跳转至

ArtifactFlow

ArtifactFlow 是一个基于 LangGraph 构建的多 Agent 协作框架，采用双 Artifact 架构实现复杂任务的规划与执行。

设计理念

为什么需要多 Agent 协作？

单一 LLM 在处理复杂任务时面临几个核心挑战：

  • 上下文窗口限制：长程任务容易丢失关键信息
  • 能力边界模糊：一个 prompt 难以覆盖所有专业领域
  • 执行过程不透明：用户难以干预和调整执行方向

ArtifactFlow 通过专业化分工 + 结构化协作解决这些问题。

双 Artifact 架构

flowchart BT
    subgraph Agents["Agent System"]
        Lead["🎯 Lead Agent"]
        Search["🔍 Search Agent"]
        Crawl["🌐 Crawl Agent"]
    end

    subgraph Artifacts["Artifacts"]
        TaskPlan["📋 Task Plan Artifact<br/>- 任务分解<br/>- 进度追踪<br/>- 依赖关系"]
        Result["📄 Result Artifact<br/>- 执行产出<br/>- 版本历史<br/>- 增量更新"]
    end

    Lead -->|读取/更新| TaskPlan
    Lead -->|写入| Result
    Lead -->|调度| Search
    Lead -->|调度| Crawl
    Search -->|返回结果| Lead
    Crawl -->|返回结果| Lead

Task Plan Artifact：记录任务规划、分解步骤、当前进度，确保长程任务不会"迷路"

Result Artifact：累积执行产出，支持版本追溯，用户可随时查看中间结果

核心优势

特性 说明
计划与结果分离 任务规划和执行产出独立管理，互不干扰
可追溯性 Artifact 版本历史完整记录每次变更
人机协作 权限系统支持关键操作的用户确认
流式反馈 SSE 实时推送执行状态，前端可即时展示
可扩展 轻松添加新 Agent 和 Tool 应对不同场景

应用场景

ArtifactFlow 是一个通用框架，可适配多种复杂任务场景：

  • 信息检索与整合：多源搜索、内容聚合、报告生成
  • 文档撰写：大纲规划、分章节撰写、迭代修订
  • 代码任务：代码审查、重构规划、多文件修改
  • 数据分析：数据采集、清洗、分析、可视化
  • 工作流自动化：多步骤任务编排、条件分支处理

技术栈

组件 技术 用途
编排引擎 LangGraph 多 Agent 工作流、状态管理、断点恢复
API 服务 FastAPI REST API、SSE 流式推送
数据存储 SQLAlchemy + aiosqlite 对话历史、Artifact 持久化
LLM 接口 LiteLLM 统一接口支持 100+ 模型提供商
内容采集 Jina Reader API + BeautifulSoup 网页内容抓取与解析
前端 Next.js 15 / React 19 / Zustand / Tailwind CSS Web UI、SSE 流式渲染

快速开始

# 安装依赖
pip install -r requirements.txt
pip install -e .

# 设置 JWT 密钥（写入 .env，必须，否则服务无法启动）
echo "ARTIFACTFLOW_JWT_SECRET=$(python -c 'import secrets; print(secrets.token_urlsafe(32))')" >> .env

# 创建管理员账号（首次使用前必须）
python scripts/create_admin.py admin

# 启动 API 服务
python run_server.py

# CLI 交互（首次需要登录）
python run_cli.py login
python run_cli.py chat

文档导航