Skip to content

Micdiane/EvoFlow

BranchesTags

Repository files navigation

项目名称：EvoFlow

副标题： 一个自适应AI Agent工作流生成与优化平台

项目愿景 (Vision)

创建一个智能平台，用户只需用自然语言描述一个复杂的目标（例如，“分析上个季度的销售数据，并生成一份面向高管的PPT报告”），EvoFlow 就能自动设计、编排和执行一个由多个专业AI Agent组成的工作流来完成任务。更核心的是，它能根据任务执行结果、成本、效率和用户反馈，不断地自我迭代和优化这个工作流，使其在未来处理相似任务时变得更高效、更智能、更经济。

核心理念 (Core Idea)

传统的工作流自动化工具（如 Zapier, Make）或初级的 Agent 框架（如早期的 LangChain），需要用户手动定义每一步的流程和逻辑。EvoFlow 的核心突破在于 “自动化生成” 和 “迭代优化” 这两个环节，它将工作流本身视为一个需要被“进化”和“学习”的对象。

目标用户 (Target Users)

  1. 业务分析师/运营人员： 自动化处理数据分析、报告生成、市场监控等日常但复杂的任务。
  2. 内容创作者/市场营销团队： 自动生成从选题、调研、文案撰写到多平台发布的全套内容流程。
  3. 软件开发者/DevOps工程师： 自动化处理代码审查、Bug复现、测试用例生成、发布日志整理等流程。
  4. 研究人员： 自动化进行文献检索、数据清洗、实验模拟、论文草稿撰写等科研工作。

核心功能模块

1. 意图理解与任务分解模块 (Intent & Decomposition Module)

  • 输入： 用户通过自然语言描述的高层级目标（e.g., "帮我策划一次线上新产品发布会"）。
  • 技术： 使用强大的大型语言模型（LLM）如 GPT-4o 或 Claude 3 Opus，结合 RAG (Retrieval-Augmented Generation) 技术，理解用户意图的深层含义。
  • 输出： 将高层级目标分解成一个逻辑上可行的、结构化的任务列表（Task Graph 的初步蓝图），例如：
    1. 确定目标受众。
    2. 研究竞品发布会策略。
    3. 制定宣传时间线。
    4. 撰写宣传文案和设计海报。
    5. 选择直播平台。
    6. 准备Q&A环节。

2. 工作流自动生成模块 (Workflow Generation Module)

  • 输入： 任务分解后的结构化列表。
  • 核心： 这是 Planner Agent 的主场。它像一个经验丰富的项目经理。
    • Agent/工具库 (Agent & Tool Library): 系统内置一个可扩展的库，包含各种预定义的“原子Agent”（如 WebSearchAgent, DataAnalysisAgent, CodeWriterAgent, EmailSenderAgent）和“工具”（如 API 调用、数据库查询、文件读写）。
    • 智能路由与编排： Planner Agent 会为分解后的每个任务，从库中选择最合适的 Agent 或 Agent 组合来执行。它决定了任务是串行、并行还是有条件地执行，从而生成一个可视化的工作流图（DAG -有向无环图）。
  • 输出： 一个可执行的、包含具体 Agent 和参数的完整工作流方案。

3. 工作流执行引擎 (Workflow Execution Engine)

  • 输入： 生成的工作流方案（DAG）。
  • 功能：
    • 状态管理： 跟踪每个 Agent 的执行状态（等待、运行中、成功、失败）。
    • 上下文传递： 管理和传递 Agent 之间的信息流（例如，WebSearchAgent 的研究结果需要传递给 WritingAgent）。
    • 容错与重试： 当某个 Agent 执行失败时，可以根据预设策略进行重试或触发备用方案。
    • 人机协作（Human-in-the-Loop）： 在关键决策点（如预算审批、文案终审）暂停工作流，并请求用户输入。

4. 反馈与迭代优化模块 (Feedback & Optimization Module)

这是 EvoFlow 的灵魂所在，让系统具备“成长”能力。

  • 输入：
    • 隐式反馈： 任务执行的元数据（每个节点的耗时、Token成本、API调用成功率、最终任务的成功/失败状态）。
    • 显式反馈： 用户的直接评价（例如，对最终报告打分、点赞/点踩、提供修改意见 "这份报告的图表太少了"）。
  • 核心： 这是 Optimizer Agent 或 Reflector Agent 的工作。
    • 性能分析： 分析哪些节点是瓶颈（耗时最长、成本最高），哪些 Agent 组合效率低下。
    • 反馈学习： 利用类似 RLHF (Reinforcement Learning from Human Feedback) 的机制，理解用户的偏好。例如，系统会学习到“对于这位用户，数据报告中必须包含至少3个可视化图表”。
    • 策略演化： 基于分析结果，优化工作流生成策略。这可能包括：
      • 替换Agent： "发现 SimpleSearchAgent 效果不佳，下次类似任务换成 DeepResearchAgent。"
      • 调整流程： "先写文案再配图的流程太慢，下次可以尝试并行处理。"
      • 参数微调： "对于创意写作，将 WritingAgent 的 temperature 参数调高一些。"
  • 输出： 更新 Planner Agent 的决策模型或工作流模板库。当下次用户输入相似的目标时，系统会生成一个“进化”后的、更优的工作流。

技术架构简图

+---------------------------------------------------------------------------------+
|                                  用户界面 (UI/CLI)                               |
+---------------------------------------------------------------------------------+
      | (1. 自然语言目标)
      V
+---------------------------------------------------------------------------------+
|                      意图理解与任务分解模块 (LLM + RAG)                          |
+---------------------------------------------------------------------------------+
      | (2. 结构化任务列表)
      V
+---------------------------------------------------------------------------------+
|                      工作流自动生成模块 (Planner Agent)                          |
|      [读取] -> [Agent/工具库]                                                    |
|      [受影响于] <-+ (6. 优化策略)                                                |
+-----------------|---------------------------------------------------------------+
                  | (3. 可执行工作流DAG)
                  V
+---------------------------------------------------------------------------------+
|                          工作流执行引擎 (Orchestrator)                           |
|      [调度] -> [Agent A] -> [Agent B] -> ...                                     |
|      [输出] -> (最终结果) -> 用户                                                |
+---------------------------------------------------------------------------------+
      | (4. 执行元数据)                                     ^ (5. 用户显式反馈)
      V                                                   |
+---------------------------------------------------------------------------------+
|                      反馈与迭代优化模块 (Optimizer Agent)                       |
|                             (分析 & 学习)                                        |
+---------------------------------------------------------------------------------+

项目实施路线图 (Roadmap)

  1. Phase 1 (MVP - 基础执行):

    • 构建一个包含5-10个核心 Agent 的工具库。
    • 实现一个健壮的工作流执行引擎。
    • 用户需要手动（通过代码或简单的UI）定义工作流。
    • 目标： 验证 Agent 协同工作的可行性。

  2. Phase 2 (自动化生成):

    • 引入 Planner Agent，实现从自然语言到工作流的自动生成。
    • 重点攻关任务分解的准确性和 Agent 选择的合理性。
    • 目标： 实现 "零配置" 的任务完成能力。

  3. Phase 3 (自我优化):

    • 开发反馈与优化模块。
    • 首先基于执行元数据（成本、时间）进行初步的自动优化。
    • 引入简单的用户反馈机制（如打分）。
    • 目标： 让工作流具备初步的“自愈”和“提效”能力。

  4. Phase 4 (生态与高级功能):

    • 开放 Agent/工具库，允许社区开发者贡献自己的 Agent。
    • 引入更复杂的优化算法（如遗传算法来探索全新的工作流结构）。
    • 开发一个强大的可视化工作流编辑器，允许用户查看、修改和分享 EvoFlow 生成的工作流。
    • 目标： 打造一个开放、智能、不断进化的工作流自动化平台。

挑战与风险

  • 可靠性与稳定性： 动态生成的工作流可能出现意想不到的错误或死循环。
  • 成本控制： 大量 LLM 和 API 调用可能导致成本失控，需要设计精巧的预算和监控机制。
  • 评估的复杂性： 如何量化一个“好”的工作流？尤其是在创意性任务上，评价标准是模糊的。
  • 安全性： Agent 如果能执行代码或操作文件，必须在严格的沙箱环境中运行，防止恶意行为。

这个 EvoFlow 项目构想不仅紧跟当前 AI Agent 的技术热点，而且通过引入“生成”和“优化”的闭环，解决了现有工具的核心痛点，具有巨大的技术深度和商业价值。

技术栈

后端

  • 框架: FastAPI (Python)
  • 数据库: PostgreSQL + Redis
  • LLM: DeepSeek API
  • 任务队列: Celery
  • 工作流引擎: 自研DAG执行引擎

前端

  • 框架: Next.js 14 (React)
  • UI: Tailwind CSS + shadcn/ui
  • 可视化: React Flow
  • 状态管理: Zustand

开发环境

  • 容器化: Docker + Docker Compose
  • 包管理: uv (Python)
  • 数据库: PostgreSQL 15
  • 缓存: Redis 7

快速开始

环境要求

  • Python 3.11+
  • Docker & Docker Compose
  • uv (Python包管理器)

安装步骤

  1. 克隆项目
git clone <repository-url>
cd EvoFlow
  1. 配置环境变量
cp .env.example .env
# 编辑.env文件，配置数据库和API密钥
  1. 使用Docker启动（推荐）
# 启动所有服务
chmod +x scripts/start.sh
./scripts/start.sh

# 或者使用docker-compose
docker-compose up -d
  1. 开发环境启动
# 启动开发环境
chmod +x scripts/dev.sh
./scripts/dev.sh

访问应用

项目结构

EvoFlow/
├── evoflow/                    # 主应用目录
│   ├── __init__.py
│   ├── main.py                 # FastAPI应用入口
│   ├── config.py               # 配置管理
│   ├── database.py             # 数据库配置
│   ├── celery_app.py           # Celery配置
│   ├── models/                 # 数据模型
│   │   ├── user.py
│   │   ├── workflow.py
│   │   ├── agent.py
│   │   └── task.py
│   ├── schemas/                # Pydantic模式
│   │   ├── workflow.py
│   │   └── agent.py
│   ├── api/                    # API路由
│   │   └── v1/
│   │       ├── workflows.py
│   │       ├── agents.py
│   │       └── executions.py
│   ├── agents/                 # Agent实现
│   │   ├── base.py
│   │   ├── web_search.py
│   │   ├── text_writing.py
│   │   ├── data_analysis.py
│   │   ├── email_sender.py
│   │   └── file_processor.py
│   ├── workflow/               # 工作流引擎
│   │   ├── dag.py
│   │   ├── engine.py
│   │   └── executor.py
│   ├── tasks/                  # Celery任务
│   │   ├── workflow_tasks.py
│   │   └── agent_tasks.py
│   └── utils/                  # 工具函数
│       ├── logger.py
│       └── validators.py
├── examples/                   # 示例代码
│   ├── simple_workflow.py
│   └── test_agents.py
├── scripts/                    # 启动脚本
│   ├── start.sh
│   ├── stop.sh
│   ├── dev.sh
│   └── init.sql
├── tests/                      # 测试文件
├── logs/                       # 日志目录
├── docker-compose.yml          # Docker编排
├── Dockerfile                  # Docker镜像
├── pyproject.toml              # Python项目配置
├── .env                        # 环境变量
└── README.md                   # 项目文档

核心功能

1. Agent系统

  • WebSearchAgent: 网络搜索功能
  • TextWritingAgent: 基于DeepSeek的文本生成
  • DataAnalysisAgent: 数据分析和统计
  • EmailSenderAgent: 邮件发送功能
  • FileProcessorAgent: 文件处理和格式转换

2. 工作流引擎

  • DAG构建: 支持复杂的有向无环图工作流
  • 并行执行: 自动识别可并行执行的任务
  • 错误处理: 支持重试和容错机制
  • 状态管理: 实时跟踪执行状态
  • 上下文传递: 节点间数据流管理

3. API接口

  • 工作流管理: 创建、更新、删除工作流
  • 执行控制: 启动、取消、监控执行
  • Agent管理: 查看、测试、配置Agent
  • 执行历史: 查看执行记录和日志

使用示例

创建简单工作流

from evoflow.workflow.dag import DAGNode, WorkflowDAG

# 创建节点
nodes = [
    DAGNode(
        id="search",
        name="搜索信息",
        agent_type="web_search",
        input_data={"query": "AI最新发展", "max_results": 5}
    ),
    DAGNode(
        id="analyze",
        name="分析结果",
        agent_type="text_writing",
        input_data={
            "prompt": "分析搜索结果: ${dependency_search}",
            "max_tokens": 1000
        },
        dependencies=["search"]
    )
]

# 创建并执行工作流
dag = WorkflowDAG(nodes)
engine = WorkflowEngine()
execution_id = await engine.execute_workflow("workflow_001", dag.to_dict())

测试Agent功能

from evoflow.agents import TextWritingAgent

agent = TextWritingAgent()
result = await agent.run({
    "prompt": "写一篇关于AI的文章",
    "max_tokens": 500
}, {})

print(f"生成结果: {result.data['generated_text']}")

API使用

创建工作流

curl -X POST "http://localhost:8000/api/v1/workflows/" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "示例工作流",
    "description": "这是一个示例工作流",
    "dag_definition": {
      "nodes": [...]
    }
  }'

执行工作流

curl -X POST "http://localhost:8000/api/v1/workflows/{workflow_id}/execute" \
  -H "Content-Type: application/json" \
  -d '{
    "input_data": {"key": "value"}
  }'

查看执行状态

curl "http://localhost:8000/api/v1/executions/{execution_id}"

开发指南

添加新的Agent

  1. 继承BaseAgent类
  2. 实现必需的方法
  3. 在TaskExecutor中注册
  4. 添加相应的测试
class CustomAgent(BaseAgent):
    def __init__(self, config=None):
        super().__init__("CustomAgent", "custom", ["capability1"], config)

    async def execute(self, input_data, context):
        # 实现具体逻辑
        pass

    def validate_input(self, input_data):
        # 验证输入
        pass

    def get_cost_estimate(self, input_data):
        # 成本估算
        pass

运行测试

# 安装测试依赖
uv pip install -e ".[dev]"

# 运行测试
pytest tests/

# 运行示例
python examples/test_agents.py
python examples/simple_workflow.py

部署

生产环境部署

  1. 修改环境变量配置
  2. 使用生产级数据库
  3. 配置负载均衡
  4. 设置监控和日志

Docker部署

# 构建镜像
docker build -t evoflow:latest .

# 运行容器
docker-compose -f docker-compose.prod.yml up -d

贡献指南

  1. Fork项目
  2. 创建功能分支
  3. 提交更改
  4. 创建Pull Request

许可证

MIT License

项目状态

✅ 已完成功能 (MVP Phase 1)

核心架构

  • FastAPI后端框架搭建
  • PostgreSQL数据库设计和模型
  • Redis缓存和任务队列
  • Docker + uv开发环境
  • Alembic数据库迁移

Agent系统

  • BaseAgent抽象基类
  • WebSearchAgent - 网络搜索
  • TextWritingAgent - DeepSeek文本生成
  • DataAnalysisAgent - 数据分析
  • EmailSenderAgent - 邮件发送
  • FileProcessorAgent - 文件处理

工作流引擎

  • DAG有向无环图构建
  • 工作流执行引擎
  • 任务调度和状态管理
  • 错误处理和重试机制
  • 上下文数据传递

API接口

  • RESTful API设计
  • 工作流CRUD操作
  • Agent管理和测试
  • 执行监控和日志
  • 自动API文档生成

开发工具

  • 项目设置检查脚本
  • API测试脚本
  • 性能监控脚本
  • 数据初始化脚本

部署支持

  • Docker Compose开发环境
  • 生产环境Docker配置
  • Nginx反向代理配置
  • 自动化部署脚本

🚧 下一步计划 (Phase 2)

智能工作流生成

  • 自然语言任务分解
  • Planner Agent实现
  • Agent智能匹配算法
  • 工作流模板库

前端界面

  • Next.js前端项目初始化
  • 工作流可视化编辑器
  • 实时执行监控界面
  • Agent管理界面

用户系统

  • 用户认证和授权
  • JWT Token管理
  • 用户权限控制
  • 多租户支持

高级功能

  • 工作流版本控制
  • 条件分支和循环
  • 人机协作节点
  • 工作流调试模式

🔮 未来规划 (Phase 3+)

优化与学习

  • 执行性能分析
  • 用户反馈收集
  • 强化学习优化
  • 成本智能控制

生态建设

  • Agent插件市场
  • 社区贡献系统
  • 工作流分享平台
  • 第三方集成

企业功能

  • 高级监控和告警
  • 数据安全和合规
  • 企业级部署方案
  • 专业技术支持

快速验证

1. 环境检查

# 检查项目设置
python scripts/check_setup.py

# 或者给脚本执行权限
chmod +x scripts/check_setup.py
./scripts/check_setup.py

2. 启动服务

# 开发环境启动
chmod +x scripts/start.sh
./scripts/start.sh

# 或者手动启动
docker-compose up -d

3. API测试

# 运行API测试
python scripts/test_api.py

# 或者手动测试
curl http://localhost:8000/health
curl http://localhost:8000/docs

4. 性能监控

# 运行监控脚本
python scripts/monitor.py

# 持续监控
python scripts/monitor.py --interval 30

故障排除

常见问题

1. Docker服务启动失败

# 检查Docker状态
docker info

# 查看服务日志
docker-compose logs

# 重启服务
docker-compose restart

2. 数据库连接失败

# 检查数据库状态
docker-compose exec postgres pg_isready -U evoflow

# 查看数据库日志
docker-compose logs postgres

3. API响应慢或超时

# 检查系统资源
python scripts/monitor.py --once

# 查看API日志
docker-compose logs backend

4. Agent执行失败

  • 检查DeepSeek API密钥是否正确
  • 确认网络连接正常
  • 查看具体错误信息

日志查看

# 查看所有服务日志
docker-compose logs -f

# 查看特定服务日志
docker-compose logs -f backend
docker-compose logs -f celery_worker

# 查看应用日志文件
tail -f logs/evoflow.log

贡献指南

开发流程

  1. Fork项目到个人仓库
  2. 创建功能分支: git checkout -b feature/new-feature
  3. 提交更改: git commit -am 'Add new feature'
  4. 推送分支: git push origin feature/new-feature
  5. 创建Pull Request

代码规范

  • 使用Black进行代码格式化
  • 遵循PEP 8编码规范
  • 添加类型注解
  • 编写单元测试
  • 更新文档

测试要求

# 运行测试
pytest tests/

# 代码格式检查
black --check evoflow/
isort --check-only evoflow/

# 类型检查
mypy evoflow/

许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件

致谢

感谢以下开源项目和技术：

  • FastAPI - 现代高性能Web框架
  • SQLAlchemy - Python SQL工具包
  • Celery - 分布式任务队列
  • Redis - 内存数据结构存储
  • PostgreSQL - 开源关系型数据库
  • Docker - 容器化平台
  • DeepSeek - 大语言模型API

联系方式

  • 项目地址: [GitHub Repository]
  • 问题反馈: [Issues]
  • 邮箱: team@evoflow.ai
  • 文档: [Documentation]

EvoFlow - 让AI工作流自动化变得简单而强大 🚀

About

No description, website, or topics provided.

Resources

Readme
Activity

Stars

2 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages