理念

AI 智能体领域分化成了两个阵营，而且双方都选了相对容易的路。传统工作流引擎——Dify、n8n、Coze——选择了静态编排：用可视化拖拽流程图定义固定的执行路径。这并非因为无知；企业客户需要确定性 (相同输入、稳定输出) ，而静态图正好能满足这一点。另一个极端则是完全自主的智能体 (AutoGPT 及其衍生项目) ，它们曾承诺端到端自治，但事实证明并不实用：任务拆解不可靠、令牌成本失控，而且其行为既难以预测，也难以调试。 真正的最佳平衡点虽然狭窄，但确实存在。简单任务不需要规划器。复杂到需要数十个相互依赖步骤的任务，又会让当前的 LLM 难以胜任。但在这两者之间，存在一大类问题——这些任务包含清晰、可并行的子任务，手工硬编码过于繁琐，但又仍在 LLM 可拆解的能力范围内。动态 DAG 规划瞄准的正是这一区间：由模型在运行时提出执行图，框架负责校验其结构，并以最大并发度执行。没有拖拽式编排，也没有 YOLO 式的完全自治。 每隔几个月，底层基础都会发生变化——GPT-4、函数调用、Claude 3、MCP 协议。在不断变化的基础上构建僵化的抽象层是有风险的；LangChain 的过度抽象，就是这个领域里所有人都已牢记的前车之鉴。FIM Agent 采取了相反的路径：最少抽象，最大扩展性。框架负责编排、并发和可观测性。智能来自模型，而模型还在持续变强。 如今，对于非简单目标，LLM 的任务分解准确率大约在 70-80%。当这一数字达到 90%+ 时，动态规划的“最佳平衡点”将大幅扩展——昨天还过于复杂的问题，明天就会变得可解。FIM Agent 的 DAG 框架正是为了承接这种不断扩大的价值，而无需重写底层基础设施。 ReAct 不会消失——它会下沉到模型内部。打个比方：你不会手写 TCP 握手，但 TCP 并没有消失；它只是被吸收到操作系统里了。当模型足够强大时，think-act-observe 循环会变成模型内部的隐式行为，而不再是显式的框架代码。这种情况已经在发生：Claude Code 本质上就是一个 ReAct 智能体，只不过这个循环是由模型自身驱动，而不是由外部编排器驱动。 DAG 规划的长期价值不在于“帮助不够聪明的模型拆解任务”——而在于并发调度。即使模型能力无限强，物理规律仍然会带来延迟：串行的 10 次 LLM 调用，耗时会是 3 轮并行执行的 10 倍。DAG 是一个工程问题 (如何让事情运行得更快、更可靠) ，而不是一个智能问题 (如何决定运行什么) 。重试逻辑、成本控制、超时管理、可观测性——这些都不会因为模型变得更聪明而消失。 最终形态是：模型负责”做什么” (规划智能内化到模型中) ，框架负责”怎么做” (并发、重试、监控、成本治理)。框架的长期价值不在于智能——而在于治理。 一个很自然的问题是：如果 DAG 已经覆盖了灵活场景，我们是否也应该为确定性场景构建一个静态工作流编辑器？ 不。原因如下：

1. 这些工作流本来就已经存在于别处。 政府和企业客户的固定流程本就运行在他们的 OA、ERP 和遗留系统中。他们不想再到另一个平台里重建这些流程——他们想要的是能连接这些现有运行系统的 AI。连接器平台 (v0.6) 正是直接解决这个问题的。
2. 现有能力本身就可以组合成固定流水线。 计划任务 (v1.0) 用固定提示词触发一个 DAG 智能体；DAG 动态规划步骤；连接器 (v0.6) 负责连接目标系统。这种组合本质上等同于静态流水线——但灵活性更高，因为 LLM 可以根据遇到的数据动态调整计划。不需要额外再造一套流水线 DSL。
3. 投入与收益不匹配。 一个达到生产级质量的可视化工作流编辑器 (画布、节点类型、变量传递、调试/回放) ，需要数月的专门投入。而最终产物，不过是对 Dify 那个已有 120K Star 社区持续维护的产品做一个低保真复制。这些投入更应该放在连接器架构上——这是竞争对手都不具备的能力。

战略上的押注是：不在工作流可视化上竞争；而是竞争成为系统与 AI 汇聚的枢纽。让 Dify 占据“以可视化方式构建 AI 工作流”这一位置。FIM Agent 占据“你的系统与 AI 汇聚的枢纽”这一位置。 FIM Agent 既不是“AGI 任务调度器”，也不是静态工作流引擎。它位于中间地带：在约束下进行规划，支持并发执行，并具备可观测性。

• 与 Dify 相比：更灵活——在运行时生成 DAG，而不是在设计时绘制流程图。你无需预先设想每一条执行路径。它并不与其在可视化工作流编辑上竞争；它的竞争点在于遗留系统集成。
• 与 AutoGPT 相比：更可控——迭代次数有上限、重新规划次数受限，并且路线图中包含人工参与机制。在护栏范围内实现自主性。

这一战略很明确：现在先构建编排框架，再让不断进步的模型随着时间推移为其持续注入能力。 AI 执行版图可沿两个维度来理解——计划如何生成 (静态 vs 动态) ，以及如何执行 (刚性 vs 自适应) ： 为什么 Dify/n8n 属于静态规划 + 静态执行：DAG 由人在设计阶段通过可视化画布绘制。每个节点执行固定操作 (带固定提示词的 LLM 调用、HTTP 请求、代码块) 。运行时不存在重新规划——如果某一步失败，工作流就会失败，或走向预先配置好的错误分支。从结构上看，这与 BPM 本质上相同，只是图中加入了 AI 节点。 FIM Agent 的定位：动态规划 + 动态执行

• DAG 拓扑由 LLM 在运行时生成 (动态规划) ——无需人工设计图结构
• 每个 DAG 节点运行一个完整的 ReAct 循环 (动态执行) ——节点会进行推理、使用工具并动态适应
• 重新规划机制 (执行 → 分析 → 若未满足则重新规划)
• 但有边界约束：最多 3 轮重新规划、令牌预算、人工确认门

这使 FIM Agent 与 AutoGPT 处于同一象限，但通过工程约束防止行为失控。比 BPM/Dify 更灵活，比 AutoGPT 更可控。 对于不熟悉本文档术语的读者： 复杂业务流程 (审批链、转办、驳回、升级处理、会签、加签) 应由目标系统负责。这些系统经过多年演进，已经构建了这套逻辑——ERP、OA、合同管理系统等都具备成熟的状态机。 从连接器的视角看： 每一种复杂的工作流操作，最终都可以收敛为一个带参数的 HTTP 请求。FIM Agent 调用 API；状态机由目标系统管理。 这是有意划定的架构边界，而不是能力缺失。复制目标系统中已有的工作流逻辑会：

1. 带来维护负担 (需要让两个状态机保持同步)
2. 引入更多失败模式 (如果两者状态不一致怎么办？)
3. 不产生任何额外价值 (目标系统本来就能正确处理这些)

连接器模式在设计上刻意保持简单：一个操作 = 一次 API 调用。