固定顺序调用#

在按 Python 中硬编码的顺序调用多个子函数的同时，（可选地）调用 LLM。

适用场景#

• 研究流水线：调研 → 找差距 → 生成想法
• 论文流水线：起草 → 评审 → 修改
• 数据流水线：采集 → 清洗 → 分析
• 任何步骤顺序事先已知的多步任务

设计要点#

• 编排函数写成普通的 Agent method
• 按固定顺序调用多个子 Agent method
• llm() 是可选的：可以跳过它（纯链式调用），也可以多次调用它 （每次调用都会创建一个 llm 子节点）
• 数据通过普通 Python 变量在子函数之间流动
• 子 method 沿用调用方的 Runtime，步骤之间不传 runtime 参数
• 一个函数既可以多次调用 llm()，也可以调用任意多个其他 Agent method

示例：不调用 LLM，纯链式调用#

from openprogram import Agent
from openprogram.agentic_programming import llm

class ExampleAgent(Agent):
    method_options = {
        'research_pipeline': {'tool': True, 'input': {'task': {'description': 'Research topic.'}}},
    }

    def research_pipeline(self, task: str) -> dict:
        """Run the full research pipeline: survey, find gaps, generate ideas."""
        survey = survey_topic(topic=task)
        gaps = identify_gaps(survey=survey)
        ideas = generate_ideas(gaps=gaps)

        return {"survey": survey, "gaps": gaps, "ideas": ideas}

_example_agent = ExampleAgent()
research_pipeline = _example_agent.research_pipeline

示例：用一次 llm() 调用做汇总#

from openprogram import Agent
from openprogram.agentic_programming import llm

class ExampleAgent(Agent):
    method_options = {
        'research_pipeline': {'tool': True, 'input': {'task': {'description': 'Research topic.'}}},
    }

    def research_pipeline(self, task: str) -> str:
        """Run the full research pipeline and summarise the results."""
        survey = survey_topic(topic=task)
        gaps = identify_gaps(survey=survey)
        ideas = generate_ideas(gaps=gaps)

        return llm([
            {"type": "text", "text": (
                f"Survey:\n{survey}\n\n"
                f"Gaps:\n{gaps}\n\n"
                f"Ideas:\n{ideas}"
            )},
        ])

_example_agent = ExampleAgent()
research_pipeline = _example_agent.research_pipeline

会话 DAG#

每次调用是一个节点；caller 边指向编排函数：

research_pipeline
├── survey_topic       ← step 1
├── identify_gaps      ← step 2
└── generate_ideas     ← step 3

在步骤之间传递数据#

子函数通过 Python 变量彼此交接数据 —— 不涉及任何 LLM：

survey = survey_topic(topic=task)
gaps = identify_gaps(survey=survey)

survey_topic 的返回值直接作为 identify_gaps 的输入参数传入。

在步骤之间插入 Python 处理逻辑#

survey = survey_topic(topic=task)

# 中间穿插普通的 Python 处理
key_points = extract_key_points(survey)
filtered = [p for p in key_points if p["relevance"] > 0.5]

gaps = identify_gaps(survey="\n".join(filtered))

错误处理#

主要机制是异常传播：当子函数抛出异常时，其 DAG 节点会以 status='error' 记录，异常重新抛回到编排器中。在那里用普通的 try/except 捕获它：

try:
    survey = survey_topic(topic=task)
except Exception as e:
    return {"error": f"Survey failed: {e}"}

gaps = identify_gaps(survey=survey)

或者，如果子函数以带内方式上报失败（返回错误字符串而非抛出异常）， 则检查其返回值：

survey = survey_topic(topic=task)
if not survey or "error" in survey.lower():
    return {"error": "Survey failed", "survey": survey}

gaps = identify_gaps(survey=survey)

与“由 LLM 选择调用”的对比#