Фреймворк zymi появился из конкретного раздражения: автор, пришедший в разработку агентов из дата-инженерии, раз за разом сталкивался с одной и той же проблемой LangGraph — мутируемым общим состоянием (State). В мультиагентных системах этот объект быстро превращается в неконтролируемую свалку: его нужно аккуратно обновлять на каждом шаге, а при отладке — вручную распечатывать и искать, где именно что-то пошло не так.

Решением стал декларативный подход, хорошо знакомый дата-инженерам по инструменту dbt. В dbt разработчик описывает, что нужно сделать с данными — через SQL и YAML, — а движок сам разбирается, как именно это выполнить: в каком порядке, с какими зависимостями. Zymi переносит ту же логику на мультиагентные системы. Агент, инструмент и пайплайн — каждый описывается отдельным YAML-файлом со строгой JSON-схемой. Движок сам строит граф зависимостей и запускает независимые шаги параллельно.

Пример из коробки — агент-исследователь из двух участников: researcher ищет информацию в интернете и сохраняет находки в память, writer читает эту память и формирует структурированный отчёт. Пайплайн из четырёх шагов запускается одной командой zymi run research, при этом два поисковых шага выполняются параллельно на первом уровне, анализ — на втором, написание отчёта — на третьем. Инструменты вроде поиска через Tavily подключаются через HTTP-конфиг без написания кода.

Агенты, инструменты и пайплайны описываются в YAML-файлах; движок сам разрешает зависимости и запускает шаги параллельно там, где это возможно.

Архитектурное отличие от LangGraph глубже, чем просто синтаксис конфигов. В zymi нет общего изменяемого состояния: вместо него — единая шина событий, где каждое действие агента фиксируется как иммутабельная запись. Записи связаны криптографически — каждая содержит хэш предыдущей, образуя верифицируемую цепочку. Это означает, что агент не изменяет данные напрямую, а выражает намерение это сделать, которое затем фиксируется в шине. Такой подход называется event sourcing и заимствован из enterprise-разработки, где он применяется для надёжного аудита и воспроизведения состояния системы. Теоретическую базу автор нашёл в работе «ESAA: Event Sourcing for Autonomous Agents in LLM-Based Software Engineering» (Brito dos Santos Filho, 2026).

Практическое следствие — каждый запуск пайплайна становится прослеживаемым и воспроизводимым без дополнительных усилий. Аналогия с dbt здесь прямая: лог событий даёт lineage, как dbt docs, а верификация намерений даёт уверенность в корректности этого лога, как dbt test.

Фреймворк написан на Rust и разрабатывался с помощью Claude Code. Автор прямо говорит: без ИИ-ассистента проект не был бы завершён — скорость появления новых инструментов такова, что самостоятельная разработка с нуля означала бы опоздание на несколько поколений. Следующий запланированный эксперимент — попросить Claude или Codex сгенерировать один и тот же пайплайн на LangGraph и на zymi и сравнить количество итераций и токенов. Гипотеза: YAML по строгой схеме генерируется языковыми моделями точнее, чем императивный Python-код с графами.