我非常激动地开源了 Active Graph：一个为长时间运行智能体设计的事件溯源响应式图运行时。

事件/日志投射出图结构。响应式行为对图进行反应和影响。支持分支与差异（fork-and-diff）的智能体运行。没有 A2A，没有工作流，没有 DAG。

网站：http://activegraph.ai
文档：http://docs.activegraph.ai
GitHub：https://github.com/yoheinakajima/activegraph…
快速开始：pip install activegraph

这是智能体架构新范式的早期实验。

activegraph — 可审计的智能体

来源：https://activegraph.ai/
v1.0 · 开源 MIT · Python 3.11+

为长时间运行智能体提供连续性。

BabyAGI 让智能体任务持久化。activegraph 让整个运行现实持久化——系统相信什么、正在做什么、什么依赖什么、什么已被证明、什么已过时、什么已获批、以及为什么。

一个响应式、事件溯源图运行时，为长时间运行智能体提供可行动、可分支、可对比、可解释的共享世界。

来自 Yohei Nakajima（https://x.com/yoheinakajima），BabyAGI（2023）的创造者。activegraph 是多年智能体基础设施工作始终指向的架构答案。

relation_behavior

差异化的原语。 协调逻辑位于连接边上——意义所在之处，而非在每个可能发出相关事件的节点上重复。

runtime.fork(at_event=…)

分支运行。共享前缀从缓存重放。分支不会为已支付的 LLM 调用再次付费。

获取启动更新

关于 activegraph 模型的启动说明与深度探讨。

无垃圾邮件。随时退订。

在智能体栈中的位置

一个新层，而非竞争性框架。

智能体基础设施逐层发展。每一层都改进了循环。但没有一层给智能体一个可行动的世界。

这正是 activegraph 填补的层。工作流模型化计算。activegraph 模型化计算所作用的世界。记忆回忆对话。activegraph 持有信念、证据、矛盾、决策及其谱系。

你带来模型和循环。activegraph 为它们提供状态。

1. 模型 Claude, GPT, Llama——推理基础。
2. 循环 LangChain, OpenAI Agents SDK——模型排序。
3. 工作流 Temporal, Inngest, DBOS——持久化编排。
4. 状态——这一层：activegraph——智能体行动世界的连续性。
5. 记忆 Letta, Mem0, Zep——对话回忆。
6. 智能体 多智能体框架、规划器、评估器——角色与目标编排。

只有 activegraph 能做的事

循环不会给你的三个原语。

立即尝试

捆绑的 Diligence 包对录制的固定测试样例运行。

无需 API 密钥。无需配置。字节级确定性输出。观看一个 diligence 运行在 10 秒内增长：三家公司。声明、证据、矛盾、风险、备忘录。可分支。可检查。可重放。

这不是框架的 “Hello World”。这是架构设计所用的用例。

随 activegraph==1.0.0 发布。捆绑固定测试样例无需 API 密钥。

示例 · BabyAGI，重写

BabyAGI 作为活动图。

原始 BabyAGI（Nakajima, 2023）是一个 while-true 循环，包含三个步骤：执行当前任务、针对目标总结、生成后续任务。状态存在于全局列表中。

这次重写将同一循环表达为基于共享图的响应式行为。循环就是事件传播。图就是状态。 每一步都是一个订阅，而非函数调用；轨迹记录每一次变更，并在运行后可查询。

这是 OSS 仓库中一个可下载并自行运行的示例——不是捆绑包。三个行为：initializer → executor → task_creator，通过事件连接。

三个行为。图自身排队；事件日志即顺序；空后续列表终止循环。