工作流编排

中央编排器通过事件流将任务分配给工作者智能体

采用基于事件的协调的多层级智能体层次结构

通过事件流实现的共享知识库，用于异步协作

通过投标/报价（bid/ask）事件市场实现的去中心化任务分配

具备治理、合规与审计能力的企业级协调

跨节点保持持久状态的基于图的工作流管理

通过结构化对话模式实现的多智能体协调

具有明确角色与职责的结构化智能体团队

为控制工作流而以图形式实现的有限状态机

独立参与者之间通过异步消息传递实现的协调

针对资源受限的边缘设备和移动环境优化 AI 工作流

在分布式边缘设备之间协调 AI 处理，同时保护数据隐私

根据可用的计算资源和约束动态调度 AI 任务

根据可用的资源和时间，逐步提升 AI 输出质量

在每一步都持久化工作流和智能体的状态，使长时间运行的任务在崩溃后能从最近的检查点恢复、在不重复已完成工作的情况下确定性地重放、为等待人工输入而暂停并恢复，并通过从更早的检查点分叉来实现时间回溯。以检查点为支撑的图引擎（如 LangGraph）以及 Temporal 式的持久化引擎，为可靠、长期运行、人在回路的智能体提供了底层支撑。

一种让智能体的副作用能够安全撤销的模式。将执行轨迹组织为一个 saga：每个前向操作（预订机票、扣款、创建记录）都配有一个补偿操作来撤销其业务影响，并通过幂等键使每个工具具备幂等性，从而让重试或回滚产生相同的最终状态，而不是重复执行。当某一步中途失败时，智能体会按相反的顺序对已完成的步骤执行补偿，而不是让系统停留在半应用的状态。跨服务并不存在自动的 ACID 回滚，因此补偿被明确设计为每个操作在逻辑上的逆操作。它与 `durable-execution` 不同：后者持久化并重放一次运行，使其在崩溃后能够继续直至完成；而本模式定义的是当“完成”不再是正确结果时，如何在语义上撤销已提交的副作用。