跳到主要内容

概要

1. 项目定位​

A2E（AI Agent Engine）是一个面向 AI 时代的软件工程执行引擎。它聚焦把“对话式意图”转化为“可执行工作流”，并保证流程在运行过程中具备可中断、可恢复、可追踪的工程能力。

当前版本定位为 Experimental：本文档聚焦呈现架构设计、工程落地与 AI 协作开发的方法与结果。

2. 核心思想​

A2E 的核心思想聚焦三点：

  • AI 驱动（主 Codex）：以主 Codex 作为核心协作入口，负责需求理解、工具调用与任务推进。
  • 工作流状态可控：将执行过程放入显式状态机与事件流，确保运行可观测、可中断、可恢复。
  • 应用自身 MCP 化：将应用能力以 MCP tools/resources 形式暴露，支持 AI 对系统进行标准化辅助操作。

在当前实验性阶段，执行能力优先围绕 AI 节点闭环，并通过审核机制处理高风险或高不确定决策，形成“自动执行 + 人工接管”的平衡。

3. 工作模式​

A2E 当前实现的工作模式可概括为一条受控执行链路：workflow -> run -> node_run -> review -> resume。系统以 agent.codex 与 human.review 两类节点构成最小闭环，并通过 Web、Server 与 MCP 三类入口协同完成编排、执行与人工介入。

当前工作模式可分为三个阶段：

  • 编排阶段：用户通过 Web 或 MCP 创建、编辑并保存工作流定义。Server 负责持久化 workflow、节点配置、AI 节点元数据与 contract，并准备运行目录与兼容层数据边界。
  • 执行阶段：当 workflow run 被触发后，Server 创建 run 与 node_run，并在 AI 节点中调用本地 codex exec 完成任务执行。执行过程持续写入事件、日志、产物与结构化输出，用于状态跟踪、结果收口与故障恢复。
  • 审核阶段：当执行结果需要人工确认，或流程进入 human.review 节点时，运行状态转为 paused 并生成 review request。审核决策完成后，可通过 resume 恢复流程推进。

对应的系统职责如下：

  • Web：提供工作流编辑、运行监控、审核处理与 Codex 交互入口。
  • Server：负责调度执行、状态持久化、事件流记录、审核协同与 AI 节点运行控制。
  • MCP：向 Codex 或其他 MCP Client 暴露工作流、运行、审核与 AI 节点相关工具接口。

4. 当前范围与边界​

当前实现的最小闭环：

  • Web 侧已提供主页、工作流列表与编辑、运行监控、审核列表、设置等核心页面入口。
  • Server 侧已提供工作流、运行、事件、审核、AI 节点运行与模板、Codex PTY 等 API 与服务模块。
  • MCP 侧已提供 Workflow/Run/Review/AI 节点相关工具，能够与 Server 语义对齐并完成跨端调用。

5. 项目背景及发展现状​

A2E 的技术路线起点基于两个阶段的行业变化：

  • 2025 年第一季度，MCP 范式逐步成为 AI 工具接入与能力编排的事实标准之一；
  • 2025 年第二季度起，AI CLI 能力与工程化落地速度显著提升，推动了 AI 驱动开发架构的快速演进。

当前，以 OpenClaw 等自动机新范式以及 Skill 能力为代表的趋势持续推进。单一、静态的传统工作流范式在复杂场景下存在局限。A2E 未来方向是在保留工作流“可控、可审计”优势的同时，引入更灵活的 AI 驱动执行与边界可控的执行能力。