kiwiq

KiwiQ AI Platform：企业级多智能体编排平台

当营销团队需要同时跑200+个AI Agent

想象一个真实的营销公司场景：每天要处理上百个客户的个性化邮件、自动生成社交媒体内容、实时监控竞品动态、还要在关键时刻让营销经理"把关"AI生成的敏感文案。在没有 KiwiQ 之前，这需要为每个任务单独写脚本、单独维护状态、单独处理异常——光是维护成本就让团队崩溃。

KiwiQ AI Platform 正是为解决这个问题而生。这是一个经过200+企业级AI Agent实战验证的多智能体编排平台，用 JSON 定义工作流，用 Python 编译到 LangGraph 执行，天然支持多提供商大模型、热插拔节点和实时人工介入。

图1：KiwiQ 平台由 Raunak Bhandari 主导开发，最初为 KiwiQ AI 营销公司自用，后完全开源

---

项目背景：从自用工具到开源平台

KiwiQ AI Platform 最初由 KiwiQ AI 公司内部开发，用于支撑其营销AI Agent的生产级运营。2025年正式开源，目前 GitHub 获得 1016 Stars，采用 Apache-2.0 开源许可，核心语言为 Python。

项目的核心卖点非常明确：Production-grade（生产级）——不是 Demo，不是玩具，而是一个在真实商业环境中每天稳定运行的系统。作者在 README 中直接写道："Battle-tested on 200+ enterprise AI agents"（经过200+企业AI Agent实战检验）。

---

核心功能：从工作流定义到模型无关编排

KiwiQ 的设计理念是 "SDK-first workflow engine"：用 Python/JSON 定义工作流图（Graph Schema），编译到 LangGraph 执行，再通过 Prefect 调度。开发者不需要学习专有的可视化编辑器，直接写代码即可。

24+ 可复用节点类型

平台内置了超过24种节点类型，覆盖了企业AI场景的方方面面：

• LLM 节点：调用 OpenAI GPT-4o、Anthropic Claude、Google Gemini、Perplexity、Fireworks、AWS Bedrock 等多提供商
• 路由与条件分支：根据输出内容动态路由到不同处理分支
• 数据转换节点：格式清洗、字段映射
• Web 抓取节点：LinkedIn 个人/公司信息抓取、通用网页爬取
• RAG 管道节点：文档摄入 → Weaviate 向量检索 → LLM 生成
• 子工作流节点：支持工作流嵌套，构建复杂业务逻辑
• 代码沙箱节点：安全执行用户定义的 Python 代码片段
• 人工介入节点：暂停工作流等待人工审核/输入/批准

27+ 开箱即用工作流

除了底层引擎，KiwiQ 还提供了27+可直接使用的工作流模板：

• 内容创作（多渠道内容生成、SEO优化）
• 营销诊断（竞品分析、转化率诊断）
• 线索评分（Lead Scoring）
• 深度研究（Deep Research）
• 剧本/策略生成（Playbook Generation）
• 社交媒体自动化
• 客户数据管理（MongoDB 版本化文档存储）

---

技术架构：事件驱动 + 多层存储

KiwiQ 的架构设计体现了典型的事件驱动微服务思路：

┌──────────────────────────────────────────────────────────┐
│                   FastAPI (kiwi_app)                     │
│  Auth │ Billing │ Workflow API │ RAG │ Data Jobs │ WS   │
└──────────────────────────┬───────────────────────────────┘
                           │
              ┌────────────┼────────────┐
              ▼            ▼            ▼
        ┌──────────┐ ┌──────────┐ ┌──────────┐
        │ RabbitMQ │ │ Prefect  │ │  Redis   │
        │ (events) │ │ (orch)   │ │ (cache)  │
        └────┬─────┘ └────┬─────┘ └──────────┘
             │             │
             ▼             ▼
        ┌────────────────────────────────
        │  PostgreSQL │ MongoDB │ Weaviate │
        │  (关系状态) │(文档)   │(向量)    │
        └────────────────────────────────

核心依赖栈：

层次	技术选型	用途
API层	FastAPI + Pydantic + Uvicorn	REST API + WebSocket
编排层	LangGraph + Prefect	Agent图执行 + 任务调度
事件总线	RabbitMQ (via aio-pika / FastStream)	异步事件驱动
缓存	Redis	热数据缓存
关系存储	PostgreSQL + SQLModel + Alembic	Agent状态、关系数据
文档存储	MongoDB (via PyMongo)	版本化文档
向量检索	Weaviate	RAG 向量搜索
LLM集成	LangChain + LangChain-* 适配器	多Provider统一封装
观测性	Structlog + Python JSON Logger + RabbitMQ events	结构化日志 + 实时进度

关键设计亮点：

1. 多提供商LLM支持：通过 LangChain 适配器生态，KiwiQ 可以无缝切换 OpenAI/Anthropic/Gemini 等 Provider，无需修改工作流定义。
2. Human-in-the-Loop：工作流可以在任意节点暂停，通过 WebSocket 实时流推送状态，等待人工审核/输入/批准，再继续执行。
3. 多级存储：PostgreSQL 存关系状态、MongoDB 存版本化文档（带CRUD工作流节点）、Weaviate 存向量嵌入、Redis 缓存热数据。
4. 计费与认证：内置 Stripe 支付集成、JWT 认证和 RBAC 权限控制，可直接用于商业产品。

---

部署体验：Docker Compose 一键启动

KiwiQ 对部署体验下了功夫，提供了完整的容器化方案：

• Dockerfile.prod.app：多阶段构建，基于 Python 3.12 slim，安装所有依赖
• Dockerfile.worker：独立 Worker 镜像，执行 Prefect 任务
• docker-compose.prod.yml：一键启动 app + worker + postgres + redis + mongo + rabbitmq + nginx
• docker-compose-dev.yml：开发环境简化配置
• prod_ec2_setup/：AWS EC2 部署脚本，包含环境配置和启动流程

.env.sample 包含了所有必需的环境变量：数据库连接字符串、各Provider的API Key、Stripe Key、Weaviate 连接信息等。

部署难度为复杂（4/5），主要门槛在于：

• 需要准备多个外部服务（PostgreSQL、Redis、MongoDB、RabbitMQ）
• Weaviate 若需要RAG功能则需额外部署
• 大量环境变量需要正确配置
• 熟悉 Docker Compose 和事件驱动架构

估算完整部署时间 30-60分钟，适合有 Docker 经验的开发者。

---

上手体验与门槛

维度	评价
编程门槛	中高。需要理解 LangGraph 图执行模型
概念复杂度	高。工作流图、多级存储、事件驱动需要一定背景知识
文档质量	高。README 详细，有独立的 DB Setup 文档和单元测试文档
社区活跃度	一般。Stars 1016，open issues 6，license Apache-2.0
生产成熟度	高。声称200+ Agent生产验证，代码结构规范

---

局限性与挑战

KiwiQ 也有其局限性，开发者在选型时需要考量：

1. 运维复杂度高：需要同时维护 PostgreSQL + MongoDB + Redis + RabbitMQ + Weaviate 五种存储/中间件，运维成本不容忽视。
2. Prefect 依赖：编排层强依赖 Prefect，若 Prefect 出现 bug 或停止维护，存在供应链风险。
3. LangGraph 版本锁定：pyproject.toml 中锁定了 langgraph 0.6.6 版本，长期维护需要关注版本兼容性。
4. 无官方 Kubernetes 支持：只有 docker-compose 和 EC2 脚本，大规模 K8s 部署需要自行适配。
5. 多Provider一致性问题：不同 LLM Provider 的输出格式、token计算方式存在差异，多Provider路由场景需要充分测试。

---

行业意义：企业AI Agent的工程化范式

KiwiQ 代表了一个重要的趋势：AI Agent 的工程化。2024-2025年，AI Agent 从"能跑就行"演进到"要能上线"，KiwiQ 正是这一趋势的产物。

它解决的核心矛盾是：如何让非AI专家的业务团队也能定义和运行复杂的AI工作流，同时保证系统的可观测性、状态管理和人工介入能力。通过 JSON Schema 定义工作流 + LangGraph 执行 + Prefect 调度的组合，KiwiQ 提供了一个兼顾灵活性与可靠性的方案。

对于想构建企业级 AI 应用（尤其是营销、客服、研究类场景）的团队，KiwiQ 提供了经过实战检验的参考架构。即使不直接采用，用它来理解"生产级多Agent系统应该长什么样"也很有价值。