Synapse AI 多智能体编排平台
把任意 LLM、工具与 Agent 编排成确定性 DAG 工作流，本地或云端部署均可，无框架锁定。
SECURITY.md 明确说明 stdio MCP、Python 工具、bash 工具属于'设计上的远程代码执行'，提供 allow_stdio_mcp 开关、mcp_command_allowlist、内部 token、默认绑定 127.0.0.1，属合理的最小权限文档；但 Docker 用法默认挂载 /var/run/docker.sock，权限极宽，扣分。人类审批步骤（human gates、human_input_required 事件）有文档与事件结构支持；数据流透明度有 SSE 事件契约与 V2 API 文档，扣一分因工具结果流向外部渠道（Slack/Telegram 等）的细节不在源码证据内。敏感数据：API key 轮换说明、内部 token 自动生成；依赖安全表现最好：requirements.lock 与 pyproject 上限绑定、lockfile-sync CI、依赖漂移 nightly 检查、bandit 配置，接近满分。外部效应：代理可发邮件、写 PR、发消息到多个平台，但除'优先人工审批'建议外无默认确认机制，扣分。回滚：synapse uninstall/upgrade 存在，但无编排级回滚说明。来源归属：AGPL-3.0 全文、SECURITY 联系渠道，发布者身份未经验证但未因此扣分。
pyproject 注释详述 mcp 2.0 破坏性升级的教训并写明上限为'load-bearing'，install 从 lock 文件，CI 安装验证独立 workflow；事件契约测试用 fake 引擎验证 SSE 路由，error 事件类型明确。扣分：仅见测试 fake 文件，核心模块大量被排除在单测覆盖率之外（messaging、scale、server 等归 nightly/手动），失败消息质量只能由事件结构推断，未直接验证。
受众与场景定义清晰：本地优先（Ollama）、云模型 14+ 供应商、单机到 K8s scale mode、三种 Docker 镜像分层，环境适配充分给满分。能力边界有部分说明（哪些工具是 RCE、scale mode 禁用 stdio），但触发精度不足：cron 与消息触发只是功能罗列，未见对触发条件防误触的机制，扣分。
信息架构优秀：README 概念表、文档链接、SECURITY.md、CI workflow、pyproject/package. 元数据一致齐全，安装说明覆盖四种方式并含升级表与安全加固注意事项，满分。扣分项：npm/PyPI 包名 synapse-orch-ai 与仓库名 synapse-ai 不一致且易混淆；无 CHANGELOG 文件，仅版本号 1.9.1 与 Beta 分类器；示例以演示视频为主，无可直接运行的快速示例文件，无 FAQ；已知局限有 SECURITY.md 的诚实披露（'RCE by design'、prompt injection 警告）但 Roadmap 未完成项与局限边界混排；维护责任有安全响应 SLA 与 CI 门禁承诺，但维护者身份未经验证。
产出可用性：V2 稳定 API、SSE 流、webhook、每步检查点恢复，界面与 CLI 均有；边际价值：确定性 DAG + 多模型分步 + 工具生态是相对差异点，但与同类编排平台的具体对比未在证据中量化；成本收益：本地 Ollama 路径降低成本、scale mode 弹性扩容，但 LLM 成本估算/控制工具未见，均为中等评分。
claim 可追溯性：pyproject 注释可对照 requirements.txt、CI 注释可对照 workflow 行为，安装说明与 package. files 字段一致；跨来源一致：package. 与 pyproject 版本、许可证、仓库 URL 一致，README 的 install 命令与 scripts 字段对应；扣分：'Scales to Millions of Requests' 等营销性断言无证据支撑，事实与推断基本分离但演示结论（视频）不可静态核验。静态审查，置信度 low。
- README 推荐的 Docker 用法挂载 /var/run/docker.sock，等于授予容器宿主 root 级控制权；生产环境应改用无 socket 的 worker/API 镜像架构。
- curl | bash 安装脚本未在本证据集中提供其内容，无法静态审查其行为，安装前应先阅读 setup.sh/setup.ps1 源码。
- stdio MCP、自定义 Python 工具与 bash 工具被官方文档定性为'设计上的远程代码执行'，务必保持 allow_stdio_mcp=false 并启用登录，绝不在公网暴露 8765 端口。
- 包名 synapse-orch-ai 与仓库名 synapse-ai 不一致，从第三方源安装时注意核对，防止仿冒包。
- 发布者未经企业注册库验证，安全 SLA（5/10/90 天）仅为文档承诺，关键部署前应自行评估。
- 代理可自主发邮件、创建 PR、向消息平台推送结果，对外部系统有真实影响；对不可逆操作应强制接入 human gate 步骤。
这个 Agent 能做什么，适合哪些场景？
Synapse AI 是一个开源的多智能体编排平台，用于创建、连接和调度由任意 LLM（本地、云端或 CLI 提供商）驱动的 AI Agent。核心概念包括独立 ReAct 循环的 Agent、按设计路径执行的 DAG 编排、10 余个原生工具服务器与 MCP 集成，以及用自然语言生成编排的 AI Builder。它支持人机协同（可在重启后恢复的审批暂停）、Cron 定时任务，并可将结果推送到 Slack、Discord、Telegram、Teams 或 WhatsApp。Scale Mode 提供分布式执行层：Redis 任务队列、独立 Worker 车队、按步骤的 Postgres 检查点、S3 制品存储和多租户配额。安装方式涵盖一键脚本、npm、pip 和 Docker，通过 synapse CLI 或 http://localhost:3000 的 Web UI 使用，许可证为 AGPL-3.0。
用户在 Web UI 或通过 V2 REST API 定义 Agent（各含系统提示词、模型和工具）并将其连成 DAG 编排。运行时按步骤调用 14 家以上 LLM 提供商（Ollama、OpenAI、Anthropic、Gemini、xAI、DeepSeek、AWS Bedrock 等），Agent 执行真实工具：浏览网页、查询数据库、执行代码、读写文件、管理邮件，或调用 MCP 服务器、webhook、REST API 和 Python 脚本。编排可包含路由、并行、循环和人工审批门，可暂停等待 Slack/Telegram 等渠道的人工确认后恢复。Cron 调度可定时运行编排并推送通知。Scale Mode 下，任务进入 Redis 队列，由 ARQ Worker（每个最多 20 个并发编排，可 KEDA 自动扩缩）消费，失败后从最近完成的步骤恢复，大文件输出流式写入 S3/R2/MinIO。AI Builder 是一个元智能体，可根据自然语言描述直接生成编排 DAG。
- 需要内容生产流水线的团队：研究主题、在 Google Doc 起草并返回共享链接的多智能体流水线（README 演示）。
- 自主开发流程：带人工审批的多智能体系统，自动编写代码并创建 Pull Request。
- 想用聊天描述需求、由 AI Builder 自动生成编排 DAG 的非工程用户。
- 需要本地运行、数据不出本机的团队：通过 Ollama 全本地运行，混合本地与云模型。
- 需要定时自动化并推送结果到 Slack、Discord、Telegram、Teams 或 WhatsApp 的运营场景。
- 需要水平扩展到大量并发编排的团队：用 Redis 队列 + Worker 车队 + K8s 清单部署 Scale Mode。
这个 Agent 有哪些优点和局限？
- 确定性 DAG 执行，编排严格按设计路径运行，不出现模型自由发挥的偏航
- 每个步骤可使用不同 LLM，在 14+ 提供商（含本地 Ollama）之间自由分配算力，无厂商锁定
- 人机协同门可在重启后恢复，并通过 UI、Slack、Telegram 等渠道审批
- Scale Mode 具备按步骤检查点恢复、S3 制品存储和多租户配额，可从单机扩展到 K8s，V2 API 保持稳定
- 10+ 原生工具服务器，且 Python 脚本、REST API、webhook、MCP 服务器乃至整个编排都可注册为工具
- AGPL-3.0 许可证对将其作为网络服务分发的商业产品有传染性合规要求
- Scale Mode 依赖 Redis、Postgres（PgBouncer）和 S3 兼容存储等额外基础设施
- 安全配置责任在用户：后端 8765 不应暴露，stdio MCP 注册可启动本地命令，需按文档收紧设置
- Docker 挂载需要 /var/run/docker.sock，赋予容器较高宿主机权限
- 多数能力的可靠性证据主要来自 README 与演示视频，缺少独立的性能基准数据
如何安装或部署这个 Agent？
快速安装脚本（推荐）：
macOS / Linux: curl -sSL https://raw.githubusercontent.com/synapseorch-ai/synapse-ai/main/setup.sh | bash
Windows PowerShell: irm https://raw.githubusercontent.com/synapseorch-ai/synapse-ai/main/setup.ps1 | iex
npm: npm install -g synapse-orch-ai
pip: pip install synapse-orch-ai
Docker: docker run -d -p 3000:3000 -v synapse-data:/data -v /var/run/docker.sock:/var/run/docker.sock synapseorchai/synapse-ai:latest三个镜像可选：synapse-ai:latest（完整独立版）、synapse-ai-api-server:latest（无状态 API）、synapse-ai-worker:latest（Scale Mode Worker）。仓库内 docker-compose.yml 启动全栈，生产 K8s 清单在 infra/k8s/。
如何使用这个 Agent？
CLI：synapse start（启动前后端并打开浏览器）、synapse stop、synapse upgrade、synapse uninstall。安装后访问 http://localhost:3000 使用 Web UI 创建 Agent 和编排，或调用稳定的 V2 REST API（http://host:3000/api/v1|v2/...）入队、流式订阅、取消任务和配置 webhook。安全要点：只对外暴露 3000 端口；后端 8765 是内部 API，默认绑定 127.0.0.1 并自动生成内部令牌；对网络可达的部署应启用登录（Settings → Security）并/或设置 allow_stdio_mcp=false，因为注册 stdio MCP 服务器会启动本地命令。升级：脚本安装用 synapse upgrade，pip 用 pip install --upgrade synapse-orch-ai，npm 用 npm update -g，Docker 用 docker pull。
这个 Agent 与同类方案有什么区别？
仓库话题中包含 n8n，README 将 Synapse 定位为可把 Agent、工具和 LLM 接入确定性流水线的编排平台，并强调无框架锁定——与 n8n 这类通用工作流自动化工具相比，Synapse 的差异点是原生多 LLM Agent、MCP 工具生态和分布式 Scale Mode。