AstraFlow 是一个面向复杂任务的多智能体编排平台。它要解决的不是单次模型调用，而是一个任务如何被理解、拆分、调度、执行、观察和恢复。

打开在线演示

动态路由与执行模式

入口会先完成任务理解，再结合模型推理与规则约束选择执行路径。系统使用 LangGraph 编排链路，支持 Sample、DAG、Research 和 Multi-Agent 等执行模式。

这层路由的价值是把复杂度留在平台内部：调用方描述目标，平台负责选择适合的工作流，而不是要求用户理解每一个 Agent 的边界。

Multi-Agent 协作

协作框架基于 ReAct 构建，由主 Agent 负责规划和调度，多角色并发执行。任务板、共享工作区和点对点消息用于同步状态；系统还会基于 Agent 的 idle 状态重新分配任务，并允许运行中的 human-in-the-loop 干预。

可靠性治理

多步骤工作流必须默认考虑失败。AstraFlow 在执行层加入：

  • 基于 WASI 的受限代码沙箱；
  • LangSmith 全链路观测；
  • 降级、fallback、熔断和失败重试；
  • Token budget 控制；
  • 可中断、可恢复的运行状态。

统一工具体系

在 LangChain Tool 抽象之上，平台使用 ToolRegistry 管理工具元数据，将原生工具、MCP 工具与 OpenAPI 工具统一注册、发现、动态暴露和受控执行。

记忆与上下文

长对话场景中，系统使用 Milvus 进行会话记忆检索，并通过语义召回和摘要注入控制上下文长度。目标不是保留所有历史文本，而是把当前任务真正需要的信息带回执行链路。