10xGraph 开源：把多智能体写成一张"图"，自带生产级服务、客户端和 Playground

2026年10月底，由 10xScale 出品的开源项目 10xGraph 发布 1.0.0rc4 版本，把此前名为 Agentflow 的框架正式定名并推向稳定。它是一款用 Python 编写的、面向生产的多智能体系统框架：你把一个智能体写成"节点（nodes）+ 工具（tools）"组成的一张图，框架负责把它跑起来、跑稳、并直接生成可上线的服务。整条链路 MIT 许可、可自托管，核心引擎与 API 服务层都属于同一个开源项目，而不是"开源内核+付费平台"的套路。

它解决的是什么问题

把一个 agent 送上生产，团队往往要围着它补一堆东西：服务、鉴权、持久化、部署。如果 agent 会做带副作用的事（支付、发邮件、开工单），一次崩溃或重试就可能把动作重复执行一遍——重复扣费、重复发信。如果是多用户产品，还得保证用户 A 看不到用户 B 的会话。10xGraph 的思路是用"图"来组织 agent，并把上面这些生产级能力直接做进框架里。

核心特性一：故障下依然正确（Correct under failure）

  • 可重放的工具账本（Replay-safe tools）：运行循环在跑节点前先把当前节点持久化，崩溃后在恢复时重跑该节点；调用工具前先查 checkpointer 的工具账本，已完成的调用立刻记录，已经跑过的工具不会再次执行——不重复扣费、不重复发邮件。
  • 版本化状态写入：持久化写入采用乐观 compare-and-swap，同一线程上的两次运行不会互相覆盖；Redis 缓存写入同样有版本保护。
  • 真实的节点与工具超时：在运行配置里设置 node_timeout 和 tool_timeout（不设置则不限），在 invoke 和 stream 两种模式下都生效，一个卡死的工具不会一直占着 worker。
  • 工具内人工审批：interrupt() 会暂停运行并保存线程，等人给出决定后再 resume。

核心特性二：生产级服务开箱自带（10xgraph-api，MIT）

10xgraph-api 能在你编译好的图外面，自动生成生产服务器：REST、NDJSON 流式、WebSocket、以及实时音频端点；支持 JWT 或自定义鉴权；每个端点都有作用域授权（scoped authorization）；线程归属隔离（thread ownership isolation）；限流（rate limiting）；还附带 Docker Compose 和 Kubernetes 文件。你用一个 10xgraph 命令即可驱动整套流程：init 初始化、api 起服务、build 出 Docker/K8s 脚手架。

核心特性三：为规模化而建

  • 两级持久化：PgCheckpointer 把活跃线程状态缓存在 Redis（默认 TTL 24 小时）并优先读取，PostgreSQL 保存带版本化写入的持久历史；线程能扛过重启和缓存过期。本地开发可用 SqliteCheckpointer。
  • 事件发布：可把事件发到 Kafka、Redis Pub/Sub、RabbitMQ 和 OpenTelemetry。
  • 长期记忆：长期向量记忆存放在 Qdrant。

核心特性四：全栈打通，后端到前端

  • 远程工具：模型可以调用运行在用户浏览器或客户端里的工具，在图上声明或每次运行通过 config["remote_tools"] 传入，运行会暂停直到客户端返回结果。
  • Typed TypeScript 客户端（10xgraph-client）：覆盖 invoke、stream、threads、memory、files 等所有端点，并带 React 流式 hooks 和客户端工具。
  • React Playground（10xgraph play）：可视化地和 agent 对话、查看图、线程与状态。

核心特性五：自主可控，不绑定

MIT 许可、可自托管；没有 LangChain 依赖，核心只依赖 InjectQ、Pydantic、PyYAML 和 python-dotenv，其余（如 Pillow 图像处理）都是可选额外包。任意模型：OpenAI 及 OpenAI 兼容端点、Google Gemini（含 Vertex AI）、Anthropic（直连 / Vertex / Bedrock）都支持——换模型字符串不会改变图和工具。框架由 10xScale 自家 AI 产品在生产中使用。

预置的智能体与编排模式

框架内置多种预置 agent 与编排模式，换一个名字、形态不变：Agents 有 React、RAG、Guarded、Plan-Act-Reflect、Audio、Swarm、SupervisorTeam、StructuredOutput；编排（Orchestration）有 Router、MapReduce、Sequential、Branch-Join。还提供依赖注入（通过 InjectQ）、skills（Agent Skills 规范，会读取并存储 skill 的 allowed-tools 字段但不强制）、三层记忆（工作态、checkpointer、Qdrant 等向量库）、发布器（Console/Redis/Kafka/RabbitMQ/OpenTelemetry）以及评测与测试辅助。

上手与适用场景

安装只需 pip install 10xgraph 与 pip install 10xgraph-api，要求 Python 3.12 及以上（已在 3.12~3.15 测试）。一个最小的支持 agent 示例里，lookup_order 负责读数据，refund_order 动钱，因此在真正退款前用 interrupt() 暂停等待人工决定；只要配了 checkpointer，退款之后的崩溃或重试就不会再发一次。典型适用场景包括：Python 团队把 agent 送上生产（服务/鉴权/持久化/部署自动生成）、运行带副作用的 agent（支付/邮件/工单）、做多用户产品（线程隔离）、以及需要自托管、数据驻留、避免厂商锁定的团队。

局限与边界

项目也坦白自己的短板：社区规模和集成数量目前少于 LangGraph 或 CrewAI，升级前需要锁版本、读 changelog；自动的"每工具权限"（用户 A 可退款、用户 B 不可）并未内置，工具需自行通过 tenxgraph.core.authz.has_scope 检查调用者作用域；它是代码优先的框架，不是无代码搭建器。更名 Agentflow 也意味着品牌认知需要重建。但就"把多智能体写成一张图、并直接产出可上线的生产服务"这一目标而言，10xGraph 给出的是一套相当完整的开源答案。