Graph Compose: Gehostete temporale Workflows mit visuellem Builder und KI

✍️ OpenClawRadar📅 Veröffentlicht: 21. April 2026🔗 Source
Graph Compose: Gehostete temporale Workflows mit visuellem Builder und KI
Ad

Graph Compose ist eine gehostete Plattform zur Orchestrierung von API-Workflows auf der dauerhaften Ausführungs-Engine von Temporal. Sie definieren Workflows als Graphen von Knoten (HTTP-Aufrufe, KI-Agenten, Iteratoren, Fehlergrenzen), die als Temporal-Workflows ausgeführt werden, ohne dass Sie die Infrastruktur verwalten müssen.

Drei Wege, denselben Graphen zu erstellen

Jeder Workflow verwendet ein konsistentes JSON-Format, das erstellt werden kann durch:

  • Einen React Flow visuellen Builder
  • Ein typisiertes TypeScript SDK (@graph-compose/client)
  • Einen KI-Assistenten, der einfaches Englisch in einen Graphen umwandelt

So funktioniert es

Sie übermitteln JSON-Workflows per API an https://api.graphcompose.io/v1/workflows/execute und sie werden sofort auf gehostetem Temporal ausgeführt. Kein Bereitstellungsschritt, kein Temporal-Cluster zum Ausführen, keine Worker zum Bereitstellen. Die Plattform übernimmt Planung, Wiederholungsversuche, Fehlergrenzen und Zustandspersistenz.

Workflow-Beispiel

const workflow = {
  "nodes": [
    {
      "id": "upload_image",
      "type": "http",
      "dependencies": [],
      "http": {
        "method": "PUT",
        "url": "https://storage.example.com/{{ context.filename }}",
        "headers": {
          "Content-Type": "{{ context.contentType }}",
          "Authorization": "Bearer {{ $secret('storage_token') }}"
        },
        "body": "{{ context.imageData }}"
      },
      "activityConfig": {
        "retryPolicy": {
          "maximumAttempts": 3,
          "initialInterval": "1s",
          "backoffCoefficient": 2
        },
        "startToCloseTimeout": "30 seconds"
      }
    },
    {
      "id": "generate_thumbnails",
      "type": "http",
      "dependencies": ["upload_image"],
      "http": {
        "method": "POST",
        "url": "https://images.example.com/process",
        "body": {
          "source": "{{ results.upload_image.data.url }}",
          "sizes": ["400x400", "200x200"]
        }
      }
    }
  ],
  "context": {
    "filename": "profile.jpg",
    "contentType": "image/jpeg"
  }
}
Ad

Hauptmerkmale

  • Dauerhafte Ausführung: Workflows überstehen Server-Neustarts, Netzwerkausfälle und Prozessabstürze. Temporal setzt vom letzten Kontrollpunkt fort.
  • Automatische Wiederholungsversuche: Konfigurieren Sie Wiederholungsrichtlinien pro Knoten mit maximalen Versuchen, Backoff-Intervallen und nicht wiederholbaren Fehlertypen.
  • Fehlergrenzen: Wickeln Sie Knoten in try/catch-artige Fehlergrenzen mit Fallback-Verhalten ein.
  • Zustandspersistenz: Fragen Sie den Workflow-Zustand zu jedem Zeitpunkt ab.
  • Vorlagenausdrücke: Knoten verweisen über die Syntax {{ results.node_id.data.field }} auf Ergebnisse von vorgelagerten Knoten.

Lizenzierung

Open-Core-Modell: Die Ausführungsgrundlagen und der Integrationsdienst sind AGPL-3.0, während der Plattform-Orchestrator, der visuelle Builder und der KI-Assistent proprietär sind.

📖 Read the full source: HN AI Agents

Ad

👀 Siehe auch

Transloadit MCP Server verbindet KI-Agenten mit der Medienverarbeitungspipeline
Werkzeuge

Transloadit MCP Server verbindet KI-Agenten mit der Medienverarbeitungspipeline

Transloadit hat einen MCP-Server entwickelt, der Claude und andere KI-Agenten mit ihrer Medienverarbeitungspipeline verbindet und dabei 86 Robots für Video-, Audio-, Bild- und Dokumentenverarbeitung nutzt. Die Einrichtung in Claude Code erfordert nur eine Zeile: npx -y @transloadit/mcp-server stdio mit den Umgebungsvariablen TRANSLOADIT_KEY und TRANSLOADIT_SECRET.

OpenClawRadar
mnemos: Eine persistente Gedächtnisschicht für KI-Coding-Agenten (Go, MCP-nativ, kein Python)
Werkzeuge

mnemos: Eine persistente Gedächtnisschicht für KI-Coding-Agenten (Go, MCP-nativ, kein Python)

mnemos ist eine Go-basierte, MCP-native Gedächtnisschicht für KI-Coding-Agenten. Der Autor entwickelte einen Verifizierer zur Messung der Verbesserung: +40% aggregiert bei Lese-Szenarien, aber nur 53% Erfassungsrate beim Schreiben nach iterativen Korrekturen.

OpenClawRadar
Benutzerdefinierte Ausgabestil-Sammlung für Claude Code
Werkzeuge

Benutzerdefinierte Ausgabestil-Sammlung für Claude Code

Ein Entwickler hat 13 benutzerdefinierte Ausgabestile für Claude Code erstellt, die das Verhalten der KI durch Systemprompts verändern. Die Stile umfassen Roast für brutale Code-Kritik, Socratic für geführtes Fragenstellen, Breaker für adversarielles Testen, Ship It für pragmatische Lösungen, Paranoid für Sicherheitsfokus und TDD für testgetriebene Entwicklung.

OpenClawRadar
ClawWatcher erreicht 200 Nutzer und meldet über 28.000 US-Dollar an kollektiven Einsparungen durch die OpenClaw-API.
Werkzeuge

ClawWatcher erreicht 200 Nutzer und meldet über 28.000 US-Dollar an kollektiven Einsparungen durch die OpenClaw-API.

ClawWatcher, ein Tool, das OpenClaw-API-Kosten in Echtzeit verfolgt, hat 200 Nutzer erreicht. Laut seinem Entwickler haben Nutzer gemeinsam über 28.000 US-Dollar an API-Kosten eingespart, mit einer durchschnittlichen Kostenreduktion von 45 %.

OpenClawRadar