本指南將示範如何使用 AIGNE 框架建構並執行循序工作流程。您將學習如何將多個 Agent 串聯在一起，其中一個 Agent 的輸出會成為下一個 Agent 的輸入，從而建立一個逐步處理的管線。此模式非常適合需要一系列明確、有序操作的任務。
總覽
循序工作流程會依照預定的順序處理任務。序列中的每個 Agent 都會執行特定的功能，並將其結果傳遞給後續的 Agent。這確保了可預測且受控的執行流程，類似於一條裝配線。
此範例建立了一個由三個 Agent 組成的簡單行銷內容生成管線：
概念提取器
分析產品描述，以識別關鍵功能、目標受眾和獨特的賣點。
文案撰寫器
使用提取出的概念來撰寫引人入勝的行銷文案。
格式校對器
透過修正文法、提高清晰度並確保最終輸出精煉來完善文案草稿。
資料會依照如下圖所示的嚴格順序流經這些 Agent。
flowchart LR
in(輸入)
out(輸出)
conceptExtractor(概念提取器)
writer(文案撰寫器)
formatProof(格式校對器)
in --> conceptExtractor --> writer --> formatProof --> out
classDef inputOutput fill:#f9f0ed,stroke:#debbae,stroke-width:2px,color:#b35b39,font-weight:bolder;
classDef processing fill:#F0F4EB,stroke:#C2D7A7,stroke-width:2px,color:#6B8F3C,font-weight:bolder;
class in inputOutput
class out inputOutput
class conceptExtractor processing
class writer processing
class formatProof processing先決條件
在執行範例之前，請確保您的開發環境符合以下要求：
- Node.js：20.0 或更高版本。
- npm：隨 Node.js 一併安裝。
- OpenAI API 金鑰：此範例中的模型互動需要此金鑰。您可以從 OpenAI Platform 取得。
快速入門
您可以使用 npx 直接執行此範例，無需進行本機安裝。
執行範例
在您的終端機中執行以下指令。
以預設的單次模式執行：
npx -y @aigne/example-workflow-sequential以互動式聊天模式執行：
npx -y @aigne/example-workflow-sequential --interactive您也可以將輸入直接透過管道傳遞給指令：
echo "Create marketing content for our new AI-powered fitness app" | npx -y @aigne/example-workflow-sequential連接 AI 模型
當您首次執行範例時，應用程式會偵測到尚未設定 AI 模型，並會提示您連接一個。
您有幾個選項可以繼續：
1. 透過官方 AIGNE Hub 連接（建議）
這是最直接的入門方法。新使用者會收到免費的試用代幣額度。
- 在提示中選擇第一個選項：
Connect to the Arcblock official AIGNE Hub。 - 您的預設網頁瀏覽器將會開啟一個新分頁，前往 AIGNE Hub 授權頁面。
- 依照螢幕上的指示核准連接。
2. 透過自行託管的 AIGNE Hub 連接
如果您自行營運 AIGNE Hub 實例，可以直接連接到它。
- 選擇第二個選項：
Connect to my own AIGNE Hub。 - 在終端機提示時，輸入您自行託管的 AIGNE Hub 實例的 URL。
3. 透過第三方模型提供者連接
您也可以直接連接到支援的第三方模型提供者，例如 OpenAI。這需要將相應的 API 金鑰設定為環境變數。對於 OpenAI，請匯出 OPENAI_API_KEY 變數：
設定 OpenAI API 金鑰
export OPENAI_API_KEY="YOUR_OPENAI_API_KEY"請將 "YOUR_OPENAI_API_KEY" 替換為您的實際金鑰。設定環境變數後，再次執行執行指令。有關設定其他提供者的詳細資訊，請參閱專案儲存庫中的 .env.local.example 檔案。
安裝（選用）
如果您偏好從本機複製的儲存庫執行範例，請依照以下步驟操作。
1. 複製儲存庫
git clone https://github.com/AIGNE-io/aigne-framework2. 安裝依賴套件
導覽至範例的目錄並使用 pnpm 安裝所需的套件。
cd aigne-framework/examples/workflow-sequential
pnpm install3. 執行範例
使用 pnpm start 指令來執行工作流程。
以單次模式執行：
pnpm start以互動式聊天模式執行（注意參數前的 --）：
pnpm start -- --interactive使用管道輸入：
echo "Create marketing content for our new AI-powered fitness app" | pnpm start命令列選項
此範例支援多個命令列參數以進行自訂：
| 參數 | 說明 | 預設值 |
|---|---|---|
--interactive | 以互動式聊天模式執行。 | 停用 |
--model <provider[:model]> | 指定要使用的 AI 模型（例如 openai 或 openai:gpt-4o-mini）。 | openai |
--temperature <value> | 設定模型生成的溫度。 | 提供者預設值 |
--top-p <value> | 設定 top-p 取樣值。 | 提供者預設值 |
--presence-penalty <value> | 設定存在懲罰值。 | 提供者預設值 |
--frequency-penalty <value> | 設定頻率懲罰值。 | 提供者預設值 |
--log-level <level> | 設定日誌記錄層級（ERROR、WARN、INFO、DEBUG、TRACE）。 | INFO |
--input, -i <input> | 直接以參數形式提供輸入。 | None |
程式碼範例
循序工作流程的核心邏輯定義在單一的 TypeScript 檔案中。它初始化了三個不同的 AIAgent 實例，並將它們組織在一個設定為循序執行的 TeamAgent 中。
sequential-workflow.ts
import { AIAgent, AIGNE, ProcessMode, TeamAgent } from "@aigne/core";
import { OpenAIChatModel } from "@aigne/core/models/openai-chat-model.js";
const { OPENAI_API_KEY } = process.env;
// 1. 初始化模型
const model = new OpenAIChatModel({
apiKey: OPENAI_API_KEY,
});
// 2. 定義序列中的第一個 Agent
const conceptExtractor = AIAgent.from({
instructions: `\
您是一位行銷分析師。根據產品描述，識別出：
- 關鍵功能
- 目標受眾
- 獨特賣點
產品描述：
{{product}}`,
outputKey: "concept",
});
// 3. 定義第二個 Agent
const writer = AIAgent.from({
instructions: `\
您是一位行銷文案撰寫員。根據一段描述功能、受眾和獨特賣點的文字，
撰寫一篇引人入勝的行銷文案（例如新聞通訊的一個章節），以突顯這些要點。
輸出應簡短（約 150 字），僅輸出文案作為單一文字區塊。
產品描述：
{{product}}
以下是關於該產品的資訊：
{{concept}}`,
outputKey: "draft",
});
// 4. 定義第三個 Agent
const formatProof = AIAgent.from({
instructions: `\
您是一位編輯。根據文案草稿，修正文法、提高清晰度、確保語氣一致，
進行格式化並使其精煉。將最終改進後的文案作為單一文字區塊輸出。
產品描述：
{{product}}
以下是關於該產品的資訊：
{{concept}}
文案草稿：
{{draft}}`,
outputKey: "content",
});
// 5. 初始化 AIGNE 實例
const aigne = new AIGNE({ model });
// 6. 建立一個 TeamAgent 來管理循序工作流程
const teamAgent = TeamAgent.from({
skills: [conceptExtractor, writer, formatProof],
mode: ProcessMode.sequential, // 這確保 Agent 會一個接一個地執行
});
// 7. 使用初始輸入來叫用工作流程
const result = await aigne.invoke(teamAgent, {
product: "AIGNE is a No-code Generative AI Apps Engine",
});
console.log(result);
/*
// 預期的輸出結構：
{
concept: "...", // conceptExtractor 的輸出
draft: "...", // writer 的輸出
content: "..." // formatProof 的輸出
}
*/此指令稿展示了以下關鍵步驟：
- 建立一個
OpenAIChatModel實例來處理與 LLM 的通訊。 - 定義了三個具有特定指示的
AIAgent實例（conceptExtractor、writer、formatProof）。每個 Agent 的outputKey決定了其結果儲存時所使用的鍵。 writerAgent 透過{{concept}}預留位置使用conceptExtractor的輸出。同樣地，formatProof使用{{concept}}和{{draft}}。- 設定一個
TeamAgent，並在其skills陣列中包含這三個 Agent。mode被設定為ProcessMode.sequential，這會指示團隊依照提供的順序執行這些 Agent。 - 最後，
aigne.invoke()啟動工作流程，並傳入初始的產品描述。最終結果是一個包含序列中所有 Agent 輸出的物件。
偵錯
若要監控和偵錯您的 Agent 執行過程，您可以使用 aigne observe 指令。此工具提供一個基於網頁的介面，用於檢查追蹤、檢視輸入和輸出，以及分析您工作流程的效能。
首先，在您的終端機中啟動觀察伺服器：
aigne observe伺服器將會啟動，您可以透過 http://localhost:7893 存取 UI。
執行您的工作流程後，執行追蹤將會出現在可觀察性介面中，讓您能夠詳細檢查序列中的每一步。
總結
本指南涵蓋了循序工作流程的設定與執行。透過定義一系列 Agent 並使用 TeamAgent 以循序模式來進行協調，您可以為複雜的任務建構強大的多步驟處理管線。
如需更進階的工作流程模式，請探索以下範例：