Alle Knotentypen, Wiederholungsrichtlinien, Bedingungen und parallele Verzweigungen für YAML-Workflows.

Workflow-Erstellung (YAML)

YAML ist das primäre Erstellungsformat für JamJet-Workflows. Diese Seite behandelt jeden Knotentyp, jede Kontrollfluss-Option und jeden Konfigurationsparameter.

Workflow-Header

workflow:
  id: my-workflow          # unique identifier (slug format)
  version: 0.1.0           # semver
  state_schema:            # typed state (all keys optional at start)
    query: str
    results: list[str]
    answer: str
    score: float
  start: first-node        # entry node id

Model-Knoten

Ruft ein LLM auf und schreibt die Antwort in einen State-Key.

nodes:
  think:
    type: model
    model: claude-haiku-4-5-20251001       # or gpt-4o, gemini-2.0-flash, etc.
    prompt: |
      You are a helpful assistant.
      Answer this question: {{ state.query }}
    output_key: answer          # writes model response here
    next: end

    # Optional
    system: "You are concise and precise."
    temperature: 0.3
    max_tokens: 1024
    retry:
      max_attempts: 3
      backoff: exponential      # or linear, constant
      delay_ms: 500

Unterstützte Modelle:

Provider	Model IDs
Anthropic	`claude-haiku-4-5-20251001`, `claude-sonnet-4-6`, `claude-opus-4-6`
OpenAI	`gpt-4o`, `gpt-4o-mini`, `o3-mini`
Google	`gemini-2.0-flash`, `gemini-2.5-pro`

Tool-Knoten (MCP)

Ruft ein Tool von einem verbundenen MCP-Server auf.

nodes:
  search:
    type: tool
    server: brave-search        # MCP server name (from jamjet.toml)
    tool: web_search
    arguments:
      query: "{{ state.query }}"
      count: 5
    output_key: search_results
    next: summarize

MCP-Server werden in jamjet.toml konfiguriert:

[[mcp.servers]]
name = "brave-search"
command = "npx"
args = ["-y", "@modelcontextprotocol/server-brave-search"]
env = { BRAVE_API_KEY = "${BRAVE_API_KEY}" }

HTTP-Knoten

Führt eine HTTP-Anfrage aus und schreibt den Response-Body in den State.

nodes:
  fetch-data:
    type: http
    method: GET
    url: "https://api.example.com/data/{{ state.item_id }}"
    headers:
      Authorization: "Bearer {{ env.API_KEY }}"
    output_key: raw_data
    next: process

Für POST/PUT ein body-Feld hinzufügen:

    method: POST
    body:
      query: "{{ state.query }}"
      format: json

Branch-Knoten

Leitet die Ausführung basierend auf einer Bedingung weiter.

nodes:
  route:
    type: branch
    conditions:
      - if: "state.confidence >= 0.9"
        next: done
      - if: "state.confidence >= 0.5"
        next: refine
    default: escalate        # Fallback, wenn keine Bedingung zutrifft

Bedingungen werden der Reihe nach ausgewertet – die erste Übereinstimmung gewinnt. Ausdrücke verwenden eine einfache Teilmenge der Python-Syntax mit verfügbaren state.* und env.* Werten.

Parallel-Knoten

Verzweigt in mehrere Pfade, wartet auf deren Abschluss und fährt dann fort.

nodes:
  gather:
    type: parallel
    branches:
      - search
      - fetch-docs
      - check-cache
    join: synthesize         # Knoten, der nach Abschluss aller Zweige ausgeführt wird

Jeder Zweig läuft nebenläufig. State-Schreibvorgänge aus parallelen Zweigen werden zusammengeführt; wenn zwei Zweige denselben Schlüssel schreiben, gewinnt der letzte Schreibvorgang.

Wait-Knoten

Hält die Ausführung an, bis ein externes Event eintrifft.

nodes:
  await-approval:
    type: wait
    event: human_approved    # Name des Events, auf das gewartet wird
    timeout_hours: 24
    on_timeout: escalate     # Knoten, der bei Timeout ausgeführt wird
    next: continue

Fortsetzen einer wartenden Ausführung mit:

jamjet resume exec_01JM4X8NKWP2 --event human_approved --data '{"approved": true}'

Eval-Knoten

Bewertet die Ausgabequalität inline. Nützlich für selbstheilende Schleifen.

nodes:
  check-quality:
    type: eval
    scorers:
      - type: llm_judge
        rubric: "Ist die Antwort akkurat, vollständig und unter 200 Wörtern?"
        min_score: 4          # Skala 1-5
        model: claude-haiku-4-5-20251001
      - type: assertion
        check: "len(output.answer) > 0"
      - type: latency
        max_ms: 5000
    on_fail: retry_with_feedback   # oder escalate, halt, log_and_continue
    max_retries: 2
    next: end

on_fail-Optionen:

retry_with_feedback — führt den vorherigen Model-Knoten mit in den Prompt injiziertem Scorer-Feedback erneut aus
escalate — leitet zu einem Eskalationsknoten weiter (definiere escalate: im Workflow-Header)
halt — stoppt die Ausführung mit einem Fehler
log_and_continue — protokolliert den Fehler, fährt aber trotzdem fort

End-Knoten

Beendet die Ausführung. Jeder Workflow benötigt mindestens einen.

nodes:
  end:
    type: end

Sie können mehrere benannte End-Knoten haben (z. B. success, failure, escalated) — sie alle beenden die Ausführung sauber.

Retry-Policies

Jeder Knoten kann eine Retry-Policy haben:

    retry:
      max_attempts: 3
      backoff: exponential    # linear | constant | exponential
      delay_ms: 200           # initiale Verzögerung
      max_delay_ms: 10000     # Obergrenze für exponentielles Backoff
      retry_on:               # optional: nur bei diesen Fehlern wiederholen
        - model_overloaded
        - rate_limited
        - timeout

Template-Ausdrücke

Prompts, URLs, Header und Argumente unterstützen {{ }}-Template-Ausdrücke:

Ausdruck	Wert
`{{ state.key }}`	Ein State-Wert
`{{ env.KEY }}`	Eine Umgebungsvariable
`{{ execution.id }}`	Aktuelle Execution-ID
`{{ execution.workflow_id }}`	Workflow-ID
`{{ node.id }}`	Aktuelle Node-ID

Vollständiges Beispiel

workflow:
  id: research-agent
  version: 0.2.0
  state_schema:
    query: str
    search_results: list[str]
    draft: str
    answer: str
  start: search

nodes:
  search:
    type: tool
    server: brave-search
    tool: web_search
    arguments:
      query: "{{ state.query }}"
      count: 10
    output_key: search_results
    next: draft

  draft:
    type: model
    model: claude-sonnet-4-6
    prompt: |
      Basierend auf diesen Suchergebnissen:
      {{ state.search_results | join('\n') }}

      Schreibe eine umfassende Antwort auf: {{ state.query }}
    output_key: draft
    next: evaluate

  evaluate:
    type: eval
    scorers:
      - type: llm_judge
        rubric: "Ist diese Antwort faktisch in den Suchergebnissen verankert, vollständig und gut strukturiert?"
        min_score: 4
        model: claude-haiku-4-5-20251001
      - type: assertion
        check: "len(output.draft) >= 100"
    on_fail: retry_with_feedback
    max_retries: 2
    next: done

  done:
    type: end

Workflow-Erstellung (YAML)

On this page