kejun
3K posts
Flue 通过以下机制实现持久化执行：
a. 工作流（Workflow）作为代码
开发者将业务逻辑编写为普通的异步函数（通常是 Python 或 JavaScript/TypeScript），Flue 会自动拦截这些函数的执行。
b. 事件溯源与状态快照
每次工作流执行一个“活动”（Activity）或遇到等待点（如 await、sleep、外部调用），Flue 会将当前状态序列化并持久化到数据库中。
如果进程崩溃，新的实例可以从最后一个持久化的状态加载，并重放未确认的事件。
c. 确定性要求
为了保证重放的一致性，工作流代码必须是确定性的：
❌ 不能使用随机数生成器（除非通过 Flue 提供的 API）。
❌ 不能直接访问系统时间（应使用 Flue 提供的时钟 API）。
❌ 避免非确定性的外部副作用（如直接调用第三方 API 而不封装为 Activity）。
d. 活动（Activities）
有副作用的操作（如发送电子邮件、调用支付网关、写入数据库）必须封装在 “Activity” 中。
Activity 是幂等的或可重试的，Flue 会确保它们最多被执行一次（或按配置重试）。
中文
@guangguangba 需要实践，UI是agent和人互动的介质，需要人介入的情景如决策，选择，交付结果等。稳定性基本可控，因为是在有限的原子能力范围内泛化。a2ui也有一个catalog 也是可控的，按需组合没有冗余，ui应该是极简的
中文
传统 UI 注定会被「生成式 UI」取代，只不过它不是消息流中的一张「卡片」，这两天做了一个探索（数据都是Mock的）
1. 交互模式：用户的顺序式操作 / 固定的界面 → Agent 驱动的事件流，界面按需生成 / 销毁
2. 状态管理：前端单向状态管理 / 后端仅持久化 → 前端与 Agent 共享状态，双向同步且可冲突调和
3. 输出方式：静态页面 + 局部异步刷新 → 动态组件树、流式语音/视频、思考链可视化、可中断提示
4. 任务模式：规定流程，用户必须遍历步骤 → AI 自主规划子任务、多步执行与人机中断/回退
5. 可观测性：仅记录用户行为→ 全面记录 Agent 思考、规划、工具调用、审批链，支持审计与重放
6. 安全模式：基于用户权限的接口调用 → 基于 Agent 能力边界的沙盒渲染与操作指令校验
中文
值得长期投资 / 积累的方向：
1. 纯设计
* 设计 Agent（Figma生态）
* AIGC Pipeline（生图 / 生视频 / 生 PPT）
2.设计 + 技术
* Agentic 设计系统（DS + AI）
* Agentic UI (生成式UI，包括AG-UI / A2UI / MCP)
* 设计工程（D2C / C2D）
3. 纯技术
* Harness 工程（Cli / Agent Skills / 多 Agents 编排 / Loop 工程 / 代码检索 & Debug / CodeReview & 自愈 / 自动化测试）
* AI 技术栈（LangChain全家桶、Sandbox（e2b / Firecracker 等）、长期记忆（Supermemory / letta等）、矢量库（Pinecone / Chroma / DuckDB / OceanBase 等）、可观测性（LangSmith / Langfuse）、自进化（DSPy / GEPA））
* Multi-Agents 架构设计（编排 / 协同 / 不可变状态 / 熔断器 / 补偿模式 / 数据契约）
* 本体建模（知识图谱 / GraphRAG）
中文