【开源首发】双脑 AI 工作流：强制模型隔离 + 省 60% Token，完美替代 CrewAI，支持本地 Ollama 免费跑
前言
大家好，我是一名大一的生物医药数据科学专业学生。最近半年一直在用 AI 做各种自动化工具，前前后后踩了 LangChain 和 CrewAI 的无数坑。
我发现所有主流 AI Agent 框架都有一个致命的设计盲区：它们默认相信 AI 能自己监督自己。但实际用下来你会发现，让同一个模型既规划任务又审核结果，本质上就是让学生自己改卷子。它会用完美的逻辑自圆其说自己的幻觉，改十轮都发现不了问题，最后 Token 还哗哗烧。
忍无可忍之下，我花了两个月课余时间，写了一个完全不同思路的 AI 工作流引擎：AI Flow Architect，今天正式开源。
核心就一条不可打破的铁律：负责规划的模型，绝对不能负责审核。
一、我踩过的那些无解的坑
相信每一个用过 AI Agent 框架的人都感同身受：
- 角色混淆是天生的：你把产品、开发、测试的 prompt 写得再详细，跑着跑着 AI 就忘了自己是谁，测试开始写代码，产品开始改架构
- 自审等于没审：让 GPT-4o 检查 GPT-4o 写的代码，它会拍着胸脯说 "没有任何问题"，结果一运行全是低级 bug
- Token 浪费到肉疼：每次调用都传完整上下文，一个简单的任务跑下来几十块钱没了，还不知道花在哪了
- 调试地狱：出了问题根本不知道是哪一步错了，只能对着几百行日志瞎猜
我试过所有能找到的优化方法：拆分 prompt、加角色前缀、手动做上下文压缩、加人工审核... 最后发现，这些全都是治标不治本。调 prompt 解决不了这个问题，这是架构层面的缺陷。
二、我的解决方案：强制双脑隔离架构
既然 AI 不能自己监督自己，那我就用两个完全独立的 AI。我设计了一个固定的三阶段双脑流程，从根上解决这个问题：
- Brain1（建筑师）：只用强模型（如 gpt-4o、Claude Sonnet），只负责一件事：把用户的模糊需求拆解成可执行的任务蓝图，每一步都明确专家角色和交付标准
- 用户审批：蓝图生成后必须经过用户确认，不满意可以随时修改，从源头避免 AI 跑偏浪费 Token
- 调度器执行：所有专家（创意 / 评估 / 编程 / 评审）都是完全独立的会话，互相不知道对方的存在，只能通过结构化字段传递数据，彻底杜绝角色混淆
- Brain2（监理）：强制使用和 Brain1 不同的模型，只负责一件事：逐项对比 "需求蓝图" 和 "最终交付物"，不合格直接打回对应步骤修改
两个大脑完全隔离，Brain2 根本看不到 Brain1 的思考过程，只能做客观的第三方仲裁。亲测 OpenAI+Anthropic 的组合，能发现 90% 以上单模型看不到的幻觉和遗漏。
三、与主流框架核心对比
为了质量，我主动放弃了所有主流框架都在吹的 "无限灵活性"，用固定流程换可预测性和质量控制。这是我们最核心的差异：
| 维度 | AI Flow Architect | LangChain | CrewAI |
|---|---|---|---|
| 质量控制 | ✅ 内置跨模型强制仲裁 | ❌ 完全手动实现 | ⚠️ 可选单模型自审 |
| Token 优化 | ✅ 4 种机制零配置自动运行 | ❌ 需手动编写优化逻辑 | ❌ 需手动编写优化逻辑 |
| 角色隔离 | ✅ 架构层面强制会话隔离 | ❌ 不强制，共享上下文 | ❌ 不强制，共享上下文 |
四、实测效果：Token 直接砍 60%
除了质量提升，最让我惊喜的是成本控制。同样是 "设计并实现一个用户管理系统" 的任务：
这得益于我内置的 4 种零配置 Token 节省机制，开箱即用，不用你写一行代码：
- ✅语义缓存：相同专家 + 相同任务直接命中缓存，跳过 API 调用
- ✅上下文自动压缩：历史超过阈值自动精简，减少约 60% 输入 Token
- ✅本地规则预检查：空任务、无效专家等直接拦截，0 成本
- ✅智能跳过：步骤失败自动终止后续流程，低复杂度步骤自动跳过
五、3 分钟快速上手（手把手教程）
1. 安装
git clone https://github.com/wdnmd1265/ai-flow-architect.git cd ai-flow-architect pip install -e .2. 配置
复制.env.example为.env，添加你的 API 密钥：
# 单OpenAI密钥即可开箱即用 OPENAI_API_KEY=sk-your-key # Brain2会自动选择gpt-4o-mini做审核3. 运行
import asyncio from ai_flow_architect import FlowArchitect async def main(): # 一行代码初始化，什么都不用额外配置 architect = FlowArchitect(config={"brain1": "gpt-4o"}) result = await architect.run("设计一个用户管理系统") if result["status"] == "success": print(f"质量评分: {result['audit_result'].get('score', 'N/A')}/100") else: for suggestion in result["revision_suggestions"]: print(f"修改建议: {suggestion}") asyncio.run(main())4. 本地 Ollama 运行（完全免费）
如果你不想花钱用云模型，完美支持本地 Ollama：
- 安装 Ollama：https://ollama.com/
- 拉取模型：
ollama pull llama3 - 修改配置：
architect = FlowArchitect(config={ "brain1": "llama3", "brain2": "qwen2.5-coder" })六、已支持的所有模型提供商
目前已经支持所有主流模型，新增提供商只需要在models.yaml里加几行配置，不用修改任何 Python 代码：
- 云厂商：OpenAI、Anthropic、通义千问、智谱 GLM、月之暗面、DeepSeek
- 本地部署：Ollama（llama3、qwen2.5-coder 等所有模型）
- 自定义：兼容所有 OpenAI 格式的 API（vLLM、LocalAI、代理服务）
七、工程化保障
作为一个个人开发者的项目，我特别注重稳定性和可维护性：
- ✅ 114 个单元测试覆盖所有核心模块
- ✅ 三级错误处理：指数退避重试→自动模型降级→用户决策
- ✅ 三层提示系统：全局格式约束 + 角色预设 + 任务指令，保证输出一致性
- ✅ 字段过滤：仅传递专家必需的输入字段，避免信息过载
八、写在最后
必须坦诚地说，它不是万能的，也绝对不是 LangChain 和 CrewAI 的替代品。
- 如果你需要高度定制化的复杂 Agent、需要调用各种工具链、需要无限灵活的流程，那 LangGraph 和 CrewAI 会更适合你
- 但如果你只是想让多个 AI 帮你完成一个可预测的任务—— 写代码、写文档、做设计、分析数据 —— 并且希望输出质量有保证、不会乱花 Token、调试简单，那这个工具绝对值得一试
项目今天刚开源，还有很多不完善的地方。路线图里的 CLI 工具、PyPI 包、并行执行、流式输出、Web UI 都在紧锣密鼓地开发中。
我是一个大一学生。有任何 bug 或者建议，都可以在 GitHub 提 issue，我会第一时间回复。
如果觉得这个项目对你有帮助，麻烦去 GitHub 点个 Star，这对我这个个人开发者真的非常非常重要。谢谢大家🙏
项目地址：https://github.com/wdnmd1265/ai-flow-architect