Self-Programmed Agentic Workflow

agent 自己把任务写成一个真正的 Python 程序，再由框架执行。程序用框架的积木 （注册的 agentic function、自由 agent 调用）组合而成，控制流就是 Python 本身的控制流。 运行模型和人写代码一样：整个程序一次跑完；报错就看报错、改代码、整个重跑， 已完成的调用直接用上次结果，效果上从出错处继续。入口是内置 agentic function run_task_list。

1. 全流程

2. 生成的程序长什么样

planner 产出的是一个普通 Python 模块，入口 workflow()，组合就是函数互调， 控制流就是 Python 的控制流。程序里的 LLM 原语是单次请求的 llm() 与自主工具循环的 agent()。 "让模型想/写一段"和"让一个 agent 动手干活"是同一个调用，区别只在 agent_id 选的 profile 带不带工具：

def find_issues() -> str:
    return agent(
        "审查 openprogram/auth/ 的代码，逐文件检查错误处理与并发安全，"
        "输出问题清单，按 HIGH / MEDIUM / LOW 分级，每条带文件路径与行号。",
        description="find issues")


def workflow() -> str:
    findings = find_issues()
    if "HIGH" in findings:
        agent("按清单修复 HIGH 级问题，改完跑通相关测试：" + findings,
              description="fix auth")          # 干活的 agent，profile 带工具
        checks = run_tests()                    # 注册表里的 agentic function 直接调
        if "failed" in checks:
            raise RuntimeError("修复后测试仍失败：" + checks)
    return agent("汇总以上结果写报告", description="report")

可用的积木由框架在 exec 时注入，程序里禁止 import：

3. 断点续跑：整个程序重跑，调用回放

没有"记录几个点、完成的打勾"的调度逻辑。续跑就是把 workflow() 从第一行重新执行一遍， 唯一的机制是调用边界的短路：state.json 里已 completed 的调用（同名、同次序、同参数摘要）， 不真正执行，直接返回上次的结果。于是重跑时程序飞速掠过做完的部分， 到第一个没做完的调用才真正干活——控制流每次都是完整走的（if 重新判断、for 重新循环）， 恢复的只是昂贵调用的结果。

4. 出错后的修订：改代码，重跑

程序抛异常——语法错、积木调用失败、planner 自己写的检查 raise——处理方式和开发者一样： planner 拿到异常栈、当前代码和 state.json 里的运行记录，重写 code.py（改错的那段、拆步骤、 补前置，随它），然后整个程序重跑。没改动的已完成调用照旧回放，所以修订不推翻已完成的工作。 旧版代码留档在实例目录里，修订历史进返回值的 revisions。校验不过、修完还错， 都是打回 planner 再改——改到能跑为止，运行的强制停止只有 capped 一种。

5. 与现有机制的关系

6. 边界与取舍

实现状态