AI 应用过于复杂
它们本质上是分布式系统的升级版。 LLM 的不稳定工具和 API、速率限制以及存储对话历史记录都会给已经具有挑战性的项目增加复杂性。
构建和扩展 AI 的完美工具
用 Python 编写持久化工作流
代码即工作流
使用 Temporal 的 Python SDK 编写您的 AI 应用，它可以开箱即用地处理任何故障场景。
编排
设置工作流来编排与任何数量的分布式数据存储和工具的交互。
持久执行
保证所有进程的所有执行都能成功完成，即使出现故障。
只编写正常流程的代码
状态处理
工作流可以自动长时间（甚至数年）保持状态，因此您不需要状态机。
人工参与循环
轻松促进人工参与循环的交互，例如验证 LLM 结果或批准代理决策。
自我修复
开箱即用地获得自动重试，并保持重试直到概率性 LLM 返回有效数据的能力。
了解正在发生什么以及原因
高扩展性
以惊人的规模编码并行任务和并发工作流。
易于测试
逐步调试您的 AI 应用的执行，并使用您喜欢的工具测试数千种结果。
强大的可观察性
从详细的 UI 中检查和排查 AI 应用的性能、输入和输出。
AI 生态系统
使用流行的代理框架和工具构建和监控。 您是否有兴趣与 Temporal 集成的 AI 工具？ 请联系 我们的团队。
成功案例：Replit
Replit 将其流行的编码代理迁移到 Temporal，以提高可靠性并为平台团队腾出时间。 Temporal 在大规模上编排 Replit Agent 控制平面层。
Temporal 使我们对构建产品更有信心，并且知道它不会有很多导致糟糕用户体验的边缘情况。
Connor Brewster
Replit 首席工程师
AI 中 Temporal 的用例
提高关键 AI 应用的可靠性和开发速度。
代理
编排可靠、长期运行和人工参与循环的代理。 防止幻觉和速率限制。 扩展到数百万个代理。
MCP
使用 Temporal 编写持久化工具，以提高可靠性和上下文感知能力。 进行可靠的长期调用。
推理和 RAG
编排与 LLM 之间的可靠交互，并从多个数据存储中收集数据。 轻松安排文档提取。
上下文工程
编排可靠的数据工程管道，以确保您的代理拥有做出正确决策所需的必要信息。
我们能够在几个月内推出 Retool Agents，并使用一个非常小的团队支持一个非常强大的体验……如果没有 Temporal，这根本不可能。
Lizzie Siegrist
Retool 产品经理
我们能够一次又一次地与代理合作。 在没有工作流方法的情况下做到这一点非常痛苦。 我认为对我们来说，使用 Temporal 的工作流方法很好，因为最终，所有 LLM 用例都是工作流。
Romain Niveau
Gorgias 高级工程经理
