_limitations=2）。许可证元数据未知，仓库未见 LICENSE 文件（license=0）。版本号 1.0.1 但无 CHANGELOG（versioning_changelog=1）。维护责任仅个人邮箱与 issues，发布者未验证（maintenance_responsibility=1）。
输出可用性有结构化 Run 结果、JSON/JSONL、artifact（output_usability=2）。边际价值在于 YAML 编排、类型化 Worker、可恢复 Run，相对通用框架有差异化（marginal_value=2）。成本效益方面依赖庞大、安装复杂、需 Node 与多 profile，学习与运维成本高（cost_benefit=1）。
声明可追溯性部分有文档与 spec 链接，但多为自述，缺少逐条证据映射（claim_traceability=1）。跨源佐证有 README、docs、CI、pyproject 相互印证，但测试结果未在静态审查中验证（cross_source_corroboration=1）。事实与推断分离方面文档有【推断】标注建议，但整体声明与实现证据边界不清（fact_inference_separation=1）。
- 许可证元数据未知且仓库未见 LICENSE 文件，商用前需确认授权。
- 发布者身份未经验证，维护责任与更新路径不明确。
- 依赖面极广（docker、sentry、langfuse、litellm 等），缺少漏洞扫描证据，需自行审计。
- durable 执行仅 macOS 部分验证，Linux 与 PostgreSQL 未验证；SQLite 3.51.1 存在已知死锁需规避。
- 破坏性 Shell/文件写入缺少显式用户确认流程，外部副作用回放依赖“可信宿主”声明。
- 存在旧接口弃用与命名迁移（src.* 移除、legacy batch），升级可能破坏兼容。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
Highlights - Added local Codex Exec tool support: AgentLoom can register local codex exec as a normal function tool. - Added fixed_args support so workflows can lock tool inputs and prevent LLM overrides. - Added codex_exec_demo showing sequential Codex tool calls through structured tool_call mode. - Bumped AgentLoom package, system version, User-Agent, badges, and docs to 1.0.1.在 GitHub 查看 ↗ -
v1.0.0 AgentLoom v1.0.0
发布说明摘录
AgentLoom v1.0.0 AgentLoom v1.0.0 is the first stable public release of the project. Highlights - Configuration-driven multi-agent application runtime - Supervisor / Worker agent workflow model - Worker agents exported as callable tools - Built-in file, shell, search, code editing, git, todo, and skill tools - MCP client integration for external tools - Runtime safety controls, path boundaries, and shell execution policies - Checkpoint resume and long-task recovery - Rich terminal logs, run archives, Web UI, and dashboard monitoring …在 GitHub 查看 ↗
常见问题
必须先有一个 OpenAI 兼容的服务吗？
openai/<model-id> 形式的模型名、API key 与可选 base_url，因此需自备模型服务或兼容端点。durable 队列能在 Linux 上跑吗？
Run 失败后如何排查？
.agentloom/runs/<application_id>/<run_id>/ 下的 logs/runtime.log、audit/ 与 artifacts/；preflight 拒绝会在存储分配前发出 run.rejected。能否在 CI 中使用并让外部程序消费事件？
loom run ... --output-format json 或 jsonl 输出机器可读生命周期事件，Python 侧可用 execute_app() 读取同一份规范状态。