本页目录
第一次看到 Open Flow 画布的用户,经常会问它和 Dify、Coze 有什么区别,以及能不能在画布上拖几个节点就搭出一个自主运行的通用 Agent。
Open Flow 支持在流程里调用大模型和受控的智能体节点,也支持外部 Agent 直接读写和编排流程,但我们刻意没有把工作流画布做成 Dify、Coze 式的 Agent Builder。
自主 Agent 应该运行在专门的 Agent Harness 里,可重复的业务自动化应该沉淀在确定性工作流引擎里。 用通用工作流画布连线拼出来的“自主 Agent”能做出像样的演示,却经不起生产环境的考验。过去两年,Anthropic、OpenAI 与一线 Agent 团队公开的工程实践,已经把背后的原因拆解得很清楚。
画布拼出来的 Agent,为什么停留在玩具阶段
市面上的 Agent Builder 思路高度一致。它们通常在画布上放一个大模型节点,挂上知识库和插件工具,再写一段系统提示词,就交付一个看似能自主规划和调用工具的智能体。
只要把这套东西放进跨系统排查故障、连续十几次工具调用或长周期异常处理的真实业务里,几个问题会同时出现:
- 上下文退化(Context Rot):工具返回的网页、日志和 JSON 不断累积,画布节点之间简单拼接的历史消息迅速膨胀,模型开始遗漏约束并偏离目标。
- 碰不到关键的底层原语:决定长程任务成功率的 KV-Cache 复用、文件系统持久化、错误现场保留和上下文重置,在低代码连线层全部被屏蔽了。
- 无法用工程手段排障:任务跑偏时,开发者找不到清晰的状态机、代码堆栈和沙箱日志,只能在一层层封装后的提示词模板里反复试错。
自主 Agent 的能力上限由模型与运行外壳(Harness)共同决定,画布只是套在最外层的浅层包装。
Agent = Model + Harness:正经 Agent 的技术路线
OpenAI 在 2026 年 2 月发表的工程文章 Harness engineering: leveraging Codex in an agent-first world 中,提出过 Agent = Model + Harness 这个公式。
模型负责计算与推理,Harness 才是围绕在模型之外的整套运行系统,包括沙箱、工具原语、上下文管理、持久化状态、权限控制以及自动化验证闭环。OpenAI 团队在几乎不手写应用代码的情况下,用 Codex 构建并上线了约百万行代码的内部系统,主要精力全花在了这套 Harness 上。
放到今天的生产环境里,真正能跑起来的 Agent Harness 主要有两条技术路线:
- 模型厂商的原生 Harness:无论是 OpenAI 的 Codex,还是 Anthropic 的 Claude Code 与 Claude Agent SDK,前沿模型在后训练和强化学习阶段就已经在自家的原生工具集(终端、文件读写、代码检索等)和反馈节奏里联合优化过。Anthropic 在 Effective harnesses for long-running agents 和 Harness design for long-running application development 中披露的修补手段也紧贴具体模型世代,例如针对上下文焦虑(Context Anxiety)的清空历史与磁盘状态交接机制,以及拆分独立 Evaluator 角色来纠正模型对自身输出的宽容评分。Anthropic 在 Building effective agents 中还明确指出,生产实践中表现最好的实现大多没有采用重型第三方框架,而是用简单、可组合的原语直接对接模型。
- 面向真实业务与团队的专用 Agent Harness:要把自主 Agent 变成团队日常可托付的协作者,同样离不开聊天窗口之下的整套 Harness 工程,包括隔离的持久化沙箱、CLI 与脚本执行能力、可复用的 Skills 体系、浏览器操作,以及面向组织成员和群组的凭据与权限治理。这些运行时原语都无法靠低代码画布连线表达。
可视化 Agent Builder 两头都不占。为了用低代码节点兼容所有厂商的模型,它只能按所有模型的最小交集设计抽象,既没有模型厂商训练期的交互耦合,又把专用 Agent Harness 赖以成立的沙箱、文件系统和底层运行时控制全部藏了起来。这不是换一套画布交互就能补上的差距。
工程实践中的两道门槛
就算不谈模型训练期的原生耦合,用工作流画布做通用自主 Agent 还有两道工程门槛绕不开。
1. 决定可用性的上下文工程,画布无法表达
Manus 团队在 Context Engineering for AI Agents: Lessons from Building Manus 中总结过长程 Agent 的几项关键经验:
- 围绕 KV-Cache 命中率组织上下文:系统提示词前缀必须严格固定,历史记录只追加不修改;需要动态禁用部分工具时,通过 Logit Masking 控制动作空间,而不是增删工具定义导致缓存失效。
- 用虚拟机文件系统承担长期记忆:抓取的网页、长文档和命令输出全部落盘,只在上下文里保留路径和摘要,按需读取。
- 保留原始报错轨迹:不在外层吞掉异常,让模型直接看到错误堆栈,通过上下文调整后续动作。
在可视化 Agent Builder 里,用户能调的通常只有提示词文本、插件勾选、最大步数和记忆轮数。真正决定成本、延迟和任务完成率的控制手段,画布上根本找不到入口。
2. 模型每次升级,都在清空画布上的手工逻辑
Rich Sutton 在 The Bitter Lesson 中指出的规律在这里同样成立。开发者围绕当前模型短板在系统外围堆砌的启发式规则、路由分支和限制条件,都会在下一代模型发布时失去价值。
团队花几周在画布上搭出几十个节点的“多 Agent 协作图”去弥补当前模型规划或容错能力的不足,几个月后往往会被新模型配合极简 Harness 循环直接替代,画布里写死的节点约束反而会限制更强模型的发挥。
工作流与 Agent 属于两套架构
不少团队用 Dify 或 Coze 搭出来的客服分类、信息抽取和内容分发流程,在日常业务里确实能持续跑通。这里混了两个完全不同的概念。真正能在生产环境长期运行的,其实是确定性工作流(Workflow),和自主 Agent 是两回事。
Anthropic 在 Building effective agents 里区分了这两种模式:
- Workflow(工作流):执行路径由代码或流程图事先确定,模型只在其中某个明确节点里完成分类、抽取、摘要或判断。何时触发、走哪条分支、调哪个接口、出错如何重试,全部确定。
- Agent(智能体):由模型在运行时自行决定下一步操作、工具选择和循环次数,直到它判断任务结束。
用画布搭出来的“Agent”之所以能上线运行,往往是因为开发者在调试中把分支条件和调用顺序一步步写死了。它本来就是一条工作流,只是套用了 Agent 的名字。一旦真正放开节点让模型自主循环,它立刻失去可预测性,也无法通过生产环境的审计。
也正因为这两套架构截然不同,我们把自主 Agent 和工作流拆成了两个独立产品。做自主 Agent 时,我们沿着 Agent Harness 路线独立做了
Leina,提供持久化沙箱、CLI 与脚本执行、Skills 与团队权限治理;Open Flow 则专注确定性工作流引擎。当 Leina 里的任务需要沉淀为定时、可审计的重复流程时,
Leina 工作流底层运行的就是 Open Flow。
可视化编排擅长把确定的流程表达清楚,开放式自主执行则应该交给专门的 Agent Harness。
为什么确定性工作流引擎有独立壁垒
模型厂商也在陆续推出自己的工作流和连接器功能,但它们吃不掉专业的工作流基础设施。Agent Harness 和确定性工作流的技术壁垒完全不在一个维度上。
在原生编程 Harness 领域,模型厂商握有训练期联合优化的不对称优势。到了确定性工作流领域,Cron 调度、Webhook 队列、条件分支、人工审批、OAuth 凭据管理和长尾应用适配,跟模型权重和强化学习没有任何关系。模型厂商下场写工作流引擎,面对的是完全相同的工程复杂度,没有任何先验技术红利。
即便模型厂商把工作流做成自家的附属能力,也会受到三个结构性束缚:
- 模型绑定与模型中立的冲突:OpenAI 做的流程服务于自家模型,Anthropic 的工具链围绕 Claude 构建。真实业务里经常需要按节点性价比混用不同模型,或者接入内网私有模型,企业也不会愿意把核心业务流锁死在单一模型厂商身上。Open Flow 允许自由配置任意模型服务地址和 OpenAI 兼容接口。
- 闭源云端托管与数据主权的冲突:模型厂商的商业模式依赖云端 Token 与托管平台,执行日志、业务凭据和运行环境必须留在它们的云上。大量涉及内网数据库、财务系统和合规审计的流程无法接受这种托管方式。Open Flow 开源且支持 Docker 自部署,工作流文件本身是开放的工程产物,可以直接纳入 Git 管理。
- 附属功能与核心主业的冲突:对模型实验室而言,工作流和连接器始终只是提升模型留存的辅助模块,研发优先级永远排在训练下一代模型和打磨原生 Agent 之后。它们很难投入持续精力去维护 1,700+ 长尾应用、20,000+ 具体操作和精细的版本冲突检查,更不可能把编排接口做成同时兼容 Claude Code、Codex 与 Leina 等各类 Agent Harness 的公共底座。
模型和 Harness 变强,会淘汰用来修补模型短板的画布框架,同时让开放的确定性执行底座更有价值。Agent Harness 越聪明,它通过标准协议去编排和调用工作流引擎的回报就越大。
Open Flow 的选择:为各类 Agent Harness 提供确定性执行底座
Open Flow 专注确定性工作流与外部系统连接,把编排和执行接口直接开放给真正的 Agent Harness。
| 维度 | Open Flow 的选择 | 通用 Agent Builder 路线(Dify / Coze 等) |
|---|---|---|
| 核心定位 | 确定性工作流引擎 + Agent Harness 的外部工具底座 | 在可视化画布上拼装通用自主 Agent |
| 自主智能归属 | 交给专门的 Agent Harness(Claude Code、Codex 等原生 Harness,或 Leina 等团队 Harness) | 在低代码工作流画布内部重造通用 Agent 循环 |
| 画布里的 AI 角色 | 确定步骤里的受控能力:LLM 节点、JEV 决策节点,以及严格受限的 Agent 节点 | 由模型接管整张图的控制权,可控性与可调试性较弱 |
| 外部系统治理 | 1,700+ 应用与 20,000+ 工具,统一账号凭据、人工审批与版本回滚 | 侧重对话内插件调用,工程治理与审计能力有限 |
| 与 Agent 的协作方式 | 面向 Agent 读写优化:提供 CLI 与 MCP,让各类 Agent Harness 直接创建、检查和修改流程 | 依赖人在网页画布里手工编排流程 |
具体到产品设计上,Open Flow 只做三件事:
-
保持流程确定、可审计 定时触发(Cron)、Webhook、轮询、条件分支、循环、错误处理与人工审批(Approval),生产级自动化依赖的是可预期、可追踪、能回滚。AI 在 Open Flow 中只承担范围明确的任务。你可以用 AI 决策节点 在单次调用里输出分类、判断与评分,也可以在明确限定最大轮数、声明工具集、固定参数和审批策略的前提下使用 AI 智能体节点。它是确定性流水线上的一个受控工位,而不是脱离流程约束的自由运行时。
-
把外部系统连接做成统一的执行层 再强的 Agent Harness,落到业务里依然要面对 OAuth 凭据管理、内部审批、跨系统数据同步、计量计费和定时调度。Open Flow 接入了 1,700+ 应用与服务、20,000+ 现成工具(见应用与工具目录),把鉴权、排队、隔离和故障恢复留在服务端解决。
-
通过 CLI 与 MCP,让各类 Agent Harness 直接编排和调用 Open Flow 与其让人在网页画布里替模型编排思维链,不如把工作流本身做成 Agent Harness 能直接读写的结构化工程。Open Flow 通过 CLI(
oo flow) 与 MCP 提供节点查询、局部编辑、原子提交、修订冲突检查和校验能力。开发者可以直接让 Claude Code 或 Codex 读取现有流程、增改节点、完成校验并发布,团队也可以在
Leina 的日常对话里触发和运行确定性流程。开放式推理留在 Agent Harness 里,高频或涉及外部副作用的操作沉淀为确定的工作流。
模型和 Agent Harness 会不断迭代,业务系统之间的连接、权限管控与确定性执行则是长期不变的需求。让专门的 Agent Harness(无论是模型厂商的原生 Harness,还是我们自己的
Leina)负责自主推理,让 Open Flow 专注确定性执行与外部连接,这就是我们不做 Dify / Coze 式 Agent Builder 的原因。
如果你需要一个面向工程协作的确定性工作流引擎,可以打开 Open Flow 工作台,或先阅读用 AI 助手编排工作流指南。