PocketFlow 百行 LLM 框架深度解析从 Graph 核心抽象到并行批处理实战【免费下载链接】PocketFlowPocket Flow: 100-line LLM framework. Let Agents build Agents!项目地址: https://gitcode.com/gh_mirrors/poc/PocketFlowPocketFlow 是一个以100 行代码实现 LLM 框架核心为设计理念的极简 Python 框架其全部核心能力浓缩在一个 pocketflow/init.py 文件中。本文以官方文档与仓库源码为依据先讲清它的核心抽象 Graph 与 Node/Flow 体系再结合仓库内的 并行批处理翻译示例完整演示如何用AsyncFlowAsyncParallelBatchNode把 8 种语言的翻译任务从串行的约 19 分钟压缩到并行后的约 3 分钟并给出可复现的配置参数、运行命令与注意事项。一、PocketFlow 是什么百行级极简 LLM 框架PocketFlow 的官方定位是100-line minimalist LLM framework——整个框架核心只用一个约 100 行的 pocketflow/init.py 文件承载。它强调三个核心特性轻量Lightweight核心代码仅约 100 行零冗余、零第三方依赖、零供应商锁定。你既可以通过pip install pocketflow安装也可以直接把 pocketflow/init.py 复制进自己的项目使用这正是仓库 cookbook 示例的普遍做法——所有示例都在本地目录下直接from pocketflow import ...。表达力Expressive在 Graph 这一核心抽象之上可以组合出 多智能体Multi-Agent、智能体Agent、工作流Workflow、RAG 等主流 LLM 应用设计模式。Agentic Coding框架本身的定位是让 AI 智能体如 Cursor AI来编写应用代码实现人设计、Agent 编码的快速开发范式。从设计动机看PocketFlow 认为主流的 LLM 框架过度臃肿——一个 LLM 框架的核心抽象其实只需要 100 行。它刻意不提供任何应用层封装如开箱即用的 QA、摘要工具和供应商封装如 OpenAI、Pinecone 的专用适配器把这些选择权完全交给开发者。二、为什么只需要 100 行与主流框架的规模对比官方文档给出了 PocketFlow 与其他主流 LLM 框架的抽象与规模对比数据源自官方对比表反映各框架仓库的代码规模与体积而非运行时性能框架抽象应用专用封装供应商专用封装代码行数安装体积LangChainAgent、Chain多如 QA、摘要多如 OpenAI、Pinecone405K166MBCrewAIAgent、Chain多如 FileReadTool、SerperDevTool多如 OpenAI、Anthropic、Pinecone18K173MBSmolAgentAgent少量如 CodeAgent、VisitWebTool少量如 DuckDuckGo、Hugging Face8K198MBLangGraphAgent、Graph少量如语义搜索少量如 PostgresStore、SqliteSaver37K51MBAutoGenAgent少量如 Tool Agent、Chat Agent多可选如 OpenAI、Pinecone7K仅核心26MB仅核心PocketFlowGraph无无10056KB从表中可以看到PocketFlow 的选择非常明确只提供 Graph 这一层通用抽象不附带任何应用层与供应商层的封装。这样做的收益是框架本体极小、易于阅读和修改而代价是需要开发者自己编写 LLM 调用、文件读写等基础设施——这也正是仓库 cookbook 中每个示例都自带utils.py封装 LLM 调用的原因。三、核心抽象Graph 与 100 行源码实现3.1 Graph 是唯一的核心抽象PocketFlow 认为 LLM 框架的本质就是Graph图节点Node执行具体计算边Edge决定执行顺序与条件跳转。只要拥有图抽象就能自然派生出 Agent、Workflow、RAG、Map-Reduce 等所有主流设计模式。整个框架的类体系都围绕这一思想构建全部位于 pocketflow/init.pyBaseNodeL3-L24所有节点与流的基础。prep/exec/post三段式生命周期next()注册后继节点运算符用于串联节点-运算符用于条件转移_ConditionalTransition。NodeL26-L34普通节点支持max_retries最大重试次数与wait重试间隔秒数异常时会走exec_fallback。BatchNodeL36-L37对prep返回的列表逐项调用exec适合批量处理。FlowL39-L51编排器从start_node出发根据每个节点post返回的 action 查找后继节点循环执行直到无后继节点。BatchFlowL53-L57对prep返回的每组参数分别运行一遍子流。AsyncNode/AsyncBatchNode/AsyncFlow/AsyncBatchFlow对应的异步版本用prep_async/exec_async/post_async与run_async()驱动。节点之间的串联示例from pocketflow import Node, Flow class GreetNode(Node): def exec(self, prep_res): print(Hello, PocketFlow!) return default node GreetNode() flow Flow(startnode) flow.run({}) # 同步执行 # await flow.run_async({}) # 异步执行3.2 并行能力的底层实现AsyncParallelBatchNode 与 AsyncParallelBatchFlow并行是本仓库的另一大核心能力官方文档 docs/core_abstraction/parallel.md 有专门章节讲解。其底层实现极其简洁AsyncParallelBatchNodepocketflow/init.py#L79-L80与AsyncBatchNode一样把prep_async返回的列表逐项交给exec_async但使用asyncio.gather让所有项并发执行而不是逐个 awaitclass AsyncParallelBatchNode(AsyncNode, BatchNode): async def _exec(self, items): return await asyncio.gather(*(super(AsyncParallelBatchNode, self)._exec(i) for i in items))AsyncParallelBatchFlowpocketflow/init.py#L96-L99AsyncBatchFlow的并行版对prep_async返回的每组参数并发地运行整个子流同样基于asyncio.gather。官方文档docs/core_abstraction/parallel.md同时给出三点重要提醒受 GIL 限制由于 Python 的 GIL并行节点/流无法真正并行化 CPU 密集型任务如重数值计算它们擅长的是重叠 I/O 等待——LLM 调用、数据库查询、API 请求、文件读写这类 I/O 密集任务。保证任务相互独立如果某项输出依赖前一项结果就不应并行化。注意限流Rate Limit并发调用可能迅速触发 LLM 服务的限流必要时需要节流机制如信号量 semaphore 或 sleep 间隔。四、快速上手与教程地图4.1 安装与运行官方推荐两种接入方式pip 安装pip install pocketflow直接复制源码把 pocketflow/init.py约 100 行复制进项目目录随用随改这正是仓库全部 cookbook 示例的实际做法。官方文档还给出了各语言版本的适配官方仓库已提供 Typescript、Java、C、Go 等语言版本Python 之外的用户可按需选用。4.2 从易到难的教程地图官方文档按难度列出大量可运行示例均为仓库内目录可直接阅读与运行名称难度说明Chat☆☆☆ 最简单带对话历史的基础聊天机器人Structured Output☆☆☆ 最简单通过提示词从简历中抽取结构化数据Workflow☆☆☆ 最简单先列提纲、再写内容、最后应用样式的写作工作流Agent☆☆☆ 最简单可联网搜索并回答问题的研究智能体RAG☆☆☆ 最简单简单的检索增强生成流程Batch☆☆☆ 最简单把 markdown 批量翻译成多种语言的批处理器串行版Streaming☆☆☆ 最简单实时 LLM 流式输出支持用户中断Chat Guardrail☆☆☆ 最简单只处理旅行相关请求的旅游顾问机器人Map-Reduce★☆☆ 入门用 map-reduce 模式批量评估简历Multi-Agent★☆☆ 入门两个智能体异步玩禁忌词游戏Supervisor★☆☆ 入门为越来越不可靠的研究智能体构建监督流程Parallel Batch★☆☆ 入门并行执行演示展示约 3 倍加速Parallel Flow★☆☆ 入门多过滤器并行图像处理展示约 8 倍加速Majority Vote★☆☆ 入门聚合多次推理结果提升准确率Thinking★☆☆ 入门通过思维链解决复杂推理问题Chat Memory★☆☆ 入门带短期与长期记忆的聊天机器人Text2SQL★☆☆ 入门自然语言转 SQL带自动调试循环MCP★☆☆ 入门用模型上下文协议做数值运算的智能体A2A★☆☆ 入门以 Agent-to-Agent 协议封装智能体实现智能体间通信其中Parallel Batch并行批处理正是本仓库中用于演示如何用异步并发把多路 I/O 任务提速的经典示例下一节结合源码完整展开。五、深入实战并行批处理多语言翻译5.1 场景与目标Parallel Batch 示例 的目标是把仓库根目录的 README.md 并行翻译成 8 种语言中文、西班牙语、日语、德语、俄语、葡萄牙语、法语、韩语每份翻译写入translations/README_语言.md文件并与串行版本对比耗时。它直接复用了 Batch 串行示例 的业务逻辑只是把节点基类从BatchNode换成AsyncParallelBatchNode把调用方式从同步改成异步从而获得近线性的 I/O 加速。5.2 节点实现TranslateTextNodeParallel核心节点定义在 cookbook/pocketflow-parallel-batch/main.pyimport asyncio import time import os from pocketflow import AsyncFlow, AsyncParallelBatchNode from utils import call_llm class TranslateTextNodeParallel(AsyncParallelBatchNode): Translates README into multiple languages in parallel and saves files. async def prep_async(self, shared): Reads text and target languages from shared store. text shared.get(text, (No text provided)) languages shared.get(languages, []) return [(text, lang) for lang in languages] async def exec_async(self, data_tuple): Calls the async LLM utility for each target language. text, language data_tuple prompt f Please translate the following markdown file into {language}. But keep the original markdown format, links and code blocks. Directly return the translated text, without any other text or comments. Original: {text} Translated: result await call_llm(prompt) print(fTranslated {language} text) return {language: language, translation: result} async def post_async(self, shared, prep_res, exec_res_list): Stores the dictionary of {language: translation} pairs and writes to files. output_dir shared.get(output_dir, translations) os.makedirs(output_dir, exist_okTrue) for result in exec_res_list: if isinstance(result, dict): language result.get(language, unknown) translation result.get(translation, ) filename os.path.join(output_dir, fREADME_{language.upper()}.md) try: import aiofiles async with aiofiles.open(filename, w, encodingutf-8) as f: await f.write(translation) print(fSaved translation to {filename}) except ImportError: with open(filename, w, encodingutf-8) as f: f.write(translation) print(fSaved translation to {filename} (sync fallback)) except Exception as e: print(fError writing file {filename}: {e}) else: print(fWarning: Skipping invalid result item: {result}) return default三个阶段各司其职prep_async从共享存储shared中取出源文本与语言列表构造(text, lang)元组列表。AsyncParallelBatchNode会在内部把这个列表交给asyncio.gather并发调度。exec_async对每个(text, lang)构造翻译提示词并await call_llm(prompt)。这里的关键是必须用await调用异步函数让出事件循环8 个翻译请求才能同时处于等待 API 响应的状态。post_async遍历exec_res_list结果把每份译文写入translations/README_语言大写.md。优先使用aiofiles异步写文件若未安装则回退到同步写示例代码对ImportError做了兜底。5.3 异步 LLM 封装utils.pyutils.py 提供了 Anthropic 的异步调用封装import os import asyncio from anthropic import AsyncAnthropic async def call_llm(prompt): client AsyncAnthropic(api_keyos.environ.get(ANTHROPIC_API_KEY, your-api-key)) response await client.messages.create( modelclaude-3-7-sonnet-20250219, max_tokens20000, thinking{type: enabled, budget_tokens: 16000}, messages[{role: user, content: prompt}], ) return response.content[1].text要点使用AsyncAnthropic客户端来自anthropic包API Key 通过环境变量ANTHROPIC_API_KEY注入模型为claude-3-7-sonnet-20250219max_tokens20000并启用了 extended thinkingbudget_tokens16000因此返回内容取response.content[1].text索引 0 是思考块文件底部自带if __name__ __main__自测入口运行python utils.py即可快速验证 API Key 与调用链路是否正常需先配置有效的 Key。5.4 流程组装与运行主流程在 main.py 末尾def create_parallel_translation_flow(): translate_node TranslateTextNodeParallel(max_retries3) return AsyncFlow(starttranslate_node) async def main(): with open(../../README.md, r, encodingutf-8) as f: text f.read() shared { text: text, languages: [Chinese, Spanish, Japanese, German, Russian, Portuguese, French, Korean], output_dir: translations } translation_flow create_parallel_translation_flow() start_time time.perf_counter() await translation_flow.run_async(shared) duration time.perf_counter() - start_time print(f\nTotal parallel translation time: {duration:.4f} seconds)关键点max_retries3节点内置重试机制继承自Node见 pocketflow/init.py#L26-L34某次 API 调用失败会自动重试最多 3 次增强稳定性AsyncFlowrun_async()因为节点是异步的必须用异步流并通过await flow.run_async(shared)驱动同步run()会抛出RuntimeError: Use run_async.见 pocketflow/init.py#L74shared字典是节点间共享的存储text为源内容、languages为目标语言列表、output_dir为输出目录三者都可在不修改节点代码的情况下灵活配置。运行步骤对应示例文档的 Getting Started# 1. 安装依赖 pip install -r requirements.txt # 2. 配置 API Key环境变量或 .env 文件均可 export ANTHROPIC_API_KEYyour-api-key-here # 3. 可选验证 API Key python utils.py # 4. 运行并行翻译流程 python main.pyrequirements.txt 声明的依赖包括pocketflow0.0.2、anthropic0.15.0、python-dotenv、httpx与aiofiles后两者分别支撑 HTTP 客户端与异步文件写入。5.5 串行 vs 并行实测效果与原理示例文档 cookbook/pocketflow-parallel-batch/README.md 给出了同一套 8 语言翻译任务在串行与并行两种实现下的对比输出串行版见 cookbook/pocketflow-batch/main.py# --- Sequential Run Output (from pocketflow-batch) --- Total sequential translation time: ~1136 seconds # --- Parallel Run Output (this example) --- Translated French text Translated Portuguese text ... # Messages may appear interleaved Translated Spanish text Saved translation to translations/README_CHINESE.md ... Total parallel translation time: ~209 seconds示例文档明确说明实际时间会随 API 响应速度和系统状况而变化因此该组数据约 1136 秒 vs 约 209 秒约 5.4 倍加速应视为参考性实测而非承诺值。加速的根本原因在于串行版每个翻译请求都要等上一次完全返回后才发起下一次8 次请求的总耗时约为单次耗时的 8 倍并行版通过asyncio.gather同时发起所有请求总耗时约等于最慢的那一次请求耗时——这是 I/O 密集型任务最典型的优化方式。仓库测试 tests/test_async_parallel_batch_node.py 从工程层面验证了这一机制test_parallel_processing5 个各延迟 0.1s 的任务并行执行总耗时被断言小于 0.2s≈单任务延迟证明AsyncParallelBatchNode确实并发而非串行test_concurrent_execution通过记录任务完成顺序验证短延迟任务先于长延迟任务完成确认并发调度真实生效test_error_handling某项抛异常时整体向调用方抛出保证错误可被感知test_empty_input/test_single_item/test_large_batch覆盖空输入、单元素与 100 元素大批次等边界场景。5.6 并行使用注意事项结合官方文档 docs/core_abstraction/parallel.md 与示例实现实际使用并行能力时需注意任务必须相互独立若第 N 项依赖第 N-1 项的输出禁止并行化应使用串行AsyncBatchNode或BatchNode预留限流余量8 路并发请求很可能触发供应商限流可通过asyncio.Semaphore控制并发上限或在请求间加入间隔I/O 密集才有效受 GIL 限制CPU 密集型计算无法靠本机制提速保持输出确定性并发请求的完成顺序不确定示例输出中打印信息是交错的结果落盘时不要依赖执行顺序。六、Agentic Coding人设计、Agent 编码的使用范式官方文档将 Agentic Coding 定位为最快的 LLM 应用开发范式由人来设计产出设计文档、节点拓扑由 AI 智能体来编码生成flow.py、nodes.py等代码。由于 PocketFlow 只有约 100 行且没有隐藏魔法智能体可以轻松读懂全部源码并按照设计文档写出可运行的图结构代码这正是仓库中大量 cookbook 示例docs/design.md flow.py成对出现的组织方式。对于想要尝试此范式的开发者官方建议从官方模板仓库起步按设计 → 让 Agent 编码 → 运行验证的循环推进。七、总结PocketFlow 用约 100 行代码证明了 LLM 框架的核心抽象可以极其精简Graph 一统 Node 与 Flow同步/异步、批处理/并行只是不同的组合方式。本文沿着官方文档的脉络先梳理了它的设计定位、框架对比与核心源码pocketflow/init.py再以 并行批处理翻译示例 为主线完整复现了AsyncParallelBatchNode的三段式实现、异步 LLM 封装、运行命令与串并行的性能差异并以 测试代码 印证了并发机制的正确性。读者可将这套并行批处理模式迁移到摘要、检索、数据清洗等任意 I/O 密集场景也可以参考 Parallel Flow 图像处理示例官方教程表中展示约 8 倍加速进一步扩展多步并行流水线。【免费下载链接】PocketFlowPocket Flow: 100-line LLM framework. Let Agents build Agents!项目地址: https://gitcode.com/gh_mirrors/poc/PocketFlow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 PocketFlow 百行 LLM 框架深度解析：从 Graph 核心抽象到并行批处理实战
PocketFlow 百行 LLM 框架深度解析从 Graph 核心抽象到并行批处理实战【免费下载链接】PocketFlowPocket Flow: 100-line LLM framework. Let Agents build Agents!项目地址: https://gitcode.com/gh_mirrors/poc/PocketFlowPocketFlow 是一个以100 行代码实现 LLM 框架核心为设计理念的极简 Python 框架其全部核心能力浓缩在一个 pocketflow/init.py 文件中。本文以官方文档与仓库源码为依据先讲清它的核心抽象 Graph 与 Node/Flow 体系再结合仓库内的 并行批处理翻译示例完整演示如何用AsyncFlowAsyncParallelBatchNode把 8 种语言的翻译任务从串行的约 19 分钟压缩到并行后的约 3 分钟并给出可复现的配置参数、运行命令与注意事项。一、PocketFlow 是什么百行级极简 LLM 框架PocketFlow 的官方定位是100-line minimalist LLM framework——整个框架核心只用一个约 100 行的 pocketflow/init.py 文件承载。它强调三个核心特性轻量Lightweight核心代码仅约 100 行零冗余、零第三方依赖、零供应商锁定。你既可以通过pip install pocketflow安装也可以直接把 pocketflow/init.py 复制进自己的项目使用这正是仓库 cookbook 示例的普遍做法——所有示例都在本地目录下直接from pocketflow import ...。表达力Expressive在 Graph 这一核心抽象之上可以组合出 多智能体Multi-Agent、智能体Agent、工作流Workflow、RAG 等主流 LLM 应用设计模式。Agentic Coding框架本身的定位是让 AI 智能体如 Cursor AI来编写应用代码实现人设计、Agent 编码的快速开发范式。从设计动机看PocketFlow 认为主流的 LLM 框架过度臃肿——一个 LLM 框架的核心抽象其实只需要 100 行。它刻意不提供任何应用层封装如开箱即用的 QA、摘要工具和供应商封装如 OpenAI、Pinecone 的专用适配器把这些选择权完全交给开发者。二、为什么只需要 100 行与主流框架的规模对比官方文档给出了 PocketFlow 与其他主流 LLM 框架的抽象与规模对比数据源自官方对比表反映各框架仓库的代码规模与体积而非运行时性能框架抽象应用专用封装供应商专用封装代码行数安装体积LangChainAgent、Chain多如 QA、摘要多如 OpenAI、Pinecone405K166MBCrewAIAgent、Chain多如 FileReadTool、SerperDevTool多如 OpenAI、Anthropic、Pinecone18K173MBSmolAgentAgent少量如 CodeAgent、VisitWebTool少量如 DuckDuckGo、Hugging Face8K198MBLangGraphAgent、Graph少量如语义搜索少量如 PostgresStore、SqliteSaver37K51MBAutoGenAgent少量如 Tool Agent、Chat Agent多可选如 OpenAI、Pinecone7K仅核心26MB仅核心PocketFlowGraph无无10056KB从表中可以看到PocketFlow 的选择非常明确只提供 Graph 这一层通用抽象不附带任何应用层与供应商层的封装。这样做的收益是框架本体极小、易于阅读和修改而代价是需要开发者自己编写 LLM 调用、文件读写等基础设施——这也正是仓库 cookbook 中每个示例都自带utils.py封装 LLM 调用的原因。三、核心抽象Graph 与 100 行源码实现3.1 Graph 是唯一的核心抽象PocketFlow 认为 LLM 框架的本质就是Graph图节点Node执行具体计算边Edge决定执行顺序与条件跳转。只要拥有图抽象就能自然派生出 Agent、Workflow、RAG、Map-Reduce 等所有主流设计模式。整个框架的类体系都围绕这一思想构建全部位于 pocketflow/init.pyBaseNodeL3-L24所有节点与流的基础。prep/exec/post三段式生命周期next()注册后继节点运算符用于串联节点-运算符用于条件转移_ConditionalTransition。NodeL26-L34普通节点支持max_retries最大重试次数与wait重试间隔秒数异常时会走exec_fallback。BatchNodeL36-L37对prep返回的列表逐项调用exec适合批量处理。FlowL39-L51编排器从start_node出发根据每个节点post返回的 action 查找后继节点循环执行直到无后继节点。BatchFlowL53-L57对prep返回的每组参数分别运行一遍子流。AsyncNode/AsyncBatchNode/AsyncFlow/AsyncBatchFlow对应的异步版本用prep_async/exec_async/post_async与run_async()驱动。节点之间的串联示例from pocketflow import Node, Flow class GreetNode(Node): def exec(self, prep_res): print(Hello, PocketFlow!) return default node GreetNode() flow Flow(startnode) flow.run({}) # 同步执行 # await flow.run_async({}) # 异步执行3.2 并行能力的底层实现AsyncParallelBatchNode 与 AsyncParallelBatchFlow并行是本仓库的另一大核心能力官方文档 docs/core_abstraction/parallel.md 有专门章节讲解。其底层实现极其简洁AsyncParallelBatchNodepocketflow/init.py#L79-L80与AsyncBatchNode一样把prep_async返回的列表逐项交给exec_async但使用asyncio.gather让所有项并发执行而不是逐个 awaitclass AsyncParallelBatchNode(AsyncNode, BatchNode): async def _exec(self, items): return await asyncio.gather(*(super(AsyncParallelBatchNode, self)._exec(i) for i in items))AsyncParallelBatchFlowpocketflow/init.py#L96-L99AsyncBatchFlow的并行版对prep_async返回的每组参数并发地运行整个子流同样基于asyncio.gather。官方文档docs/core_abstraction/parallel.md同时给出三点重要提醒受 GIL 限制由于 Python 的 GIL并行节点/流无法真正并行化 CPU 密集型任务如重数值计算它们擅长的是重叠 I/O 等待——LLM 调用、数据库查询、API 请求、文件读写这类 I/O 密集任务。保证任务相互独立如果某项输出依赖前一项结果就不应并行化。注意限流Rate Limit并发调用可能迅速触发 LLM 服务的限流必要时需要节流机制如信号量 semaphore 或 sleep 间隔。四、快速上手与教程地图4.1 安装与运行官方推荐两种接入方式pip 安装pip install pocketflow直接复制源码把 pocketflow/init.py约 100 行复制进项目目录随用随改这正是仓库全部 cookbook 示例的实际做法。官方文档还给出了各语言版本的适配官方仓库已提供 Typescript、Java、C、Go 等语言版本Python 之外的用户可按需选用。4.2 从易到难的教程地图官方文档按难度列出大量可运行示例均为仓库内目录可直接阅读与运行名称难度说明Chat☆☆☆ 最简单带对话历史的基础聊天机器人Structured Output☆☆☆ 最简单通过提示词从简历中抽取结构化数据Workflow☆☆☆ 最简单先列提纲、再写内容、最后应用样式的写作工作流Agent☆☆☆ 最简单可联网搜索并回答问题的研究智能体RAG☆☆☆ 最简单简单的检索增强生成流程Batch☆☆☆ 最简单把 markdown 批量翻译成多种语言的批处理器串行版Streaming☆☆☆ 最简单实时 LLM 流式输出支持用户中断Chat Guardrail☆☆☆ 最简单只处理旅行相关请求的旅游顾问机器人Map-Reduce★☆☆ 入门用 map-reduce 模式批量评估简历Multi-Agent★☆☆ 入门两个智能体异步玩禁忌词游戏Supervisor★☆☆ 入门为越来越不可靠的研究智能体构建监督流程Parallel Batch★☆☆ 入门并行执行演示展示约 3 倍加速Parallel Flow★☆☆ 入门多过滤器并行图像处理展示约 8 倍加速Majority Vote★☆☆ 入门聚合多次推理结果提升准确率Thinking★☆☆ 入门通过思维链解决复杂推理问题Chat Memory★☆☆ 入门带短期与长期记忆的聊天机器人Text2SQL★☆☆ 入门自然语言转 SQL带自动调试循环MCP★☆☆ 入门用模型上下文协议做数值运算的智能体A2A★☆☆ 入门以 Agent-to-Agent 协议封装智能体实现智能体间通信其中Parallel Batch并行批处理正是本仓库中用于演示如何用异步并发把多路 I/O 任务提速的经典示例下一节结合源码完整展开。五、深入实战并行批处理多语言翻译5.1 场景与目标Parallel Batch 示例 的目标是把仓库根目录的 README.md 并行翻译成 8 种语言中文、西班牙语、日语、德语、俄语、葡萄牙语、法语、韩语每份翻译写入translations/README_语言.md文件并与串行版本对比耗时。它直接复用了 Batch 串行示例 的业务逻辑只是把节点基类从BatchNode换成AsyncParallelBatchNode把调用方式从同步改成异步从而获得近线性的 I/O 加速。5.2 节点实现TranslateTextNodeParallel核心节点定义在 cookbook/pocketflow-parallel-batch/main.pyimport asyncio import time import os from pocketflow import AsyncFlow, AsyncParallelBatchNode from utils import call_llm class TranslateTextNodeParallel(AsyncParallelBatchNode): Translates README into multiple languages in parallel and saves files. async def prep_async(self, shared): Reads text and target languages from shared store. text shared.get(text, (No text provided)) languages shared.get(languages, []) return [(text, lang) for lang in languages] async def exec_async(self, data_tuple): Calls the async LLM utility for each target language. text, language data_tuple prompt f Please translate the following markdown file into {language}. But keep the original markdown format, links and code blocks. Directly return the translated text, without any other text or comments. Original: {text} Translated: result await call_llm(prompt) print(fTranslated {language} text) return {language: language, translation: result} async def post_async(self, shared, prep_res, exec_res_list): Stores the dictionary of {language: translation} pairs and writes to files. output_dir shared.get(output_dir, translations) os.makedirs(output_dir, exist_okTrue) for result in exec_res_list: if isinstance(result, dict): language result.get(language, unknown) translation result.get(translation, ) filename os.path.join(output_dir, fREADME_{language.upper()}.md) try: import aiofiles async with aiofiles.open(filename, w, encodingutf-8) as f: await f.write(translation) print(fSaved translation to {filename}) except ImportError: with open(filename, w, encodingutf-8) as f: f.write(translation) print(fSaved translation to {filename} (sync fallback)) except Exception as e: print(fError writing file {filename}: {e}) else: print(fWarning: Skipping invalid result item: {result}) return default三个阶段各司其职prep_async从共享存储shared中取出源文本与语言列表构造(text, lang)元组列表。AsyncParallelBatchNode会在内部把这个列表交给asyncio.gather并发调度。exec_async对每个(text, lang)构造翻译提示词并await call_llm(prompt)。这里的关键是必须用await调用异步函数让出事件循环8 个翻译请求才能同时处于等待 API 响应的状态。post_async遍历exec_res_list结果把每份译文写入translations/README_语言大写.md。优先使用aiofiles异步写文件若未安装则回退到同步写示例代码对ImportError做了兜底。5.3 异步 LLM 封装utils.pyutils.py 提供了 Anthropic 的异步调用封装import os import asyncio from anthropic import AsyncAnthropic async def call_llm(prompt): client AsyncAnthropic(api_keyos.environ.get(ANTHROPIC_API_KEY, your-api-key)) response await client.messages.create( modelclaude-3-7-sonnet-20250219, max_tokens20000, thinking{type: enabled, budget_tokens: 16000}, messages[{role: user, content: prompt}], ) return response.content[1].text要点使用AsyncAnthropic客户端来自anthropic包API Key 通过环境变量ANTHROPIC_API_KEY注入模型为claude-3-7-sonnet-20250219max_tokens20000并启用了 extended thinkingbudget_tokens16000因此返回内容取response.content[1].text索引 0 是思考块文件底部自带if __name__ __main__自测入口运行python utils.py即可快速验证 API Key 与调用链路是否正常需先配置有效的 Key。5.4 流程组装与运行主流程在 main.py 末尾def create_parallel_translation_flow(): translate_node TranslateTextNodeParallel(max_retries3) return AsyncFlow(starttranslate_node) async def main(): with open(../../README.md, r, encodingutf-8) as f: text f.read() shared { text: text, languages: [Chinese, Spanish, Japanese, German, Russian, Portuguese, French, Korean], output_dir: translations } translation_flow create_parallel_translation_flow() start_time time.perf_counter() await translation_flow.run_async(shared) duration time.perf_counter() - start_time print(f\nTotal parallel translation time: {duration:.4f} seconds)关键点max_retries3节点内置重试机制继承自Node见 pocketflow/init.py#L26-L34某次 API 调用失败会自动重试最多 3 次增强稳定性AsyncFlowrun_async()因为节点是异步的必须用异步流并通过await flow.run_async(shared)驱动同步run()会抛出RuntimeError: Use run_async.见 pocketflow/init.py#L74shared字典是节点间共享的存储text为源内容、languages为目标语言列表、output_dir为输出目录三者都可在不修改节点代码的情况下灵活配置。运行步骤对应示例文档的 Getting Started# 1. 安装依赖 pip install -r requirements.txt # 2. 配置 API Key环境变量或 .env 文件均可 export ANTHROPIC_API_KEYyour-api-key-here # 3. 可选验证 API Key python utils.py # 4. 运行并行翻译流程 python main.pyrequirements.txt 声明的依赖包括pocketflow0.0.2、anthropic0.15.0、python-dotenv、httpx与aiofiles后两者分别支撑 HTTP 客户端与异步文件写入。5.5 串行 vs 并行实测效果与原理示例文档 cookbook/pocketflow-parallel-batch/README.md 给出了同一套 8 语言翻译任务在串行与并行两种实现下的对比输出串行版见 cookbook/pocketflow-batch/main.py# --- Sequential Run Output (from pocketflow-batch) --- Total sequential translation time: ~1136 seconds # --- Parallel Run Output (this example) --- Translated French text Translated Portuguese text ... # Messages may appear interleaved Translated Spanish text Saved translation to translations/README_CHINESE.md ... Total parallel translation time: ~209 seconds示例文档明确说明实际时间会随 API 响应速度和系统状况而变化因此该组数据约 1136 秒 vs 约 209 秒约 5.4 倍加速应视为参考性实测而非承诺值。加速的根本原因在于串行版每个翻译请求都要等上一次完全返回后才发起下一次8 次请求的总耗时约为单次耗时的 8 倍并行版通过asyncio.gather同时发起所有请求总耗时约等于最慢的那一次请求耗时——这是 I/O 密集型任务最典型的优化方式。仓库测试 tests/test_async_parallel_batch_node.py 从工程层面验证了这一机制test_parallel_processing5 个各延迟 0.1s 的任务并行执行总耗时被断言小于 0.2s≈单任务延迟证明AsyncParallelBatchNode确实并发而非串行test_concurrent_execution通过记录任务完成顺序验证短延迟任务先于长延迟任务完成确认并发调度真实生效test_error_handling某项抛异常时整体向调用方抛出保证错误可被感知test_empty_input/test_single_item/test_large_batch覆盖空输入、单元素与 100 元素大批次等边界场景。5.6 并行使用注意事项结合官方文档 docs/core_abstraction/parallel.md 与示例实现实际使用并行能力时需注意任务必须相互独立若第 N 项依赖第 N-1 项的输出禁止并行化应使用串行AsyncBatchNode或BatchNode预留限流余量8 路并发请求很可能触发供应商限流可通过asyncio.Semaphore控制并发上限或在请求间加入间隔I/O 密集才有效受 GIL 限制CPU 密集型计算无法靠本机制提速保持输出确定性并发请求的完成顺序不确定示例输出中打印信息是交错的结果落盘时不要依赖执行顺序。六、Agentic Coding人设计、Agent 编码的使用范式官方文档将 Agentic Coding 定位为最快的 LLM 应用开发范式由人来设计产出设计文档、节点拓扑由 AI 智能体来编码生成flow.py、nodes.py等代码。由于 PocketFlow 只有约 100 行且没有隐藏魔法智能体可以轻松读懂全部源码并按照设计文档写出可运行的图结构代码这正是仓库中大量 cookbook 示例docs/design.md flow.py成对出现的组织方式。对于想要尝试此范式的开发者官方建议从官方模板仓库起步按设计 → 让 Agent 编码 → 运行验证的循环推进。七、总结PocketFlow 用约 100 行代码证明了 LLM 框架的核心抽象可以极其精简Graph 一统 Node 与 Flow同步/异步、批处理/并行只是不同的组合方式。本文沿着官方文档的脉络先梳理了它的设计定位、框架对比与核心源码pocketflow/init.py再以 并行批处理翻译示例 为主线完整复现了AsyncParallelBatchNode的三段式实现、异步 LLM 封装、运行命令与串并行的性能差异并以 测试代码 印证了并发机制的正确性。读者可将这套并行批处理模式迁移到摘要、检索、数据清洗等任意 I/O 密集场景也可以参考 Parallel Flow 图像处理示例官方教程表中展示约 8 倍加速进一步扩展多步并行流水线。【免费下载链接】PocketFlowPocket Flow: 100-line LLM framework. Let Agents build Agents!项目地址: https://gitcode.com/gh_mirrors/poc/PocketFlow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考