Agent Platform：開源 AI Workflow Control Plane 深度解析（一）

TL;DR Agent Platform 把 AI agent 從「空白聊天視窗」升級為「可定義、可版本化、可觀測、可驗證、可改進」的結構化工作流平台，內建 Deep Research seed flow 示範完整閉環。

#ai-agent #workflow #control-plane #cloudflare #agent-platform #architecture

TL;DR
為什麼需要另一個 AI Agent 平台？
產品定位一句話
系統分層全景
1. Cloudflare-first 部署拓撲
8 大指令面（Command Surface）
核心資料模型速覽
Deep Research Seed Flow：展示完整閉環
設計哲學：為什麼這樣切？
快速上手（本機 5 分鐘）
系列文章規劃
參考資料

🌏 English version

tags: ["ai-agent", "workflow", "control-plane", "cloudflare", "agent-platform", "system-architecture"]

TL;DR

Agent Platform 是 開源 AI Workflow Control Plane，而非另一個 chatbot 框架。它提供 8 大指令面（Define → Configure → Run → Observe → Control → Verify → Produce → Improve），讓你把「高價值知識工作」轉成可控、可審計、可重跑的 flow。架構採 Cloudflare-first 部署（Workers + D1 + KV + R2 + Vectorize + Queues + Workflows + Durable Objects），本機 npm run dev 即可跑完整 demo。Deep Research 為內建 seed flow，展示從規劃、搜尋、抽取證據、綜合、驗證到產出報告的完整循環。

為什麼需要另一個 AI Agent 平台？

市面上不缺 agent 框架：LangGraph、AutoGen、CrewAI、OpenAI Agents SDK、Vercel AI SDK……但它們多半解決的是**「怎麼讓模型呼叫工具」，而非「怎麼在生產環境可控地跑多步驟知識工作」**。

真實痛點在於：

傳統框架關注點	生產環境真正需要
單輪/多輪對話	版本化 flow、checkpoint、resume/retry-step
工具呼叫	Provider fallback、budget guard、human approval gate
Prompt engineering	Evidence store、citation tracking、artifact versioning
紀錄 log	結構化 trace、cost/latency/token 衍生指標、quality gate
單一 run	Evaluation suite、learning loop、regression prevention

Agent Platform 的定位很精確：Flow 是產品根資源，Run 是 flow version 的執行實例。你不會在平台裡「跟 AI 聊天」，而是定義 flow → 配置 provider/policy/skill → 執行 run → 觀測證據與產物 → 從結果改進下一版 flow。

產品定位一句話

Open-source AI workflow control plane for creating, versioning, running, observing, and verifying auditable agent flows.

中文版：

一個可配置的 AI Agent 工作流平台，統一管理 flows、模型、工具、資料來源、執行策略、驗證機制、證據與最終產物。

三個核心判斷：

Flow-first, not chatbot-first — 先用可控流程，再逐步加入 autonomy
Command surface is MVP — 8 大指令從 day one 就可呼叫，不是事後補上的 admin panel
Local-first DX — git clone && pnpm install && npm run dev 跑完整 demo，零雲端資源依賴

系統分層全景

Web UI
  ↓
Flow Definition Layer
  ↓
Skill System
  ↓
Learning Loop
  ↓
Evaluation System
  ↓
Observability System
  ↓
Policy Engine
  ↓
Context Management
  ↓
Memory System
  ↓
Runtime Controls
  ↓
AI Agent Harness
  ↓
MCP / Provider Router / A2A Adapter
  ↓
Evidence / Audit Store
  ↓
Artifact System

每一層都有獨立 spec（見 openspec/specs/），各層透過明確契約溝通，不是把所有邏輯塞進單一 orchestrator。

Cloudflare-first 部署拓撲

正式環境不跑 Node 長程序，而是映射到 Cloudflare 原生服務：

平台能力	Cloudflare 服務	責任
Web console	Workers Assets	服務 React + Vite 靜態管理介面
API gateway	Workers	`/api/health`、`/api/flows`、`/api/runs`、auth/policy/provider routing
Durable execution state	Durable Objects	每個 run 一個 coordinator，單一寫入者 + 即時狀態
Durable flow execution	Workflows	flow step execution、pause/resume、retry、step status
Background jobs	Queues	eval、artifact export、provider health、非阻塞 retry
Relational contract	D1	既有 migrations schema
Large output	R2	report、evidence bundle、step output、proposal diff
Fast state/cache	KV	session、idempotency、provider health、UI run snapshot
Native model option	Workers AI	provider router 可選的 LLM provider 之一

本機開發用 Node 模擬同樣介面，packages/runtime 同時支援兩種 runtime。

8 大指令面（Command Surface）

這是 Agent Platform 與其他框架最大不同：每個指令都是第一公民 API，不是事後補上的管理功能。

指令	核心動作	API 入口
Define	建立/複製/編輯 flow draft、驗證、發布不可變版本	`POST /api/flows`、`POST /api/flows/:id/versions`
Configure	新增/測試/停用 providers、版本化 policies、安裝/eval skills、綁定到 steps	`POST /api/providers`、`/api/policies`、`/api/skills`
Run	從特定 flow version + preset 啟動 run（含輸入驗證）	`POST /api/flows/:id/runs`
Observe	Timeline、step 詳情、provider/tool 調用、成本、延遲、tokens、context 快照	`GET /api/runs/:id/observability`
Control	取消、恢復、重試單一 step、外部寫入需人工核准	`POST /api/runs/:id/cancel\|retry-step`
Verify	審閱 evidence、claims、citations、confidence、conflicts；approve/reject	`GET /api/runs/:id/evidence/:index`
Produce	產生 Markdown 報告、JSON evidence bundles；版本化、重新產生、匯出	`GET /api/runs/:id/artifacts/:id`
Improve	從 runs 產生 eval cases、skill proposals、policy suggestions、memory proposals	`GET /api/improvements`

Web UI 的每個頁面都對應一個指令，不是單純的 CRUD 列表頁。

核心資料模型速覽

Flow 族群

Flow → FlowVersion → FlowInputSchema
FlowStep → FlowEdge → FlowPreset → ArtifactSchema

Flow 狀態：draft（可編輯）→ published（不可變，供正式 run）→ archived（保留審計軌跡）
Run 必須綁定具體 flow_id + flow_version_id，保證可重現

Skill 族群

Skill → SkillVersion → SkillFile → SkillBinding → SkillInvocation
SkillPermission → SkillEval → SkillEvalRun

技能包結構：skill.yaml（metadata/版本/權限/eval）+ SKILL.md（執行指令）+ references/ scripts/ assets/ evals/
FlowStep 用 uses: citation-extractor@1.0.0 顯式綁定，不依賴模型自行決定載入哪個 skill

Provider / Tool 族群

Provider (LLM/Search/Reader/Knowledge/Action/Verifier)
MCP Server → MCP Tool → ToolInvocation

Groundlane MCP server 提供 web_search、web_fetch、web_extract，12 search adapters、RRF fusion、預算控制
Step-local tool selection：只暴露 flow/skill/policy 允許的工具子集

Policy 族群

Policy → PolicyVersion → Guard (input/tool/output/budget) → ApprovalGate → LoopProtection

預算、allow/deny list、guardrails、human approval、escalation 都是配置而非硬編碼

Observability / Evidence / Artifact 族群

FlowRun → StepRun → SkillInvocation → ProviderCall → ToolInvocation
EvidenceItem (claim ↔ source ↔ excerpt ↔ citation ↔ confidence ↔ conflict)
ArtifactVersion (markdown_report, evidence_bundle, ...)

結構化 trace 階層，支援 claim-to-source 追溯
Artifact 版本化，支援 approve/reject/regenerate/export

Deep Research Seed Flow：展示完整閉環

內建的 Deep Research flow 不是 demo toy，而是驗證整個 runtime contract 的 reference implementation：

id: deep_research
steps:
  - clarify          # agent: 澄清研究範圍
  - build_brief      # transform: 產出 research brief
  - plan             # agent: 規劃搜尋策略
  - search           # tool_group: 多 provider 搜尋
  - rank_sources     # agent: 來源排序去重
  - read_sources     # tool_group: 讀取全文
  - extract_evidence # agent: 抽取 claims + citations
  - synthesize       # agent: 綜合生成報告草稿
  - verify           # verifier: 檢查 evidence coverage
  - export           # artifact: 產出 markdown + JSON bundle
edges:
  - verify → search (condition: coverage_insufficient)  # 回圈補強
  - verify → export (condition: passed)

Preset 三檔：Quick（低成本、快速）→ Standard（平衡）→ Deep（高覆蓋、多輪驗證）

無 API key 時跑 deterministic offline mode（讀 fixtures/local-research-sources.json），仍產出完整 evidence、artifact、trace——適合 CI/CD、評估、離線開發。

設計哲學：為什麼這樣切？

1. Flow ≠ DAG Builder v1

第一版 flow editor 用結構化表單 + schema/YAML 檢視，不做拖拉式 visual DAG。理由：

工程級 schema 需要精確控制（input validation、preset binding、policy ref）
Visual builder 容易產生「看起來通但跑不動」的流程
Curated flows 作為可複製模板，比空白畫布更有引導性

2. Skill ≠ MCP Tool ≠ A2A

概念	責任	例子
Flow	任務編排（什麼步驟、怎麼串）	Deep Research
Skill	能力包/方法論（怎麼穩定完成某類工作）	citation-extractor
MCP	工具與資料源連接（統一介面）	web_search, browser.fetch
A2A	外部 agent 委派協議	將步驟委派給其他平台的 agent
Policy	成本、權限、驗證、人類審核	max_cost_usd, approval_gate

Skill 採 progressive disclosure：

Level 1: skill.yaml 永遠可掃描，router 判斷 relevance
Level 2: SKILL.md 只有 step 確認使用時才載入
Level 3: references/scripts/assets 執行需要時才載入

3. Learning Loop：Agent 提案，人類審核

Agent can propose learning, but production knowledge requires eval and human approval.

學習訊號來源：user_correction、run_failed_then_succeeded、step_retry_succeeded、verifier_failure、cost_outlier、provider_failure…

輸出四類可審核提案：

MemoryUpdate — 小型偏好/慣例
SkillProposal — 新 skill 或既有 skill 修改
PolicySuggestion — provider fallback 調整、tool 限制、approval gate
EvalCase — 真實失敗案例轉 regression test

流程：run completed → learning candidate detector → trace summarizer → proposal → human review → sandbox eval → publish。

4. Evaluation 是品質閘門，不是事後統計

Eval 類型完整覆蓋：Flow/Step/Skill/Artifact/Evidence/Policy/Regression。三種執行時機：Pre-run 驗證 binding、In-run step boundary 驗證、Post-run artifact/evidence/trajectory 評估。

Skill 發布 gate：draft → trigger eval → functional eval → policy eval → regression eval → human review → publish。失敗即阻擋發布。

快速上手（本機 5 分鐘）

git clone https://github.com/agent-platform/agent-platform.git
cd agent-platform
pnpm install
cp .dev.vars.example .dev.vars   # 選填：加入 provider keys
npm run dev
# → http://127.0.0.1:8787

開啟 Web UI → Run 分頁
選 Deep Research → preset Standard
輸入主題（例如：「agent memory systems comparison」）→ Start run
觀看 streaming timeline → 完成後開啟 Evidence / Artifacts

無 provider key 時自動用 fixtures 跑離線模式，完整體驗不缺步驟。

系列文章規劃

本文為系列第一篇，後續深入各子系統：

篇次	主題	核心內容
二	Flow Runtime & Versioning	FlowVersion 不變性、step DAG、checkpoint/resume/retry-step、preset 機制
三	Skill System & Learning Loop	skill.yaml/SKILL.md、explicit binding、invocation tracking、learning signal → proposal → eval → publish
四	Provider Router & MCP Integration	Groundlane MCP、12 search adapters、RRF fusion、fallback chain、step-local tool selection
五	Policy Engine & Runtime Guards	Budget/allow-deny/guardrails、human approval、loop protection、escalation records
六	Observability, Evidence & Artifacts	結構化 trace、evidence store（claim↔source）、artifact versioning、export
七	Evaluation & Quality Gates	Eval suite/case、quality gate、regression prevention、skill 發布阻擋機制
八	Context/Memory & Cloudflare Deployment	ContextSnapshot、budget allocation、procedural/episodic/semantic memory、wrangler 部署實戰

參考資料

Agent Platform GitHub Repo
Agent Platform README
Agent Gateway 規劃文件
OpenSpec Specs — 7 大能力規格
Groundlane MCP Server — 搜尋/讀取/抽取統一介面
free-llm-models — 免費模型驗證清單

Agent Platform：開源 AI Workflow Control Plane 深度解析（一）— 架構與定位