DeterminFlow
面向生产的 AI 工作流运行时：把不确定的 LLM 放进版本化、可校验、可恢复的确定流程中。
证据显示：README 声称节点级工具白名单、最小上下文、审批节点、token 台账与检查点；SECURITY.md 明确 Plugin 以本机可信代码运行、继承 Core 进程权限且无沙箱，并给出凭据经环境变量/Secret File 提供的指引；测试展示账户令牌轮换与主体校验。扣分点：全部为文档声明而非可见实现代码，沙箱缺失、Plugin 不可信代码风险由作者自认，外部效果（API/数据库节点）无代码级约束证据。
证据显示：依赖全部精确 pin 且有 lock 文件、Docker 配置与 CI（backend/frontend/container）三路校验；测试中错误码（version_changed、authentication_failed、409 冲突）与中文错误消息结构清晰。扣分点：pyproject 版本为 0.1.0 而 README 安装包为 1.1.0，版本口径不一致；核心运行时代码未在证据中出现，失败消息质量仅能从测试间接推断。
证据显示：目标人群（生产 AI 工作流开发者）和使用场景（小说流水线、API 服务、Cron）描述清晰；环境适配覆盖 Windows/macOS/Docker/源码四种路径并给出 Executor 模式回退开关，可得满分。扣分点：触发精度（Cron/事件输入的语义）仅一句带过；能力边界虽在 Roadmap 与安全注记中有说明，但每节点权限限制仅为声明。
证据显示：文档结构清晰（架构、插件规范、扩展指南）、安装说明分平台且含版本要求、兼容别名（AI_COMPANY_* → DETERMINFLOW_*）有迁移说明、已知限制诚实列出（未公证、手动升级、无沙箱）、AGPL-3.0 完整文本在库、SECURITY.md 有私下报告流程。扣分点：无 CHANGELOG 文件、版本号内部矛盾（0.1.0 vs 1.1.0）、维护者为单人且身份未验证，更新承诺仅有发布徽章佐证。
证据显示：对比单 Agent 框架的功能表格具体、从失败节点恢复与按节点计费的差异化价值明确、成本表给出三种场景估算。扣分点：70%–89% 节省为作者自估（'estimated'）且基线为假设的单 Agent 场景，无独立佐证；无执行数据验证输出可用性。
证据显示：README 将估算值明确标注为估算并给出定价时点说明，事实与推断区分做得较好；测试文件与文档声明（市场审核、令牌处理、打包验证）互证程度尚可。扣分点：核心生产声明（11 个会话、176,584 tokens、9.1×）无法在库内追溯到原始台账数据；核心运行时源码不在证据中，声明与实现之间无法核对。
- Plugin 以本机可信代码运行、无沙箱，只安装可信来源的 Plugin，并按 SECURITY.md 建议使用独立运行账户与最小化环境变量。
- Token 节省（70%–89%）为作者自估，采购决策前应自行压测验证。
- pyproject 版本号（0.1.0）与安装包（1.1.0）不一致，部署时以 GitHub Releases 为准并核对实际版本。
- macOS 包为 ad-hoc 签名且未经 Apple 公证，首次打开需手动放行。
- 发布者为未验证的独立维护者，企业环境使用前应评估单人维护风险与 AGPL-3.0 的网络服务合规义务。
这个 Agent 能做什么，适合哪些场景？
DeterminFlow 是一个面向生产的 AI 工作流运行框架，把 LLM、脚本、API、数据库操作和人工审批组织成有版本、可校验、可重试、可恢复、可审计的工作流。核心组件包括 Agent、Script、Approval、Subprocess 四类 Core Node、可视化 Workflow Editor、FastAPI 服务、React 控制台、Cron Automation、WebSocket 事件，以及通过 Plugin 打包交付完整业务。每个 Agent 节点在独立会话中运行，只读取局部上下文、只装配白名单内的工具，输出经过 JSON 检测、解析、修复和定向重试；Task 启动时冻结工作流定义和输入，所有尝试、Token 消耗、产物和检查点都会持久化，进程重启后可从失败节点继续。该框架已在笔枢写作的真实 AI 小说生产链路中完成生产验证，开源案例插件 bishu-novel 包含 7 条生产工作流、84 个编排节点、33 个 Agent/Prompt 组合和 15 个可复用脚本模块，节点级上下文隔离实测可节省约 70%–89% 的 Token。项目使用 AGPL-3.0 许可证，由 alikon-art 创建并维护。
DeterminFlow 的执行流程是：用户通过可视化 Workflow Editor 或 API 定义版本化工作流（支持变量、条件、并行、循环、人工审批和子流程）；Task 启动时冻结工作流定义与输入；Agent Node 在独立会话中运行，按节点配置的工具白名单、黑名单、Workspace 和最大轮次调用模型，产出结构化 JSON；输出不合格时自动修复、重试、跳过或请求人工处理，下游节点也可拒绝结果让上游定向返工；Script Node 负责文件转换、API 调用和数据库落库等确定性工作；每次尝试、错误、Token、产物和执行检查点都会保存，跨进程重启后可从失败节点恢复。交付层面提供 FastAPI（http://localhost:8020，文档在 /docs）、GET /api/plugins 插件状态接口、React 控制台、Cron Automation、WebSocket 事件和健康检查；MCP、Agent/Prompt 模板、Skill 和 Rule 都可作为可复用资产，Core 可独立于业务 Plugin 运行。
- 已明确流程的团队想把 LLM 生产链路（如多写手 + 校验 + 落库）从单个长链 Agent 迁移到节点化、可断点恢复的运行时
- 对 Token 成本敏感的产品团队，希望每个模型只读取局部上下文，在真实生产任务中节省 70%–89% 的 Token 消耗
- 需要按节点收窄工具权限、对每次模型调用单独记账审计的合规或成本管控场景
- 想把成熟 AI 流程打包成 Workflow + Agent + Prompt + Skill + Rule 交付给其他团队或社区安装（Plugin 机制）
- 需要把工作流包装成 API、托管后台进程、Cron Automation 或 WebSocket 事件服务对外交付
这个 Agent 有哪些优点和局限？
- 节点级上下文隔离与独立会话，基于真实生产 Token 账本对比长链单智能体可节省约 70%–89% Token
- Task 启动时冻结工作流定义与输入，支持检查点持久化、跨进程重启恢复和从失败节点续跑，已完成部分不必重跑
- 每个节点按需配置工具白名单/黑名单、最大轮次和失败处理，输出有 JSON 校验、自动修复与定向返工
- 已完成生产验证：笔枢写作真实小说链路 + 开源 bishu-novel 插件（7 条工作流、84 个编排节点、33 个 Agent/Prompt、15 个脚本模块）
- 统一控制台整合对话、Workflow、Cron、Skills、Rules 和 Plugins，FastAPI/React/Cron/WebSocket 交付面齐备
- AGPL-3.0 许可证对商业闭源集成和网络服务场景有传染性义务，采用前需评估
- 核心能力依赖版本化节点与结构定义，需要投入把既有 Prompt/Skill 流程改造成节点化工作流，迁移成本不低
- 运行需要自备模型 API Key（示例为 DeepSeek），以及 Python 3.11+ / Node.js 22.12+ / npm 运行环境；桌面版 macOS 包为 ad-hoc 签名且未经 Apple 公证，需手动放行且目前只能手动更新
- 资源广场首期只分发 Skill，更强的 LLM 工作区沙箱仍在 Roadmap；Token 节省对比中单智能体侧为估算数据
如何安装或部署这个 Agent？
方式一：桌面安装包 — 从 GitHub Releases（https://github.com/alikon-art/DeterminFlow/releases/latest）或官网 https://determinflow.com/download 下载；Core 版 Windows 为 DeterminFlow_1.1.0_x64-setup.exe，macOS Apple Silicon 为 DeterminFlow_1.1.0_aarch64.dmg；Full 版预装 bishu-novel 0.2.2 和 public-api 0.1.37，桌面版自带运行环境无需 Python、Node.js 或 Git。方式二：从源码运行（macOS/Linux）：
git clone https://github.com/alikon-art/DeterminFlow.git
cd DeterminFlow
python -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.lock
cp .env.example .envcp config/models_config.example. config/models_config.
python run.pyWindows PowerShell 使用 .\.venv\Scripts\python.exe -m pip install -r requirements.lock 并复制 .env 与 models_config. 后运行 run.py。也可使用 docker compose up --build。前置要求：Python 3.11+、Node.js 22.12+、npm。
如何使用这个 Agent？
启动后访问 Web UI http://localhost:8020，API 文档在 http://localhost:8020/docs，插件状态查询 GET /api/plugins。首次启动可在设置页填写模型 API Key，或在 .env 中填写 DEEPSEEK_API_KEY（模型配置通过 ${DEEPSEEK_API_KEY} 读取）；也可选择公益模型体验。在控制台中用 Workflow Editor 定义节点、变量和分支并发布版本化工作流，然后手动、经 API/事件或 Cron Automation 触发 Task；运行中可在 Task、Node、尝试和模型调用粒度查看状态与 Token 用量，失败时可人工重试、跳过或从失败节点恢复。新配置统一使用 DETERMINFLOW_* 前缀；社区版默认以 4 个本机 Workflow Executor 进程执行任务，回退单进程可设 DETERMINFLOW_WORKFLOW_EXECUTOR_MODE=inline 和 DETERMINFLOW_WORKFLOW_EXECUTOR_COUNT=1。Docker 部署使用 docker compose up --build。验证命令：python -m pytest -q，以及在 web 目录执行 npm run lint、npm run test:extensions、npm run build。
这个 Agent 与同类方案有什么区别？
README 将其与 Codex、Claude 等单智能体框架对比：单智能体框架适合探索未知问题，但流程已明确时，DeterminFlow 通过版本化节点、局部上下文、结构化输出校验、失败节点恢复、按节点工具权限和节点级 Token 记账，在改流程、上下文隔离、失败处理、成本审计和对外交付上给出更工程化的路径。