Cloudflare 利用在 GitHub Actions 中隔离运行 AI 智能体为 Astro 开源框架实现了自动化问题分类。该工作流会复现报告的缺陷、诊断根本原因、验证行为，并在生成预览版本供报告者验证之前提出修复方案。Cloudflare 称，Astro 的未解决问题数量从 200 多个降至约 30 个，按这些数据计算减少了约 85%，团队目标是实现零未解决问题。
该工作流复刻了 Astro 维护者在手动处理问题时的完整步骤，每个阶段都由一个独立的子智能体执行。复现智能体验证上报的问题现象；诊断智能体对代码插桩，定位问题根源；验证智能体检查测试用例、文档与注释；修复智能体先把问题复现场景转化为测试用例，再实施解决方案。各个智能体通过 report.md 文件传递信息，而非共用同一个执行上下文。
Astro AI 问题分类工作流（来源：Cloudflare 博客文章）
Cloudflare 将该工作流实现为由 GitHub Issue 标签驱动的状态机。新提交的问题会被打上 triage needed （需分级处理）标签；当提议的修复方案得到确认后，该问题就流转至 fix verified（修复已验证）状态。当某个智能体找出可行修复方案时，工作流会生成预览版本，并将分析结论、运行日志以及安装说明发布到对应 Issue 下。在问题上报者验证补丁无误后，自动化流程便会创建拉取请求。例如，2026 年 7 月一则和 Container API 相关的 Astro 问题就在上报者确认机器人给出的修复方案后被标记为 triage: fix verified。
Thrives 在一条 LinkedIn 评论中写道，其意义不仅仅在于让 AI 验证问题，而是在沙箱中运行智能体任务，让审核人员看到的基本都是已经通过自动化流程处理的结果。CloudBees 高级产品经理 Jordan Matthiesen 同样强调：要先完成问题复现，再开展问题诊断，并且要让问题上报者能够方便地测试修复方案，而 Shubhanshu Singh 则评价该工作流是显式智能体系统设计的典型范例。
CloudBees 高级产品经理 Jordan Matthiesen 强调了几点重要原则：在尝试诊断问题之前先复现问题；让上报者可以便捷地对修复方案进行测试；当智能体处理遇到阻碍时，同步完善代码、测试用例以及文档。Shubhanshu Singh 同样将 Astro 工作流描述为通过显式系统设计来构建智能体系统的范例，而非主要依赖智能体循环抽象。
Astro AI 问题分类工作流（来源：Cloudflare 博客文章）
Cloudflare 还将智能体运行失败视作代码库可维护性的信号。在一次热模块替换相关案例中，由于对应逻辑缺少足够的测试用例，智能体反复修改某一处条件判断代码，进而引入了功能退化问题。而添加一段描述性代码注释之后，智能体的行为发生改变，避免了这类反复修改的情况。
Astro 的这个工作流后来演变为 triagebot-action，一个独立的 GitHub Action，而其编排模型则发展为 Flue，一个用于构建持久化智能体工作流的开源框架。Flue 采用声明式模型，开发者定义智能体的上下文，包括模型、技能、沙箱和指令，而非编写编排循环。执行历史通过仅追加的事件日志进行持久化，即便工作流中途中断，也可以从之前的状态继续运行。
Flue 能够将智能体与 GitHub、Slack、Linear 以及 Discord 进行集成，可运行在 Node.js、GitHub Actions 或是 Cloudflare 基础设施上。在 Cloudflare 平台上，智能体可以作为 Durable Objects 运行，具备持久化执行能力与隔离存储。因此，Astro 问题分级处理工作流是 Flue 通用模型的一个实例：由有边界的智能体任务、持久化状态、外部事件以及人工审批节点共同构成一个高可靠软件工作流。
查看英文原文：https://www.infoq.com/news/2026/08/cloudflare-astro-ai-agents/
