Agent Skills
返回列表
确定性图编排引擎 G3

确定性图编排引擎 G3

AI Agent 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_c3b6c8ac/x-rw-graphengineering-g3。

技能介绍

它解决什么问题

把多步骤任务交给 LLM 自由发挥，结果往往不可靠：同一个 Prompt 两次跑出不同产物，中途失败无法恢复，关键节点缺乏人工把关。G3（graphengineering-g3）针对的是结构化、可预期的多步骤任务——内容流水线、数据处理管道、审批流——它不让 LLM 自己规划并执行一切，而是把执行确定性交给一套图引擎。

它如何工作

核心思路是规划与执行分离：上游规划器（如 LoopEngine）产出一份 Plan JSON，G3 将其编译为 StateGraph 后确定性执行。

  • 节点：13 种注册节点覆盖确定性操作（deterministic）、窄 LLM 调用（llm_narrow）、命令执行（tool_call）、人工审批（hitl_gate），以及 v0.3 引入的 llm_gate、validator、monitor、grounding 四个治理节点
  • 边：8 种边类型支持固定、条件与数据依赖，以及验证/监控/接地/反馈回跳；回跳边不参与循环检测，但受 max_traversals 等约束
  • 执行与恢复：每个节点执行后写入 SQLite 检查点，崩溃后可用 resume 恢复；同 thread 内 deterministic/llm_narrow 节点结果和 temperature=0 的 LLM 响应会自动缓存
  • 治理：governance_log、metrics、drift_score 三个字段分别记录事件链、运行时指标与目标漂移；条件路由走 AST 白名单求值，而非任意 Python 执行
  • 自愈：失败按 EXEC/PLAN/STRAT 三层分类，分别对应同层重试、触发重规划、升级人工介入；5 条熔断规则覆盖单节点重试、重规划次数、连续战略级失败、耗时与 Token 预算超支

CLI 暴露 validate / build / run / status / resume 五个动作，Shell Tool 模式直接接收 JSON 字符串并返回结构化状态。

适用边界

  • 它不是单步脚本的替代品，也替代不了 Jenkins/GitHub Actions 这类 CI/CD 系统
  • 条件路由表达式虽走 SafeEvaluator，但仍属白名单求值，复杂业务判断应下沉到 validator 或 deterministic 节点
  • 跨目录运行时（G3 作为项目、O2/C0 作为技能），必须显式设置 G3_DEBATE_DIR 指向同一目录，否则治理回环断裂
  • 需要 Python 3.8+，但零外部依赖

使用场景

  • 运营搭建内容流水线，串联大纲、写作、校对、发布七个环节并自动存档。
  • 数据工程师处理ETL，定义抽取、转换、校验节点，在异常时回跳重试。
  • 合规团队运行审批流，涉及外部API和数据删除的步骤自动挂起等待人工确认。
  • 治理团队用校验、监控、接地节点，控制LLM输出并检测目标漂移与成本超支。

适合人员

  • 需要把重复性内容生产变成稳定流水线的运营和编辑。
  • 要把ETL流程变得可审计、可恢复的数据工程师。
  • 在自动化中要求人工审批和合规留痕的团队负责人。
  • 构建Agent工作流并需要执行确定性保障的平台开发者。