BabyAGI 作者 Yohei Nakajima 5 月 19 日把 ActiveGraph 1.0 公开到 GitHub。这是一个 Apache 2.0 许可的 Python 框架，定位是”事件溯源的反应式图运行时”——目标人群是做长链路、可审计、能 fork 的智能体系统的工程团队。仓库 README 开头放了一句标语：”The graph is the world. Behaviors are physics. The trace is the proof.”（图是世界，行为是物理规则，轨迹就是证明）。
它把 agent 协作的拓扑彻底换了
主流多智能体框架（AutoGen、CrewAI、LangGraph）默认用消息或函数调用做 agent 间协作。ActiveGraph 的设计相反：所有 agent（在框架里叫 behavior）都不直接对话，而是订阅一张共享图上的事件，看到符合自己 pattern 的变化就触发执行，执行结果以 patch 形式提交回图。Nakajima 在 README 里把这种区别写得很形象——”如果聊天式 agent 是一群人在群里说话，ActiveGraph 是一个共享工作台，谁改了什么、为什么改，所有人都能看见。”
这种设计带来的直接好处是审计：每一次 agent 的判断、每一次模型调用、每一次工具执行都是事件日志里的一条记录。仓库自带的 Diligence 包里给了一个完整范例——8 个对象类型、7 个 behavior、3 个工具——通过 recorded fixtures 跑出来的输出是字节级确定的，连 LLM 调用都不会真实联网。
三件别的框架做不到的事
第一件是 fork-and-diff。任意一次 run 在任意事件点都能分叉成一条独立的 fork，配置改一点重新跑，再和原始 run 做结构化 diff。共享前缀通过 LLM replay cache 复用，分叉本身不会重新调模型。”大多数 agent 框架做不到这件事”——这是 README 的原话。对要做 A/B 实验、参数扫描的研究团队，这是把 agent 系统从”调通就发”升级到”科学比对”的关键能力。
第二件是 relation behaviors。除了节点上挂 behavior，ActiveGraph 允许在边上挂逻辑——README 给的例子是 unblock，监听 task.completed 事件，当某条 depends_on 边的源任务完成时自动把目标任务从 blocked 状态切到 open。这种”边上的行为”在传统图模型里很罕见，但在描述协作流程时非常贴合。
第三件是 patch 机制。所有 behavior 不能直接改图，必须以 patch 形式提交，运行时按乐观并发应用或拒绝，被拒的 patch 同样是事件。这套机制让多 behavior 并发改图时的冲突变得可观察、可重放，而不是隐式的 race condition。
不是给所有人用的
Nakajima 在 README 最末段把”不适用”明确列出：聊天框架请用聊天框架；工作流引擎请用工作流引擎；规则引擎请用规则引擎；高吞吐图数据库请挂在 EventStore 协议后面。ActiveGraph 默认 store 是 SQLite，可选 Postgres，但它不是给生产级图数据库的替代品——核心价值在 reactive runtime 与 audit trail，存储层只是支撑。
对独立开发者，30 秒的尝鲜路径是 pip install activegraph 然后 activegraph quickstart，自带的 fixture 不需要任何 API key 就能跑通，10 分钟的交互式 tutorial 会把 fork-and-diff 这个最差异化的特性走一遍。这种”先看再读”的引导节奏，明显是为了对抗多 agent 框架普遍的高门槛劝退现象。
事件溯源派开始挑战消息派
过去两年 multi-agent 框架的主流是消息派——把 agent 看成会发消息的工人。ActiveGraph 站到了对立面：图是世界，事件是历史，所有协调都通过共享状态完成。这套思路在传统软件工程里有深厚的传统（CQRS、Event Sourcing 都用过），Nakajima 把它移植到 agent 领域，靠的是 LLM replay cache 这一项工程优化让 fork 变得便宜。如果这条路能在中等复杂度的真实项目里证明优势，下一波 agent 框架很可能从”消息驱动”集体倒向”事件溯源”。Diligence pack 的存在让这件事可以被验证，而不是停留在概念。可以预期的是，9 月份会有一批基于 ActiveGraph 的实际项目案例公开，到时候才能判断这套方法是否真能跑出 BabyAGI 当年那样的影响力。
参考链接：
