这是一个有效的工作流程管道吗(ruflo)
摘要
Ruflo管道是一个用于AI辅助软件开发的多阶段工作流程,集成了规划、代码编写、验证、同行评审和持续学习,使用各种AI模型。
任务/问题 ▼ [规划] Fable 5(主导)│ 启动生成只读调查子代理(agent_spawn)以探索 │ 受影响的模块、依赖关系、先前相关变更 │ 输出:子任务、文件列表、风险等级、验收标准 ▼ [编写] GPT-5.6 Sol(主导,通过Codex)│ 将计划分解为每个文件/模块的子任务 │ 启动Sol子代理,每个子任务一个,各自在其工作树中 │ 每个子代理在报告前自验证(编译、自有单元测试) │ Sol将子代理的差异集成成一个连贯的差异,解决冲突 │ (单文件低风险任务:Sol直接编写,无分支) ▼ [快速检查] Opus 5(主导)│ 并行启动生成检查子代理:完整测试套件、lint/类型检查、 │ 差异匹配计划验证、基本安全模式扫描 │ 聚合为一个通过/失败 │ 失败 → 返回编写(最多重试2次,然后升级给人类) ▼ 通过 [风险门] 来自Fable 5的计划 │ (任何在编写中触发子代理分支的任务自动标记为至少中等风险 —— 更多可移动部分,更多可能出错在Sol自身的集成步骤中) ├─ 低风险 ──────────────────► 自动合并,记录结果,完成 └─ 中/高风险 ▼ [投票] 3个独立同行,并行,彼此盲评直到全部报告: • Opus 5 — 机械/正确性 • Qwen 3.8 — 架构/安全性/计划忠实度 • Sonnet 5 — 快速独立第二意见 ├─ 全票/3票中2票赞成 ──► 自动合并(仅限中等风险) └─ 任何异议,或高风险 ──► 人类审查,总是 ▼ [学习] 每个结果,现在以子代理粒度:哪个特定子任务/模块需要返工,而不仅仅是哪个任务 → Ruflo memory_store → 反馈到规划(风险标记)和编写(Sol直接处理 vs. 升级哪些模块)任务/问题
相似文章
buildpipe
Buildpipe 是一个用于组合、运行和自动化多步骤 AI 开发者工作流的工具。
DataFlow:面向数据为中心AI时代的统一数据准备与工作流自动化的LLM驱动框架
DataFlow是一个LLM驱动的框架,用于自动化数据准备和工作流工程,具备近200个可复用算子和六个领域通用流程,可在数学、代码和Text-to-SQL等任务上提升LLM性能。
每月110美元的自优化流水线(5分钟阅读)
一位开发者分享了他们每月110美元的自动化流水线,该流水线使用Claude AI对GitHub issue进行分类、分解、实现和测试,在两周内完成了27次合并,且故障极少。
一个使用AI证明器的Rust到Lean验证流水线:经验报告
本文报告了一个验证流水线的经验,该流水线使用AI证明器(Aristotle和Aleph)结合符号提取工具和形式化密码学库,为Lean 4中的Rust密码学代码生成机器检查的正确性证明,并提供了来自以太坊基金会zkEVM项目的案例研究。
@gp_pulipaka: Perplexity 的 Bumblebee Pipeline!@perplexity_ai #BigData #Analytics #DataScience #AI #MachineLearning #NLProc #LLM #IoT…
Perplexity AI 宣布推出 Bumblebee Pipeline,这是一个用于大数据和 AI 工作流的工具,由知名 AI 影响者 gp_pulipaka 分享。