WorkflowとPattern

client.submit_task(
    query="10万ドルの投資で年利8%、5年間のROIを計算してください"
)

ステップ1: 公式を特定（ROI = (最終値 - 初期値) / 初期値）
ステップ2: 年ごとの成長を計算
ステップ3: 最終値を計算（$146,933）
ステップ4: ROIを計算（46.93%）

client.submit_task(
    query="スケーラブルなメッセージキューシステムを設計してください。複数のアーキテクチャを評価し、最適なアプローチを推奨してください。"
)

ブランチ1: Redisベースのソリューション
  ├─ 長所: 高速、シンプル、馴染みがある
  ├─ 短所: 限定的な永続性、メモリ制約
  └─ スコア: 7/10

ブランチ2: Kafkaベースのソリューション
  ├─ 長所: 高スループット、耐久性、実証済み
  ├─ 短所: 運用の複雑さ、リソース消費
  └─ スコア: 9/10

ブランチ3: RabbitMQベースのソリューション
  ├─ 長所: 機能豊富、良好なバランス
  ├─ 短所: Kafkaより低いスループット
  └─ スコア: 8/10

選択: Kafka（要件に対して最高スコア）

client.submit_task(
    query="最新のRust非同期ランタイムベンチマークを調べてください"
)

Think: "最近のベンチマークを検索する必要がある"
Act: web_search("Rust async runtime benchmarks 2024")
Observe: 2024年の3つの記事を発見
Think: "詳細な比較データを取得しよう"
Act: web_search("tokio vs async-std vs smol benchmark comparison")
Observe: パフォーマンスデータを発見
Think: "調査結果をまとめられる"
Act: 結果をレポートに統合

client.submit_task(
    query="モノリスをマイクロサービスに移行すべきですか？賛成と反対の両方の議論を提供し、推奨事項を示してください。"
)

Agent 1（マイクロサービス賛成）:
  - より良いスケーラビリティ
  - 独立したデプロイ
  - 技術の柔軟性

Agent 2（モノリス賛成）:
  - よりシンプルな運用
  - より簡単なデバッグ
  - より低いレイテンシ

Agent 3（統合者）:
  - 両方の議論を評価
  - コンテキストを考慮
  - 推奨事項を提供

# このクエリは自動的に3つの並列サブタスクに分解されます
client.submit_task(
    query="調査：1) GPT-5の機能、2) Claude 3の特徴、3) Geminiの更新"
)

# イベントをストリーミングしてWorkflow実行を確認
for event in client.stream(workflow_id):
    if event.type == "PROGRESS":
        print(f"Progress: {event.message}")
    elif event.type == "AGENT_STARTED":
        print(f"Agent started: {event.agent_id} - {event.message}")
    elif event.type == "AGENT_COMPLETED":
        print(f"Agent completed: {event.agent_id}")

# タスクステータスを取得
status = client.get_status(task_id)

print(f"Status: {status.status}")
print(f"Progress: {status.progress}")
if status.result:
    print(f"Result: {status.result}")

# Workflow履歴をエクスポート
make replay-export WORKFLOW_ID=task-123 OUT=history.json

# 現在のコードに対してリプレイ
make replay HISTORY=history.json

# コードが非決定論的に変更された場合、リプレイは失敗

# .env内
MAX_AGENTS_PER_TASK=5          # 最大並列Agent数（有効な場合）
MAX_TOKENS_PER_REQUEST=50000   # リクエストごとのLLMトークン予算（LLMサービス）
MAX_COST_PER_REQUEST=5.0       # リクエストごとのLLMコスト制限（USD）
AGENT_TIMEOUT_SECONDS=600      # Agent実行タイムアウト（Orchestrator）

handle = client.submit_task(query="複雑な分析タスク")

# Workflowイベントをストリーミング
for event in client.stream(handle.workflow_id):
    print(f"[{event.type}] {event.message}")

for event in client.stream(workflow_id):
    if event.type == "LLM_PROMPT":
        print(f"Prompt: {event.message}")
    elif event.type == "AGENT_COMPLETED":
        print(f"Agent done: {event.agent_id}")

# .envファイル内
AGENT_TIMEOUT_SECONDS=300  # Agentごとの5分実行制限