Julep — 持久化、可组合的 AI 智能体框架
构建可崩溃恢复、安全重试、逐步可解释的 AI 数据流，而非临时循环。
证据显示：工具显式声明effect和idempotent，部署时冻结工具表面，MCP预检，最小权限原则有体现；但用户确认机制未明确，数据流透明度有描述但未深入，敏感数据处理有加密和排除，依赖安全有版本约束和FIXME，外部效果有控制，回滚有发布机制，来源归属仅作者信息。扣分：用户确认机制缺失，来源归属不明确。
证据显示：自洽性良好，依赖可用性有版本约束和可选extras，失败消息有重试和超时设置。扣分：无执行验证，静态审查。
证据显示：面向开发者，场景明确，能力边界有工具注册和权限控制，触发精度有选择器语法，环境适配有extras和配置。扣分：无实际运行验证。
证据显示：信息架构清晰，安装说明详细，命名稳定，示例和FAQ有，已知限制有提及，许可证明确，版本和变更日志有，维护责任有作者信息。扣分：无独立验证。
证据显示：输出可用性有dry_run和trace，边际价值高，成本效益有extras和可选依赖。扣分：无实际运行验证。
证据显示：声明可追溯，有测试和CI，事实与推断分离。扣分：静态审查，无独立验证。
- 静态审查，未执行代码，所有评分基于文件证据。
- 用户确认机制未明确，需进一步验证。
- 来源归属不明确，发布者未验证。
这个 Agent 能做什么，适合哪些场景？
Julep 是一个将 AI 智能体构建为可组合、持久化数据流的框架，取代了 ad-hoc 循环。核心作者界面是 `@flow` 装饰器，用于定义图步骤，将注册的工具、纯函数、reasoners、分支、扇出、重试和超时编译为冻结的 IR。纯核心无依赖，Temporal 层可选。Julep 提供 CLI（`julep`），用于管理智能体模块，包括 `ls`、`show`、`graph`、`run`、`lint`、`test`、`deploy`、`serve` 等命令，以及应用级规划、应用和状态。它支持通过 extras 进行多种部署：Temporal 用于持久执行，DBOS/Postgres，HTTP 工具调用，MCP 快照，以及 OpenTelemetry/Langfuse 可观测性。Julep 3 是重写版本，与 v1 不兼容。
Julep 将 Python 函数编译为 IR 图，每个步骤表示工具调用、纯计算或推理调用。@flow 定义数据流；@tool 注册工具（带 idempotency 和 effect 属性）；@pure 定义确定性步骤。deploy 冻结工具和 reasoner 接口，dry_run 在本地执行。CLI 命令包括 julep run 执行流程并流式传输跟踪树，julep trace 渲染缓存运行，julep lint 验证依赖，julep test 运行 pytest，julep deploy 冻结和发布。应用对象使用 PipelineSpec、McpSnapshot 和 CapabilityManifest 声明生产管线。输出包括运行结果、跟踪树、Langfuse 链接和部署台账。控制平面提供由 Temporal 支持的 FastAPI 服务器，支持加密的 secret vault 和 MCP 预检。
- 需要持久执行的工作流，如票据分类，其中工具调用可重试且流程可恢复。
- 希望使用 CLI 管理多个智能体模块的团队，包括跨智能体的图可视化、测试和部署。
- 需要 MCP 集成并强制限制工具访问的运维人员，使用快照和预检。
- 需要在 Postgres 上持久化执行而无需额外运行时的开发人员，使用 dbos extra。
- 需要 OpenTelemetry 或 Langfuse 导出以进行可观测性审计的工程师。
这个 Agent 有哪些优点和局限？
- 持久化执行：流程可崩溃、恢复、安全重试，并可解释每一步。
- 可组合的图定义：通过
@flow将复杂的流程定义为数据流，而不是临时循环。 - 支持可选的 Temporal 或 DBOS 后端，提供灵活性。
- 内置安全功能：MCP 预检、secret vault、工具表面冻结。
- 与 Julep v1 不兼容；v3 是重写，没有迁移路径。
- 需要 Python 和可选基础设施（Temporal 或 DBOS）才能实现完整的持久执行。
- 作为预发布版本，需要
--pre标志，可能不稳定。 - 生产部署需要配置 Kubernetes、S3、Helm 和 Temporal，增加操作复杂性。
如何安装或部署这个 Agent？
使用 pip install --pre julep 安装。为可选功能添加 extras，例如 pip install --pre 'julep[server,temporal,mcp]'。需要 Python 环境。
如何使用这个 Agent？
首先，在 Python 脚本中定义一个 @flow，并带有已注册的 @tool 和 @pure 函数。使用 deploy(flow, tools=[...], reasoners=[...]) 创建部署，并用 dry_run(...) 测试。然后，使用 CLI：julep ls 列出智能体，julep run triage --input '"TICKET-42"' 执行，julep trace <run-id> 查看跟踪。对于生产环境，配置 [tool.julep] 设置，使用 julep plan --env staging 和 julep apply --env staging 进行部署。需要合适的 Python 版本和可选依赖。
常见问题
是否需要 API 密钥？
dry_run 和模拟工具。Julep 与 v1 兼容吗？
v1 分支，两者是不同产品，无迁移路径。