Fehlertolerante KI-Agenten-Workflows mit Temporal und CrewAI

Diese technische Referenz beschreibt ein produktionsreifes Muster für den Betrieb von Multi-Agenten-LLM-Systemen unter strenger menschlicher Governance, wobei Temporal für die Orchestrierung und CrewAI als zustandslose Reasoning-Agenten eingesetzt werden. Der Artikel argumentiert, dass Workflows dauerhaften Zustand und Sequenzierung besitzen sollten, während Activities Nebenwirkungen wie LLM-Aufrufe, Validierungen und GitHub-Operationen mit einer zentralisierten RetryPolicy ausführen. Es wird demonstriert, wie blockierende menschliche Freigabeschleifen über Temporal Signals und wait_condition implementiert werden, was mehrtägige Pausen unterstützt, die Prozessneustarts überstehen. Zudem werden explizite In-Flight-Workflow-Versionierungen mit workflow.patched() und die Zerlegung von Multi-Agenten-Arbeit in Activity-granulare Aufgaben wie Writer und Reviewer behandelt, damit Wiederholungsversuche auf den fehlerhaften Agenten beschränkt bleiben. Der Beitrag verlinkt auf eine Open-Source-Referenzimplementierung auf GitHub und liefert Codebeispiele sowie operative Überlegungen für Unternehmen.