CodeCaster

@kevinmatt 你说的场景，我理解其实在替换字符串的地方就是一个判断，就相当于是流程分叉了，这个场景在 FEL 中可以定义出来。

你说在你们的实践中，字符串的匹配几乎必不可少，我同意当前的看法，因为当前市面上 langgraph 出来之后告诉大家就是这么连的，然后 Eino 出来仿照 langgraph 也写了一个 go 的，langchain4j 仿照写了一个 java 的，大家都是按照这个思路在走，并没有另一个工具告诉大家可以不这么做。而 FEL ，的确是采用了另一种方法，或许这样实践一下，可能可以有不一样的写法。

当然，你提到了多 Agent 动态计划生成，靠纯响应式的确是有点困难，但是 FEL 我们不仅仅使用了响应式，我们还有一个特点就是结合了 BPM ，因为在传统响应式中是不存在条件判断关键字的，就正如上面例子中的“.condition()”关键字，这个关键字可以做到流程的分叉。

我感觉这样就可以实现你说的动态了。

其实，动态的情况正式我们下一步的规划内容。

非常感谢你的讨论提供的观点。

@TimePPT #3 我在看这个之前，各种重启，然后去掉了几个莫名其妙的 token ，自然就好了，我也不知道是哪一步起的作用，还是很感谢

@TimePPT 操作系统 Mac ，终端 Iterm2 ，选择了第一种登录方式之后，浏览器跳转登录授权，然后 iTerm2 弹出登录成功，看到登录的用户名的确是 Pro 的用户名，然后输入指令报错：

```
 API Error: 401 {"type":"error","error":{"type":"authentication_error","message":"OAuth authentication is currently not supported."},"request_id":"req_011CTajEmJNeKc3HL37Lf91d"}
```

@Isuxiz #5 我觉得你可能言重了，这篇文章本意是选择了另一种编程范式进行实现，对比一下，并没有表达谁优谁劣，只是想说是不是不同场景用不同方式会更合适。所以我没有想引战，没有想分胜负。

另外，当前的确是针对两个框架在比较，的确 Eino 是通过字符串来连接 ID 的，这个是事实而已。

我觉得讨论没有问题，但是问题上升了可能需要适可而止了。求同存异。感谢支持~

@Isuxiz 感谢你的回复！你说得对，DAG 理论上确实表达能力更强，但我想从另一个角度来看这个问题。

响应式编程本身就是一种编程范式，FEL 使用响应式流来描述。就好比面向过程什么都能写，为什么要面向对象？面向对象并不是没有存在的必要，理论上图灵完备的语言都能实现相同功能，但不同范式解决的是开发效率和代码质量问题。

从实际开发体验看：

响应式流天然支持编译时类型检查，链式调用的上下游类型必须匹配才能编译通过。而 DAG 的节点连接往往依赖字符串 ID ，类型错误要到运行时才能发现。

语法验证：

``` java
// FEL - 编译时就知道类型不匹配
flow.prompt(xxx).generate(model).reduce(stringReducer).someIntMethod() // 编译报错

// DAG - 运行时才发现节点名写错了
graph.AddEdge("node_model", "nod_log") // 拼写错误，运行时才报错
```

然后是认知的问题，我觉得大家的确都学过图，但在日常业务开发中，我们更习惯"数据流转换"的思维模式。响应式编程让代码读起来更像业务描述："接收请求 → 处理 prompt → 调用模型 → 处理结果"。我不知道大家怎么看？

我们并不反对 DAG 设计，而是认为 **不同的工具应该匹配不同的场景**。就像 SpringMVC 的注解式编程和传统 servlet ，理论能力差不多，但开发体验天差地别。

还是非常感谢你的讨论~

@mightybruce 对于开发 AI Agent ，使用现有的各个 AI 基础框架都可以，比如 LangChain 、Eino 、SpringAI ，我们的框架也提供了一套 Java 的 AI 原语，条条大路通罗马，我们并不是说开发 AI Agent 只能用我们的，用其他优秀的框架也可以的~ 只不过，我们想提供一种新的思路，因为当前的框架构建 AI 流程的过程基本都是通过图的，我们结合了响应式的写法，从写法上不一样，只是这样而已，提供代码示例供大家参考，来讨论一下而已。
我觉得如果这样写简单，本身也是好的

@Aresxue #93 我们的代码仓库准备拆分啦，因为现在 AI 太火了，所以介绍中是提到 AI 的，AI 相关的是另外一个模块，基于 fit 框架长出来的，最近正准备写一篇文章呢。拆库就是为了把底层框架和 AI 相关的模块分离开。

最底层的框架的确是为了传统软件工程的，fit 框架的第一行代码是 19 年底诞生的，此时 AI 并没有火。

你提到了成熟的 SofaBoot 的模块化，这个的确阿里巴巴出品的非常优秀的框架呢，只不过 fit 背后的思想指导者，正是此前在阿里巴巴中的软件大拿，Sofa 最初设计的时候也是请教了我们框架的设计者的。fit 的前身已经摸索过了相关模块化的路线，最终重新出发，走了插件化的道路，插件化和模块化还是有一些区别的。打个比较简单的比方，模块化，各个模块需要组合在一起，在编译打包一次，有点像不少预制半成品，还是需要有一次简单的烧的过程的，但是插件化，各个插件已经完全烧好了，打包就像一起装盘的过程。

感谢看了一眼我们的项目~

看到上面大家对微服务和单体讨论了很多，有非常多优秀的见解。如果把微服务和单体服务看做两个极端，那么微服务的出现就是为了解决之前单体服务的一些问题的，只不过，微服务架构本身也有自身的问题，因此，我们团队此前也有思考过是否有一种模式，可以让微服务和单体服务兼而有之，于是，我们开源了一款基础框架，fit 。

fit ，其思想正如其名字一样，我们希望每一个插件，作为单体服务的时候可以运行，组合（ fit ）起来之后依旧可以运行。假如有 N 个插件，那么每一个插件都可以像微服务一样作为一个一个单独的进程启动，对外提供服务，也可以把这 N 个插件，聚合在一起，形成一个单独的进程，启动，就像一个单体服务一样。这个过程中，插件的代码不需要做任何改变。当然，N 个插件可以自由组合形成 M 个进程。

当他们作为微服务互相调用的时候，他们之间的通信是 RPC 调用，存在网络消耗，但是一旦转换成微服务之后，调用可以自动识别变成进程内的内存调用，没有网络开销。这个特性在我们框架中称之为聚散部署。

也就是说，通过我们的框架写出来的代码，不需要经过重构，就可以在微服务和单体之间切换，完全由开发人员在部署阶段自由选择。

我们的框架是今年初开源的，希望大家能够支持一下，如果觉得我们的框架的这个设计思路有帮助，最好帮我们点的 star ，链接： https://github.com/ModelEngine-Group/fit-framework

@ebony0319 我们团队写了一个开源框架，fit ，就是做的这个，在我们框架中，可以按照微服务的方式写一个一个的插件，插件与插件之间没有任何耦合关系，通信全部是接口，每一个插件都可以单独部署，就像微服务一样，也可以聚合在一起部署，形成一个单独的进程，就是单体架构，关键的一点是，这个从微服务到单体，或者从单体到微服务的转换过程，每一个插件是不用修改任何代码的。这个在我们框架中，叫聚散部署，欢迎来我们的开源项目参观点星，链接： https://github.com/ModelEngine-Group/fit-framework