KI-Agent-Orchestrierung
Orchestrieren Sie Agent-Harness-Schritte und MCP-gesteuerte Workflows.
Dagu gibt KI-unterstützter Arbeit eine Produktionsgrenze: Agent-Harness-Schritte über harness.run ausführen, MCP-fähige Tools über den integrierten MCP-Server mit Dagu arbeiten lassen, und Logs, Retries, Freigaben sowie Audit-Historie an einem Ort halten.
name: agent-review
schedule: "0 9 * * 1"
steps:
- id: collect_context
run: ./scripts/collect-release-context.sh
output: RELEASE_CONTEXT
- id: draft_notes
action: harness.run
with:
provider: codex
prompt: |
Draft release notes from this context:
${steps.collect_context.outputs.RELEASE_CONTEXT}
depends: [collect_context]
- id: human_review
run: ./scripts/request-approval.sh
depends: [draft_notes]Explizite externe Provider-Laufzeit
Claude, Codex, Gemini, OpenCode oder eigene CLIs ausführen
Workflow-Operationen für MCP-fähige Tools bereitstellen
Human Review, Logs, Retries und Artefakte in Dagu behalten
At a glance
Die Rolle von Dagu in einem Agent-Stack
Externe CLIs über Harness-Schritte plus MCP-Clients über HTTP.
Agent-Frameworks koppeln Orchestrierung oft an eine Laufzeit oder Modelloberfläche.
Zeitpläne, Retries, Logs, Artefakte, Freigaben und erneute Läufe.
Prompt-only-Automatisierung überlässt diese Kontrollen eigenen Skripten und Konventionen.
Workflow-Definitionen, Laufzeitumgebung und Audit-Historie bleiben in Ihrer Umgebung.
Gehostete Agent-Plattformen geben Run-State und Kostenstruktur an einen externen Dienst ab.
In depth
Where each tool fits
Externe Agenten nutzen, keine versteckte Laufzeit
Dagu hält KI-Arbeit explizit: Workflow-Schritte rufen die externe CLI oder den eigenen Harness auf, den das Team auswählt.
- harness.run für Claude, Codex, Gemini, OpenCode, Aider oder interne Tools verwenden
- Provider auf dem Host oder in einer kontrollierten Container-Sandbox ausführen
- Modelle und CLIs wechseln, ohne die Workflow-Engine zu wechseln
MCP-fähige Tools Dagu bedienen lassen
Der MCP-Server von Dagu bleibt im HTTP-Server integriert. Freigegebene Clients können Status lesen, Änderungen vorab prüfen, DAG-Änderungen anwenden und Runs innerhalb derselben authentifizierten Grenze wie die API steuern.
- Dagu-Status und Run-Steuerung bereitstellen, ohne rohe Infrastruktur-Zugangsdaten an Agenten zu geben
- dagu_read, dagu_change und dagu_execute aus MCP-Clients verwenden
- MCP-Anfragen und nachgelagerte Aktionen in der Audit-Historie zuordnen
Produktionskontrollen um KI-Arbeit behalten
Agent-Ausgaben brauchen weiterhin Zeitpläne, Abhängigkeiten, Retries, Validierung und menschliche Prüfung. Dagu behandelt diese Kontrollen als Workflow-Struktur, nicht als Prompt-Kleber.
- Freigabeschritte hinzufügen, bevor generierte Ausgaben Produktion erreichen
- stdout, stderr, Artefakte, Logs und Run-Historie für Reviews erfassen
- Wiederkehrende Zusammenfassungen, Triage, Cleanup und QA-Workflows planen
FAQ
Practical questions before adopting Dagu
Ist Dagu ein KI-Agent-Framework?
Nein. Dagu ist kein Agent-Framework. Es ist eine Workflow-Engine, die Agent-Harness-Schritte, MCP-Clients und normale Befehle ausführt und beobachtet.
Was führt harness.run aus?
harness.run führt den konfigurierten externen Provider aus: Claude, Codex, Gemini, OpenCode, Aider oder einen internen Harness. Dagu startet keinen versteckten eingebauten Agenten.
Welche Rolle spielt MCP hier?
Der integrierte MCP-Server erlaubt autorisierten MCP-Clients, Status zu lesen, Änderungen zu prüfen, DAGs zu ändern und Runs zu steuern. Zugangsdaten werden nicht an den Client weitergegeben; Dagu injiziert sie zur Laufzeit.
Next step
Start with one workflow.
Install Dagu, move one fragile script or agent task into YAML, and decide from a real run history.