KaibanJS
用看板思想管理 AI Agent 团队，让多个智能体像流水线工人一样有序协作的 JavaScript
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
用看板思想管理 AI Agent 团队，让多个智能体像流水线工人一样有序协作的 JavaScript
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：KaibanJS 项目 Logo
想象你同时雇佣了五位 AI 助手来完成一个大项目：一位负责写代码、一位负责代码审查、一位负责文档整理、一位负责测试、还有一位负责汇报进度。问题是——谁先做？谁等谁？某人卡住了怎么办？如何知道整个进度？现实开发中，把这些协调工作做好，往往比让单个 Agent 完成任务还要费劲。
传统的多 Agent 框架要么把协作逻辑硬编码在代码里，要么完全交给 LLM 自己摸索，两种方式都不够优雅：硬编码太死板，全靠 LLM 太不可控。KaibanJS 带来了一种全新的思路——用看板（Kanban）的方法来管理 AI Agent 的工作流，让多个 Agent 像流水线上的工人一样有序协作。
KaibanJS 由 kaiban-ai 团队开发，GitHub 累计 1454 颗星，150 个 Fork，采用 MIT 许可证开源。项目诞生于 2024 年，主打"Self-hosted，works out of the box"的理念——不需要部署服务器，不需要配置复杂的基础设施，一个 npm 包就能把多 Agent 系统跑起来。
图2：KaibanJS Quick Start 视频封面（点击可观看完整教程）
这对于前端和全栈开发者来说意义重大：此前主流的多 Agent 框架（如 LangChain Agents、AutoGPT、crewAI）都以 Python 为核心，JavaScript/TypeScript 开发者要么学习 Python，要么用蹩脚的 FFI 绑定。KaibanJS 让 JavaScript 开发者可以用自己熟悉的语言和工具链，直接构建生产级的 AI Agent 团队。
KaibanJS 的设计哲学浓缩为三个核心概念：Agent（智能体）、Task（任务）、Team（团队）。
每个 Agent 拥有四大属性：
KaibanJS 底层封装了 LangChain.js 的 ChatModel 接口，因此可以自由切换不同的 LLM 提供者——OpenAI GPT、Anthropic Claude、Google Gemini、Mistral、DeepSeek 等均可。Agent 还配备了工具系统（Tools），可以扩展 Agent 能执行的外部操作，例如调用 API、读写文件、执行代码等。
Task 不仅仅是"要做什么"，还包括：
这种设计让任务从"发出去就不管"变成了有约束、有期望、有依赖关系的完整工作单元。
Team 是整个框架的核心调度器。它接收一组 Agent 和一组 Task，然后按照依赖关系自动编排执行顺序。Team 还提供了实时状态订阅接口，开发者可以在前端看板（Web UI）上实时看到每个 Task 的进度。
从源码来看，KaibanJS 的架构分为三层：
核心使用了 Zustand（轻量级 React 状态管理库），定义了四个 Store：
所有 Store 都通过 subscribe 模式向外推送状态变更，这是实现实时可视化看板的关键。
目前框架内置三种 Agent 类型：
--bare 非交互模式运行。这是框架中最复杂的子包（executionEngineWithQueue.ts 约 30KB），实现了：
仓库内置了多个 playground 示例，覆盖常见使用场景：
KaibanJS 的上手体验设计得非常友好。官方提供了两种使用模式：
模式一：交互式看板（Web UI）
npx kaibanjs@latest init
# 按提示配置 API Key
npm run kaiban
# 浏览器打开 http://localhost:3000
这种方式会启动一个内置的 Web 看板界面，可以看到 Agent 的实时工作状态，非常适合调试和演示。全程不需要 Docker，不需要配置文件，一个命令就能跑起来。
模式二：Node.js 集成（库模式）
import { Agent, Task, Team } from 'kaibanjs';
const coder = new Agent({
name: 'Coder',
role: '后端开发',
goal: '实现高质量 REST API',
background: '资深 TypeScript 工程师',
llmConfig: { provider: 'openai', model: 'gpt-4o' }
});
const task = new Task({
description: '实现用户管理 API',
expectedOutput: '完整的 Express 路由代码',
agent: coder
});
const team = new Team({
name: 'DevTeam',
agents: [coder],
tasks: [task]
});
team.start();
从 npm 包的结构来看（导出 index.ts + packages/workflow），这是一个纯库模式的设计，没有 Docker 容器化。用户需要自行在 Node.js 环境中集成，对 CI/CD 流程有一定要求，但文档质量很高，有完整的 TypeScript 类型推导。
作为一个以 LLM 调用为核心的应用层框架，KaibanJS 本身不依赖 GPU。所有 AI 推理都通过 HTTP 调用远程 LLM API 完成。内存占用极低（实测 <512MB），磁盘需求约 200MB（主要是 node_modules）。
真正的硬件瓶颈在于选择的 LLM 提供者：如果使用本地部署的 Ollama + Llama3，GPU 需求取决于模型规模；如果使用 OpenAI/Claude API，则完全在云端计算。
2024 年是 AI Agent 元年，但绝大多数框架都围绕 Python 构建。JavaScript 拥有全球最大的开发者社区和最丰富的 Web 开发生态，KaibanJS 的出现填补了一个重要空白——它让 Web 开发者不需要切换语言和工具链，就能参与到 AI Agent 系统的开发中。
从技术趋势看，Agent-to-Agent（A2A）协议正在成为行业共识，KaibanJS 的 playground 中已经包含了 kaiban-platform-a2a-sdk 和 kaiban-platfrom-a2a-mcp 的示例，表明团队正在积极布局多 Agent 互操作性标准。
KaibanJS 是一个设计精良的 JavaScript 多 Agent 框架，它将传统软件开发中的看板管理思想创造性性地迁移到 AI Agent 协作领域，带来了清晰的状态可视化、灵活的 LLM 切换能力和开箱即用的 Web UI。对于前端/全栈开发者而言，这是目前最容易上手的多 Agent 开发框架之一；对于企业而言，其 MIT 许可证和 LangChain 生态集成也提供了足够的生产落地潜力。