AI Native Lang（AINL）
将多步骤 AI 流程编译为可验证、可重复执行的确定性工作图。
按维度查看评分与理由
证据显示网络型 A2A 和支付功能为选择启用，提供主机白名单、可选严格 SSRF 检查、默认关闭重定向、适配器暴露配置，并明确说明配置写入、出站请求、内存同步及支付凭据的数据风险；SECURITY.md 还要求使用环境变量或秘密存储，并禁止记录支付证明。安装流程声称采用原子写入和带时间戳备份，来源、发起人及 Apache-2.0 许可也标注清楚。扣分在于未展示通用的逐次危险操作确认机制，秘密保护主要是操作指引而非可见的强制控制，自动安装可能修改检测到的多个宿主配置，且没有覆盖工作流全部外部效果的统一回滚机制。依赖采用最低版本范围而非全面锁定；七天新版本隔离和约束健康检查降低了风险，但不足以构成完整供应链防护。
证据显示 CI 覆盖 Linux、macOS、Windows、Python 3.10至3.13、轮子完整性、容器非 root 安装、解析器/OpenAPI 兼容、适配器和夜间集成配置；这充分处理了依赖可获得性。文档还展示 adapter_config_error、payment_required、sync_unavailable 等结构化失败形式。扣分在于未提供足够运行时代码来证明所有失败路径都产生可操作消息，且 README 的主要发布说明停在 v1.8.0，而 pyproject.toml 标为 1.8.1，形成轻微版本叙述偏差。
README 对适用与不适用团队、三类现有基线、工作负载、合规需求及多目标输出给出明确筛选，并清楚划分开放核心、付费治理能力和 BYO-LLM 边界。多宿主 MCP 支持、通用配置输出、跨平台 CI 和多个 Python 版本显示良好环境适配。扣分在于自然语言触发方式仅概括为让代理使用 AINL，未展示完整触发消歧规则；部分安全选项的组合条件较复杂，静态材料不能证明宿主检测在所有环境中精确。
材料包含快速安装、受众筛选、安全入口、开放核心表、版本更新、集成和基准索引，安装命令与后备方案尤其清楚；完整 Apache-2.0 文本、多个版本的更新记录、已知限制引用和私密漏洞报告路径均有提供。扣分在于 README 信息量庞大且产品、桌面系统、语言、基准和历史发布内容混杂；示例与问答多数以链接指向未提供文件，无法在本次材料中充分核验。v1.8.0 与包版本 1.8.1 的呈现略不一致。维护者姓名和安全报告路径明确，但发布者身份未经企业登记验证，且开放核心部分的响应时限或维护承诺未说明。
证据描述了可编译的图规范、验证、运行、MCP、HTTP、跨目标发射、内存和审计用途，输出预期具有直接工程可用性；它相较反复提示式编排具有明确的结构化增益。成本收益说明非常审慎，分别承认相对手写优化运行器仅约 1.3至1.5 倍、相对纯确定性运行器约为零，并列出不适用场景，因此该项充分。扣分在于主要效益仍由项目自身的合成基准和两项作者侧部署支撑，明确没有第三方付费客户证据；所提供材料也没有实际生成物样本，故输出可用性和边际价值不能评为全面验证。
主要数值声明都附有基准脚本、结果 JSON、方法文档或声明交叉表的位置，并明确区分提示循环、手写优化和纯确定性三种比较基线。README 还把证据分为第三方部署、作者侧部署、建模场景和营销叙事，明确承认第三方部署为零，事实与推断分离做得充分。CI、pyproject.toml、SECURITY.md 和测试文件对安装、安全与部分能力形成内部交叉印证。扣分在于本次仅提供少量实际测试代码，许多被引用的结果、文档和测试文件内容不可见；交叉佐证主要来自同一仓库且没有独立外部来源。
- 一键自动设置会检测并修改多个宿主配置；首次使用前应审查目标列表、保存并验证时间戳备份，必要时先使用 --print-config。
- HTTP、A2A、支付和内存功能会产生网络、凭据或持久化数据风险；应保持适配器按需启用，配置严格主机白名单，并确保支付证明不会进入日志或执行记录。
- 主要依赖使用开放的最低版本范围，requirements.txt 与 pyproject.toml 的固定策略也不一致；生产部署应生成并审查可复现锁文件及依赖漏洞报告。
- 约 90%至95% 的节省只适用于原先反复提示编排的基线；项目明确没有公开的第三方付费客户结果，不应把合成基准外推为生产保证。
- README 展示 v1.8.0，而包元数据为 v1.8.1；部署前应确认所选标签、包版本、运行时版本和相关约束文件一致。
这个 Agent 能做什么，适合哪些场景？
AINL 是一套面向 AI 工作流的紧凑型领域语言、编译器和确定性运行时，程序以 .ainl 文件编写并编译为规范化图 IR。仓库包含 CLI、HTTP runner、MCP 服务器、适配器、图内存、可视化、执行追踪、跨目标代码生成以及一致性测试套件。工作流可在模型完成一次图结构编写后重复运行，路由与适配器编排无需每次都重新交给 LLM 决定。它支持严格编译期检查、结构化诊断、Mermaid 控制流图、JSONL 执行记录，并能生成 LangGraph、Temporal、FastAPI、ArmaraOS 和 Hermes skill 等目标产物。开源边界涵盖 Apache-2.0 的 DSL、编译器、运行时和 MCP bridge；企业审计或策略包、托管运维及部署套件属于可选付费范围。它更适合拥有大量重复任务、跨运行时需求或合规审计要求的团队，而已经采用纯确定性 runner 的团队不会因编排 token 获得明显收益。
AINL 读取紧凑语法或 opcode 语法的 .ainl 源文件，解析标签、分支、Call、适配器请求和 include 模块，再通过 ainl validate、ainl check 或 ainl compile 生成并验证规范化图 IR。ainl run 按图确定性执行 core、cache、HTTP、LLM、memory、queue 等已启用适配器，并可接受运行 frame、能力授权和步骤、时间、适配器调用次数限制。ainl inspect 输出 IR，ainl visualize 生成 Mermaid 图，--trace-jsonl 写出执行记录，ainl emit 可生成 LangGraph、Temporal、FastAPI、ArmaraOS hand pack、Hermes skill 等目标。ainl serve 提供 /validate、/compile、/run HTTP 接口；ainl-mcp 则向兼容宿主暴露 ainl_validate、ainl_compile、ainl_capabilities、ainl_security_report 和 ainl_run。图内存能力还包括 MemoryRecall、MemorySearch、persona.load、memory.patch 和可携带工作流、记忆、人格与工具字符串的 AINLBundle。
- 维护大量定时监控、摘要或 webhook 任务的运维团队，可将每次都由 LLM 决定路由的 prompt loop 改为编译一次、重复执行的图。
- 需要让同一工作流源输出到 LangGraph、Temporal 和 FastAPI 的平台团队，可通过 ainl emit 减少为每个目标重新实现编排逻辑的工作。
- 有 SOC 2、HIPAA 或类似审计需求的团队，可使用严格验证、能力声明、不可变 JSONL 审计记录和执行 trace 建立可检查的运行证据。
- 使用 Codex、Claude Code、OpenClaw、ZeroClaw、Hermes 或其他 MCP 宿主的开发者，可让宿主创建、检查并运行受限的确定性工作流。
- 构建 generate → inspect → mutate → evaluate 研究循环的团队，可使用 ainl inspect、ainl_ir_diff、ainl_fitness_report 和带 llm_repair_hint 的验证结果。
- 同时使用 Python AINL 与 ArmaraOS Rust 组件的团队，可利用 GraphPatch、图内存桥接和 ArmaraOS hand pack 对齐跨运行时工作流与记忆结构。
这个 Agent 有哪些优点和局限？
- 同一 .ainl 源文件编译为规范化图 IR，并可输出 LangGraph、Temporal、FastAPI、ArmaraOS 与 Hermes 等目标，降低多运行时重复实现成本。
- 严格编译期验证、结构化诊断、错误高亮 Mermaid 图、能力限制和 JSONL trace 为上线前检查及审计提供具体机制。
- 编译一次、重复执行会移除重复任务中的 LLM 路由开销；针对原本采用 prompt-loop 的监控任务，仓库报告约 90–95% 的编排 token 降幅。
- CLI、HTTP runner 和 MCP server 共用编译器与运行时，可从本地脚本逐步扩展到外部编排器或编码代理宿主。
- GraphPatch、MemoryRecall、MemorySearch、persona.load 和 AINLBundle 为工作流、记忆及人格提供统一图结构。
- 团队需要学习专用的紧凑语法或 opcode 语法、严格图规则以及适配器授权模型，这会增加迁移和调试成本。
- 公开证据目前没有第三方付费客户部署案例；量化收益主要来自两项作者侧部署和可复现的合成基准。
- 若现有系统已经是纯确定性 runner，编排 token 收益约为 0%；手写优化 runner 只在路由 token 上约有 1.3–1.5 倍差异。
- MCP 默认采用 core-only 适配器和保守限制；HTTP、文件、A2A、支付或其他有副作用的能力需要显式配置、允许列表和安全审查。
- 部分目标与宿主存在额外边界：ArmaraOS 的提示压缩在 Rust 宿主中实现，Python 的 --efficient-mode 本身不会执行压缩；企业策略包和托管运行也是付费可选项。
如何安装或部署这个 Agent？
需要 Python 3.10+。面向支持的编码代理或 MCP 宿主，推荐执行：pipx install 'ainativelang[mcp]' && ainl setup --auto。没有 pipx 时执行：python3 -m pip install --user 'ainativelang[mcp]' && ainl setup --auto。setup 会检测 Codex CLI/Desktop、Claude Code、Claude Desktop、Cursor、Cline、OpenClaw、Hermes、ArmaraOS 和通用 MCP 宿主，合并 MCP 配置并运行 ainl doctor；未检测到宿主时，可用 ainl setup --print-config 获取 stdio 配置。只使用 CLI 时可执行 pip install ainativelang。安装包需要联网下载；运行工作流时是否需要 API 密钥取决于启用的 LLM、HTTP 或其他外部适配器，core-only 示例不需要模型凭据。
如何使用这个 Agent？
创建并运行首个项目：ainl init my-first-worker；cd my-first-worker；ainl check main.ainl --strict；ainl run main.ainl。可用 ainl visualize main.ainl --output - 查看 Mermaid 控制流，用 ainl inspect main.ainl --strict 检查 IR，或用 ainl run main.ainl --trace-jsonl run.trace.jsonl 保存执行轨迹。跨平台输出示例：ainl emit main.ainl --target langgraph -o graph.py。作为服务运行时执行 ainl serve --port 8080，并向 /validate、/compile 或 /run 发送请求；MCP 模式则启动 ainl-mcp，并在宿主中调用 ainl_validate、ainl_compile 和 ainl_run。生产环境应先从 validate_only 或 inspect_only 暴露配置开始，审核能力与适配器授权后再启用 safe_workflow。
这个 Agent 与同类方案有什么区别？
相较每次执行都让 LLM 重新决定路由和状态的 prompt-loop，AINL 将工作流编译成确定性图，因此重复监控场景的编排 token 降幅可达约 90–95%。相较仅在判断节点调用 LLM 的手写 Python runner，优势缩小到约 1.3–1.5 倍的路由 token，采用纯确定性 runner 时约为 0%。相较手写 LangGraph，仓库基准报告 AINL 在源代码编写阶段约少 1.9–2.0 倍 token；它还强调一份源代码可输出 LangGraph、Temporal 和 FastAPI，但迁移后仍需验证各目标生成结果与适配器行为。