1. 项目简介

DataFlow-Agent 是一个围绕「数据流 / 工作流」构建的智能 Agent 框架，目标是：

• 把复杂的自然语言任务拆分为一系列可组合的 Node / Tool / Workflow；
• 通过统一的 BaseAgent 抽象与多种执行模式（Simple / ReAct / Graph / VLM），让 Agent 能够在不同场景下稳定地执行任务；
• 支撑上层的 Gradio 前端、流水线编排、图式工作流等多种使用方式。

整体架构围绕以下几个核心层次展开：

• Agent 层 (dataflow_agent.agentroles)：具体的智能角色，例如 Classifier、PipelineBuilder、Writer、Recommender 等，每个角色都是 BaseAgent 的子类。
• 执行核心层 (dataflow_agent.agentroles.cores)：统一的 Agent 配置与执行策略（configs.py + strategies.py），为 Agent 提供 Simple / ReAct / Graph / VLM 多种执行模式。
• LLM & Parser 层 (dataflow_agent.llm_callers, dataflow_agent.parsers)：屏蔽具体模型与返回格式差异，支持文本与多模态（视觉语言）调用，并通过统一的解析器解析 LLM 输出。
• Tool & Workflow 层 (dataflow_agent.toolkits, dataflow_agent.workflow)：定义各类工具和流水线工作流，将复杂任务拆解成可复用组件。
• State & Prompt 层 (dataflow_agent.state, dataflow_agent.promptstemplates)：统一请求/中间状态表示，通过模板化 prompt 生成系统提示与任务提示，并管理对话历史。

2.架构设计原则

1. 模块化设计

• 职责分离: 每个组件专注于单一职责，如Agent负责任务执行，State负责状态管理
• 插件化架构: 支持Agent、Workflow、Tool的插件式注册和动态加载
• 接口抽象: 通过抽象基类定义标准接口，确保组件间的松耦合

2. 状态驱动

• 统一状态管理: 所有流程基于状态对象进行数据传递和状态维护
• 类型安全: 使用dataclass和类型注解确保状态数据的类型安全
• 任务专用状态: 针对不同任务类型提供专用的状态类扩展

3. 策略模式

• 执行策略抽象: 支持多种执行模式（Simple、ReAct、Graph、VLM）
• 策略工厂: 动态创建和切换执行策略
• 配置驱动: 通过配置对象控制策略行为

4. 可扩展性

• 装饰器注册: 使用装饰器简化组件注册流程
• 自动发现: 通过__init_subclass__实现组件的自动注册
• 模板系统: 提供代码生成模板，简化新组件开发

3. Agent系统 (agentroles/)

BaseAgent 核心架构

class BaseAgent(ABC):
    # 自动注册机制
    def __init_subclass__(cls, **kwargs):
        # 自动注册到AgentRegistry
        pass
    
    # 策略模式支持
    def __init__(self, execution_config: Optional[Any] = None):
        if execution_config:
            self._execution_strategy = StrategyFactory.create(
                execution_config.mode.value, self, execution_config
            )

执行模式支持

1. Simple模式: 单次LLM调用，简单直接
2. ReAct模式: 带验证的循环执行，确保输出质量
3. Graph模式: 子图+工具调用，支持复杂交互
4. VLM模式: 视觉语言模型专用处理

Agent-as-Tool 功能

• 工具包装: 将Agent包装成可调用工具
• 参数映射: 自动处理工具参数到Agent参数的映射
• 结果提取: 从状态中提取工具执行结果