80KB内存跑智能体工作流:tiny-langgraph开源

tiny-langgraph 把 Python 工作流编译成 C,让多智能体图在 80KB 内存的微控制器上离线运行。
tiny-langgraph 是一个受 LangGraph 启发的开源多智能体引擎,核心思路是把 Python 编写的节点-边工作流编译为 C 代码,直接烧录到 ESP32-S3、ESP8266 等超边缘设备。它支持节点与边、多智能体协作、基于合约的板间通信以及 MCP 服务器接入,且完全不依赖云基础设施,断网时工作流仍可按预设流程执行。代价是编译期确定拓扑,运行时动态调整空间有限,复杂推理仍需云端算力。项目已在两类芯片上验证,处于早期阶段,作者正征集智能体框架开发者的反馈。
当智能体工作流遇见微控制器
在云端,LangGraph 这类框架让多智能体协作变得简单。但如果你手头只有一块内存仅 80 KB 的微控制器,还能跑起同样的大脑吗?一位开发者在 Reddit 上开源了 tiny-langgraph,试图给出肯定答案。
这是一个受 LangGraph 启发的多智能体引擎,核心思路是把 Python 编写的工作流编译成 C 代码,直接烧录到 ESP32-S3、ESP8266 这类超边缘设备上。项目已在 GitHub 公开,作者明确表示希望获得智能体框架开发者的反馈,尤其关注工作流设计与资源受限环境下的执行策略。

LangGraph 是 LangChain 生态中用于构建有状态、多智能体应用的框架,其核心抽象是「图」:节点代表计算步骤(如调用模型、执行工具),边定义控制流(包括条件分支与循环),并支持持久化状态与人工介入。它通常运行在具备 Python 解释器和充足内存的云服务器或本地机器上,依赖动态调度与运行时解释。tiny-langgraph 借用了这套节点-边图抽象,但把执行层换成编译后的 C 代码,从而在无 Python 运行时的微控制器上复现类似的工作流编排语义。
它到底能做什么
根据项目说明,tiny-langgraph 支持的功能覆盖了智能体工作流的几个核心元素:
- 节点与边:工作流的基本拓扑结构,与 LangGraph 的图抽象保持一致
- 多智能体协作:多个代理节点可以在同一设备或跨板协同
- 基于合约的板间通信:不同硬件板之间通过约定好的接口交换信息
- MCP 服务器支持:为接入更丰富的工具生态留下入口
关键约束是不依赖云基础设施。所有工作流逻辑在设备本地编译执行,这意味着即便网络断开,智能体仍可按预设流程运转。这对工业传感器、农业监测等场景意义明显——它们往往部署在连接不稳定的环境中。
ESP32-S3 与 ESP8266 是乐鑫科技推出的低成本 Wi-Fi 微控制器。ESP8266 主频约 80 MHz、SRAM 通常不足 100 KB;ESP32-S3 为双核 240 MHz,带有向量指令扩展并可选配外部 PSRAM,SRAM 约 512 KB。二者都远不足以运行 Python 解释器和大模型,但足以承载编译后的轻量状态机与通信协议栈。文中「80 KB 内存」的约束大致对应这类芯片可用 RAM 的量级,也解释了为何必须采用编译到 C、避免动态内存分配与解释开销的路线。
从 Python 到 C 的编译路径
用 Python 描述工作流、再编译成 C 执行,这个设计把易用性和运行效率拆分处理。开发者在熟悉的 Python 环境里编排节点和边,编译器负责将其转换成适合微控制器运行的 C 代码,绕过在 MCU 上直接运行 Python 解释器的资源开销。
这条路径的代价是灵活性。编译期确定的拓扑结构意味着运行时动态调整工作流的空间有限,而云端框架可以依赖解释执行和动态调度。作者在征集反馈时专门提到“受限执行”这个方向,说明他清楚动态行为在微控制器上的难度。
另一个看点是板间合约通信。多块微控制器各跑一部分工作流,通过约定接口协作,相当于把一张大图切分到多块板子上。这为分布式边缘智能体提供了基础,但也引出同步、容错等工程问题,目前项目尚未披露具体实现细节。
MCP(Model Context Protocol)是由 Anthropic 提出的一种开放协议,用于让 AI 应用以标准化方式连接外部工具、数据源和服务。它定义了客户端与服务器之间的消息格式与能力发现机制,使智能体无需为每个工具写定制适配代码。在 tiny-langgraph 中支持 MCP 服务器,意味着设备上的工作流理论上可以按统一接口调用工具生态,而不必把每个工具的逻辑都硬编码进固件;不过受限于 MCU 的算力和内存,实际能接入的 MCP 服务规模与复杂度会明显小于云端场景。
与云端方案的分工
tiny-langgraph 并不试图替代 LangGraph。80 KB 内存的上限决定了它只能承载轻量决策:简单的条件分支、少量状态传递、短链条的代理交互。复杂推理、大模型调用仍需要更强的算力。
它的价值在于把智能体架构的抽象带到边缘端。以往微控制器程序多是硬编码的状态机,开发者要手动管理状态流转。如果图结构的工作流能在 MCU 上运行,代码组织方式会更接近现代智能体开发范式,迁移和复用也更容易。
目前项目处于早期阶段,作者在 ESP32-S3 和 ESP8266 上完成了验证,但社区反馈、文档完善和更广泛的硬件适配都还需要时间。对做边缘 AI 和嵌入式开发的工程师来说,这是一个值得观察的开源实验——它试探的是一条此前少有人走的路线:让智能体工作流在资源极度受限的设备上落地。
相关推荐

间谍蜜罐训练内幕:情感解离与锚定技术
间谍如何被训练执行蜜罐任务?一位受训者披露情感解离、香水与关键词锚定、目标照片绑定等心理学技术,解析条件反射如何被用于情报行动,并揭示这套机制在日常生活营销中的类似应用。

前沿AI风险管理:从训练到部署的全链路实践
OpenAI系统阐述前沿AI风险管理框架:从训练阶段的模型对齐,到部署阶段的沙箱隔离与阻断式防护,再到部署后的持续监控,构建贯穿模型全生命周期的分层风险控制体系。

Databricks推出Genie Migrate,简化Serverless迁移
Databricks 发布 Genie Migrate for Serverless,帮助用户将既有工作负载迁移到 Serverless 计算。本文解析该迁移工具的定位、对用户的实际意义以及尚未明确的细节。