TL;DR

DeterminFlow는 불확실한 LLM 호출을 버전화된 Workflow 안에 배치하고 Script, API, 데이터베이스 작업과 사람 승인을 함께 실행하는 Python 기반 Runtime입니다. Agent Node마다 로컬 컨텍스트와 최소 도구를 할당하며 JSON 검증, 재시도, 체크포인트, 실패 지점 복구, Token·시도별 감사 기록을 제공합니다. FastAPI와 React 콘솔, Cron, WebSocket, Plugin 패키지를 이용해 검증된 AI 흐름을 API나 백그라운드 서비스로 연결할 수 있습니다. 실제笔枢写作 사례와 176,584 Token 사용량이 공개됐지만, 단일 Agent 대비 70%–89% 절감 수치는 비교 추산이므로 자체 성능 보증으로 보기는 어렵습니다.

핵심 포인트

• DeterminFlow는 LLM, Script, API, 데이터베이스 작업과 사람 승인을 버전 관리 Workflow로 묶는 Python 3.11+ 실행 프레임워크입니다. 각 Agent Node가 필요한 입력과 도구만 받아 처리하고 Runtime이 제어 흐름과 데이터 흐름을 관리합니다. FastAPI와 React 콘솔을 통해 실행 결과를 서비스로 연결할 수 있습니다.
• 실패한 노드만 자동 또는 수동으로 재시도하고 저장된 체크포인트에서 재개하므로 긴 Workflow를 처음부터 다시 실행하지 않아도 됩니다. JSON 출력 검증과 자동 수정, 상류 노드의 정밀 재작업 요청도 지원합니다. 노드와 시도별 오류, Token, 산출물, 모델 호출 기록을 남겨 운영 상태를 추적합니다.
• 笔枢写作의 AI 소설 생산 과정에서 11개 독립 모델 세션과 176,584 Token을 사용한 사례가 공개됐습니다. README의 추산에서는 단일 장기 실행 Agent가 같은 과정을 수행할 때 DeterminFlow보다 3.4배에서 9.1배 많은 Token을 사용할 수 있습니다. 다만 70%–89% 절감 수치는 단일 Agent의 반복 컨텍스트 비용을 가정한 추산치입니다.
• Plugin은 Workflow, Agent, Prompt, Skill, Rule, Script Library, 데이터베이스 마이그레이션과 API를 함께 배포하는 확장 방식입니다. 공식 bishu-novel 사례에는 7개 Workflow, 84개 편성 노드, 33개 Agent·Prompt 조합, 15개 재사용 Script 모듈이 포함됩니다. 새 노드 유형이 필요하면 기존 Core를 Fork해 일반 Node 추상화를 확장해야 합니다.

벤치마크

이미지 분석