AI 에이전트 워크플로우를 위한 오픈 소스 시각적 오케스트레이터

pip install binex
binex ui

docker build -f docker/Dockerfile.webui -t binex .
docker run --rm -v binex-data:/data binex binex run workflow.yaml

# Zero-config 데모
binex hello

# 워크플로우 실행
binex run examples/simple.yaml

# 실행 검사
binex debug latest
binex trace latest

name: research-pipeline
nodes:
input:
...

binex eval run examples/eval/research-eval.yaml # 평가 스위트 실행
binex eval bless examples/eval/research-eval.yaml # 출력을 기준선으로 승인
binex eval golden workflow.yaml --baseline run_abc # 골든 런에 워크플로우 게이팅```

A suite는 입력(inputs)을 단언문(assertions, contains, regex, JSON path, LLM judge 등)과 쌍으로 묶어 처리합니다. CI 환경에서는 다음 명령어를 추가할 수 있습니다:
`binex eval run suite.yaml --format github --strict-baseline`

또한 모든 에이전트 프레임워크의 프로덕션 추적(production traces)을 실행(runs)으로 가져올 수도 있습니다: `binex import otel trace.json`

`claude mcp add binex -- binex mcp serve`

이를 통해 runs, evals, 그리고 artifacts를 MCP 도구(`binex_debug`, `binex_eval_run`, `binex_diff`)로 노출하여 Claude Code, Cursor 또는 모든 MCP 호환 에이전트에서 사용할 수 있습니다.

런타임 시 하위 DAG 파이프라인으로 확장되는 9가지 내장 에이전 패턴:

| Pattern | Description |
|---|---|
`critic` | draft → critique → refine (자기 개선 루프) |
`debate` | pro → con → judge (적대적 추론) |
`best_of_n` | N개의 병렬 후보군 → 선택자 |
`reflexion` | act → evaluate → reflect (반복적 자기 성찰) |
`scatter` | mapper → N개의 병렬 워커 → reducer (fan-out/fan-in) |
`fsm` | 구성 가능한 상태와 터미널을 가진 유한 상태 기계(finite state machine) |
`constitutional` | draft → critique-per-principle → revise |
`chain_of_verification` | draft → verify claims → synthesize |
`plan_execute` | planner → N개의 실행기(executors) → aggregator |

**OpenAI** · **Anthropic** · **Google Gemini** · **Ollama** · **OpenRouter** · **Groq** · **Mistral** · **DeepSeek** · **Together AI**

`examples/`에 29개의 예제 워크플로우가 있습니다. 주요 특징:

| 예제 | 시연 내용 |
|---|---|
`simple.yaml` | 최소 2개 노드 파이프라인 |
`diamond.yaml` | 다이아몬드 의존성 패턴 |
`fan-out-fan-in.yaml` | 집계가 포함된 병렬 실행 |
`human-in-the-loop.yaml` | 승인 게이트 및 조건부 분기 |
`human-feedback.yaml` | 인간 피드백 루프 |
`conditional-routing.yaml` | 조건부 노드 실행 |
`multi-provider-demo.yaml` | 하나의 워크플로우 내 다중 LLM 제공업체 지원 |
`ollama-research.yaml` | Ollama + OpenRouter를 사용한 전체 연구 파이프라인 |
`budget-hard-limit.yaml` | 하드 스톱을 통한 예산 강제 적용 |
`budget-per-node.yaml` | 노드별 예산 할당 |
`a2a-multi-agent.yaml` | A2A 프로토콜 다중 에이전트 워크플로우 |
`langchain-summarizer.yaml` | 파이프라인 내 LangChain Runnable 사용 |
`crewai-research-crew.yaml` | 워크플로우 노드로 사용되는 CrewAI Crew |
`autogen-coding-team.yaml` | 코드 생성을 위한 AutoGen 팀 |
`mixed-framework-pipeline.yaml` | 하나의 파이프라인 내 LangChain + CrewAI + AutoGen 조합

전체 문서는 **alexli18.github.io/binex**에서 확인하세요.

기여를 환영합니다! 유용하다고 느끼셨다면:

**레포지토리 스타(Star)**— 1초밖에 걸리지 않으며 아는 것보다 더 많은 도움을 줍니다**오픈 이슈(Open issues)**— 무엇이 잘못되었거나 필요한 것이 있는지 알려주세요**PR 제출(Submit PRs)**— 함께 만들어 갑시다

저는 이 프로젝트를 오픈 소스로 개발하는 1인 개발자입니다. 모든 스타, 이슈, PR은 실질적인 변화를 만듭니다.

- 프로젝트 포크(Fork the Project)
- 기능 브랜치 생성 (`git checkout -b feature/AmazingFeature`)
- 변경 사항 커밋 (`git commit -m 'Add some AmazingFeature'`)
- 브랜치에 푸시 (`git push origin feature/AmazingFeature`)
- 풀 리퀘스트(Pull Request) 열기

Binex는 환경 변수를 통해 구성할 수 있습니다:

| 변수 (Variable) | 기본값 (Default) | 설명 (Description) |
|---|---|---|
`BINEX_STORE_PATH` | `.binex` | SQLite 데이터베이스 및 아티팩트 디렉토리 |
`BINEX_DEFAULT_DEADLINE_MS` | `120000` | 밀리초 단위의 기본 노드 타임아웃 시간 |
`BINEX_DEFAULT_MAX_RETRIES` | `1` | 실패한 노드의 기본 재시도 횟수 |
`BINEX_DEFAULT_BACKOFF` | `exponential` | 재시도 백오프 전략 (`fixed` 또는 `exponential`) |
`BINEX_REGISTRY_URL` | `http://localhost:8000` | 기본 A2A 에이전트 레지스트리 URL |

모든 데이터는 `.binex/`에 저장됩니다.

(기본적으로 gitignore 처리됨):

`.binex/binex.db`

— SQLite 데이터베이스 (실행 기록, 비용 기록)
`.binex/artifacts/`

— JSON 아티팩트 파일

MIT 라이선스 하에 배포됩니다. 자세한 내용은 `LICENSE`를 참조하세요.

AI 에이전트는 블랙박스가 되어서는 안 된다고 믿는 1인 개발자가 제작했습니다.

클라우드 없음. 원격 측정(telemetry) 없음. 놀라움도 없음. 디버깅 가능한 AI 워크플로우만 있습니다.