Open Source 不仅仅是为 Hacktoberfest

发布: 1周前 (2025年12月30日 GMT+8 01:17)

15 min read

原文: Dev.to

Source: Dev.to

Hacktoberfest — 十月之后会怎样？

每年十月，开发者社区都充满了 Hacktoberfest 的活力。PR 像雨点般飞来，T‑恤被赚取，GitHub 变成绿色。
但有件事没人提及：十一月会怎样？

对大多数贡献者来说，答案很简单：什么也没有。他们曾贡献的仓库成为遥远的记忆，短暂接触的架构仍未被深入探索，原本可以与维护者建立的关系也从未形成。

我决定今年另辟蹊径。让我告诉你，一个 Hacktoberfest 的发现是如何演变成生产级 AI 系统的高手课堂的。

Hacktoberfest 悖论

陷阱	为何是个问题
表层贡献陷阱	快速的文档修复和拼写错误纠正是有价值的，别误会。但如果这就是全部工作，你就只看到树木而忽略了森林。真正的学习在于理解代码为何以特定方式组织，而不仅仅是发现缺少了一个分号。
追逐周边而忽视成长	T‑恤和徽章固然不错，但它们并不会教会你如何构建生产级系统。成长最快的开发者是那些十月之后仍然坚持参与的人。
错失的机会	最优秀的开源贡献来自于对代码库有深入了解的贡献者。这需要时间——超过一个月。

Source: …

改变我视角的项目：Skyflo.ai

在寻找有趣的项目进行贡献时，我偶然发现了 Skyflo.ai，一个用于 DevOps 和云原生运维的开源 AI 代理。

作为一名正在积极学习 AI 工程并构建代理架构的人，这不仅仅是另一个贡献机会。它正是我想要学习的内容：

LangGraph 用于有状态的代理编排
MCP（模型上下文协议） 用于标准化工具执行
人机交互安全模式
Kubernetes 原生部署

我没有像往常那样快速提交 PR 并离开，而是决定 深入探索。

Skyflo.ai 的功能

Skyflo.ai 是一个 AI 副驾驶，能够在自然语言界面后统一 Kubernetes 操作和 CI/CD 系统。与其记住 CLI 命令或在 UI 中点击，你只需告诉 Skyflo.ai 你的需求：

Show me the last 200 lines of logs for checkout in production.
If there are errors, summarize them.

或

Progressively canary‑rollout auth‑backend in dev through 10/25/50/100 steps

其魔力在于 安全实现方式——任何会改变系统状态的操作都需要人工批准。

架构概览

1. 前端层 – 指挥中心

使用 Next.js、TypeScript 和 Tailwind 构建
实时流式传输：SSE 到前端，Streamable HTTP 用于 MCP
实时显示代理执行的每个操作

2. 智能层 – 引擎

使用 FastAPI 后端和 LangGraph 工作流
管理 计划 → 执行 → 验证 循环
处理批准和检查点
实时 SSE 更新至 UI

3. 工具层 – MCP 服务器

使用 FastMCP 实现工具执行
为 kubectl、Helm、Jenkins、Argo Rollouts 提供标准化工具
在所有集成中实现安全、一致的操作

为什么此架构有效

关注点分离 的设计非常出色：

UI 的更改不会影响代理逻辑
新工具可以在不修改智能层的情况下添加
每个组件都可以独立部署和测试

Source: …

从生产 AI 系统中得到的关键经验

1. 用于有状态代理的 LangGraph

传统的 LLM 链是 无状态 的——你发送一个提示，得到一个响应，任务结束。真实场景中的 AI 代理需要：

在多个步骤之间记住上下文
通过检查点优雅地处理失败
在任何时刻支持人工干预

LangGraph 提供基于图的编排，能够实现上述全部功能。代理的工作流被定义为节点和边，状态在每一步都被持久化。

示例：Skyflo.ai 的工作流 (`engine/src/api/agent/graph.py`)

from langgraph.graph import StateGraph, START, END

def _build_graph(self) -> StateGraph:
    workflow = StateGraph(AgentState)

    # Define the workflow nodes
    workflow.add_node("entry", self._entry_node)
    workflow.add_node("model", self._model_node)
    workflow.add_node("gate", self._gate_node)
    workflow.add_node("final", self._final_node)

    # Define the flow
    workflow.add_edge(START, "entry")
    workflow.add_conditional_edges(
        "entry", route_from_entry,
        {"gate": "gate", "model": "model"}
    )
    workflow.add_conditional_edges(
        "model", route_after_model,
        {"gate": "gate", "model": "model", "final": "final"}
    )
    workflow.add_conditional_edges(
        "gate", route_after_gate,
        {"model": "model", "final": "final"}
    )
    workflow.add_edge("final", END)

    return workflow

这段代码创建了一个 有状态工作流，代理可以在规划（model）、执行（gate）和验证阶段之间循环，直至任务完成。

2. 模型上下文协议（MCP）

MCP 正在成为 AI 代理与工具交互的标准方式。相较于为每个工具单独构建集成（所谓的 “M × N 噩梦”），MCP 提供：

用于工具发现的 通用接口
标准化的调用模式
代理逻辑 与 工具实现 的清晰分离

可以把它看作 “AI 代理的 OpenAPI”。

带有人在环的安全 DevOps

在 DevOps 场景中，未经批准的自动执行是危险的。Skyflo 的做法如下：

代理生成计划
用户审阅并批准
代理执行
代理验证结果
循环直至完成

这种 计划 → 执行 → 验证 的循环，并在关键环节加入人工批准，是每个生产 AI 系统都应采用的模式。

3. 通过实时流式传输实现透明性

用户需要看到代理的实际操作。Skyflo.ai 实时流式传输 每一个动作：

工具调用
中间推理过程
执行结果
验证步骤

当你的代理涉及生产基础设施时，透明性至关重要。Skyflo.ai 通过 SSE 将事件从 Engine 推送到 UI，同时 Engine 与 MCP 服务器之间使用 可流式 HTTP 传输，实现高效、低延迟的数据流。

要点

不要在 Hacktoberfest 终点线止步。 利用这股势头深入一个与你长期学习目标相符的项目。
有状态编排 (LangGraph) + 通用工具合约 (MCP) = 强大的生产 AI 堆栈。
人机交互安全 在生产环境中不是可选项，而是核心设计原则。
实时可视化 建立信任并让调试更容易。

如果你在寻找一个能将你的 AI 工程技能提升到生产层面的项目，看看 Skyflo.ai —— 并考虑把 Hacktoberfest 的贡献转化为 大师课。

工具执行

我观察到的关键安全模式：

默认对 Helm 操作进行干运行（Dry‑run）
在任何应用之前先进行差异比较（Diff‑first）
所有变更均需审批门
对每个操作进行审计日志记录

架构说明

组件之间的通信使用了针对各自使用场景优化的不同协议：

Engine → UI：使用服务器发送事件（SSE）实现实时用户反馈
Engine → MCP Server：使用可流式的 HTTP 传输进行工具执行

我对 Skyflo.ai 的贡献

功能 / 修复	描述
Jenkins 构建控制	添加了停止/取消运行中构建的工具，实现完整的 CI/CD 生命周期管理
Kubernetes 滚动发布管理	实现了滚动发布历史和回滚工具，以提升部署安全性
Helm 模板渲染	添加了 `helm_template` 工具，可在部署前预览清单
K8s 资源标签选择器	为 `k8s_get` 工具增强了标签选择功能，实现更精确的资源查询
聊天历史搜索	实现了防抖服务器端搜索，提升对话管理效果

错误修复与用户体验改进

Message Continuity Fix: 已解决在工具批准/拒绝后聊天消息消失的关键问题。
Approval Flow Refinement: 在 UI 中简化了批准操作处理和消息最终化。
Navigation Enhancements: 使徽标可点击，并在导航栏中添加了 GitHub 项目链接。
Profile Management: 修复了个人资料更新时按钮状态的管理。
SSE Timeout Fix: 增加了 Nginx 代理超时时间，以防止 60 秒的 SSE 连接被切断。

文档

修复了 CONTRIBUTING.md 中的 architecture‑guide 链接，以帮助新贡献者。

学到的经验与挑战

挑战 1 – 理解状态流动

问题： 我最初没有弄清楚状态是如何在工作流节点之间流动的。条件边和状态更新感觉很复杂。

突破： 在阅读 engine/src/api/agent/graph.py 并在本地实验后，我意识到 LangGraph 的状态是累加的——每个节点返回的更新会与现有状态合并。该模式在保持对话上下文的同时，使节点保持独立。

挑战 2 – Engine / MCP Client / MCP Server 抽象

问题： 三个组件的分离让我感到困惑。

突破： 通过追踪一次工具调用的完整流程，我弄清了各自的职责：

Engine 接收来自 LLM 的用户意图。
MCP Client (engine/src/api/services/mcp_client.py) 充当桥梁。
MCP Server (mcp/tools/) 执行实际的 kubectl/helm 命令。

这种分离让你可以在不修改代理逻辑的情况下更换工具——架构非常出色。

挑战 3 – 审批门

问题： 何时以及如何触发审批门并不明显。

突破： 门节点会检查工具是否需要审批，如果需要则抛出 ApprovalPending，从而暂停执行。状态会被做检查点保存，当用户批准或拒绝后，工作流会在停止的地方继续运行。这是一种面向生产的错误处理方式。

Hacktoberfest 收获

Hacktoberfest 是一个极好的催化剂。它降低了入门门槛，让你接触到原本可能永远发现不了的项目。把它当作你的起点，而不是终点。

真正的学习发生在你：

阅读整个代码库，而不仅仅是你正在修改的文件。
加入 Discord/Slack 讨论，以了解路线图。
挑选让你感到畏惧的复杂问题。
提出关于架构决策的疑问。

Year‑Round: 成为维护者

持续的贡献建立信任。随着时间的推移，你将：

审核其他贡献者的 PR。
被邀请对设计决策提供意见。
影响项目的未来方向。
建立持久的职业关系。

贡献者心态

1. 选择你想学习的项目

不要只挑选容易的 PR。挑选使用你想掌握的技术的项目。我在 Skyflo.ai 上的工作教会我的生产 AI 系统知识，比任何教程都多。

2. 多种方式贡献

编写功能代码与修复 bug
改进文档
增加测试覆盖率
代码审查
社区支持

所有贡献都很有价值——多元化参与。

3. 建立关系

开源不仅关乎代码，也关乎人。今天认识的维护者和贡献者，明天会成为你的职业网络。

4. 关注自己的成长，而不仅是 PR 数量

真正的衡量标准不是合并的 PR，而是获得的技能、学习的模式以及建立的自信。

行动计划

找到一个与你想学习的内容相匹配的项目。
阅读贡献指南和行为准则。
在本地搭建开发环境。
从代码库开始，而不是从 issue 开始——在贡献之前先了解清楚。
加入社区（Discord、Slack、Discussions）。
选择你的第一个 issue 并深入研究。
在你的第一个 PR 合并后继续关注。

资源

Skyflo.ai GitHub:
Skyflo.ai Discord:
LangGraph 文档:
模型上下文协议:

与我联系

我分享我的 AI‑工程之旅、开源贡献以及开发者‑生产力技巧：

YouTube: @sachin-chaurasiya
博客:
LinkedIn:
X（Twitter）: @sachindotcom
Dev.to: sachinchaurasiya

有什么项目让你学到了意想不到的东西吗？留下评论吧，我很想听听！

Hacktoberfest — 十月之后会怎样？