CodeQL統合によるAI支援コード監査、脆弱性トリアージ、セキュリティリサーチに使用される、宣言型YAML駆動のエージェントワークフロー向けMCP対応マルチエージェントフレームワーク。
Security Lab Taskflow Agent は、宣言型の YAML 駆動エージェントワークフローを実現する MCP 対応のマルチエージェントフレームワークです。
OpenAI Agents SDK を基盤とし、文法検証に Pydantic、テンプレートレンダリングに Jinja2 を使用しています。
Taskflow Agent は、GitHub Workflow に似た YAML ベースの文法を活用し、一連のエージェントを用いて一連のタスクを実行します。
その主な価値提案は、コードを一切書くことなく、エージェントワークフローを素早く定義してスクリプト化できる CLI ツールとしての点にあります。
エージェントは personalities を通じて定義され、一連の tools を与えられた上で、完了すべき task を受け取ります。
エージェントは、いわゆる taskflows を通じて協調し、一連のタスクを完了することができます。
taskflow 文法の詳細な概要はこちら、タスクフローの例はこちらにあります。
┌─────────────────────────────────────────────────────┐
│ CLI (cli.py) │
│ Typer-based entry point: -p, -t, -l, -g, -m, --resume, --lint│
└─────────────────────┬───────────────────────────────┘
│
┌─────────────────────▼───────────────────────────────┐
│ Runner (runner.py) │
│ Taskflow execution loop, model resolution, │
│ template rendering, session checkpointing │
└─────────────────────┬───────────────────────────────┘
│
┌─────────────────────▼───────────────────────────────┐
│ MCP Lifecycle (mcp_lifecycle.py) │
│ Server connection, cleanup, process management │
└─────────────────────┬───────────────────────────────┘
│
┌─────────────────────▼───────────────────────────────┐
│ Agent (agent.py) │
│ TaskAgent wrapper, hooks, OpenAI Agents SDK bridge │
└─────────────────────────────────────────────────────┘
Supporting modules:
models.py — Pydantic v2 grammar models (validation)
session.py — Task-level checkpoint / resume
available_tools.py — YAML resource loader with caching
template_utils.py — Jinja2 template environment
mcp_utils.py — MCP client parameter resolution
mcp_transport.py — MCP transport implementations (stdio, streamable)
mcp_prompt.py — System prompt construction
prompt_parser.py — Legacy prompt argument parser
capi.py — AI API endpoint and token management
path_utils.py — Platform-aware data/log directories
エージェントは Chat Completions と Responses の両方のOpenAI APIをサポートしています。
APIタイプはグローバルに、または model_config ファイル内でモデルごとに設定できます:
seclab-taskflow-agent:
version: "1.0"
filetype: model_config
api_type: chat_completions # default for all models
models:
gpt_default: gpt-4.1
gpt_responses: gpt-5.1
model_settings:
gpt_responses:
api_type: responses # override for this model
endpoint: https://api.githubcopilot.com
token: CAPI_TOKEN # env var name containing the API key
モデルごとの model_settings には以下を含めることができます:
api_type — "chat_completions"(デフォルト)または "responses"endpoint — このモデル用の API ベース URL のオーバーライドtoken — API キーを含む環境変数の名前ランナーは共通インターフェースの背後で 3 つの SDK を駆動できます:
openai_agents(デフォルト) — OpenAI Agents Python SDK。マルチパーソナリティのハンドオフ、chat_completions と responses の両方の api_type、temperature、parallel_tool_calls、exclude_from_context、および stdio、SSE、ストリーミング可能な HTTP 経由の MCP をサポートします。copilot_sdk — GitHub Copilot Python SDK。ストリーミング、reasoning_effort、stdio/SSE/HTTP 経由の MCP、およびツールごとの権限ゲーティングをサポートします。SDK はモデルごとに独自のワイヤプロトコルを選択するため、YAML の api_type フィールドは尊重されません。マルチパーソナリティのハンドオフ、temperature、parallel_tool_calls も同様に利用できません。サポートされていないフィールドを使用するタスクフローは、読み込み時に問題のフィールドを名指しする BackendCapabilityError で失敗します。anthropic_sdk — Anthropic Python SDK。ネイティブの Messages API(/v1/messages)を駆動します。ストリーミング、MCP 経由のツール呼び出し、および設定可能な reasoning.effort(low、medium、high、max)による適応的思考をサポートします。ハンドオフはサポートされません。CAPI の Anthropic エンドポイントでの使用を想定して設計されており、認証には Authorization: Bearer(x-api-key ではない)を使用します。選択の優先順位(高い順):
model_settings ブロック内のタスクごとの backend:(その 1 つのタスクについてモデルレベルの値をオーバーライドします。_resolve_task_model() を参照)。model_settings 内のモデルごとの backend:(単一のタスクフロー内でバックエンドを混在させることができます)。backend: フィールド(グローバルデフォルト)。SECLAB_TASKFLOW_BACKEND 環境変数。openai_agents。seclab-taskflow-agent:
version: "1.0"
filetype: model_config
models:
code_analysis: claude-opus-4.7
general_tasks: gpt-5.4-mini
model_settings:
code_analysis:
api_type: messages
backend: anthropic_sdk
reasoning:
effort: high
general_tasks:
api_type: responses
backend: openai_agents
各バックエンドアダプターは、SDK 固有の例外を sdk/errors.py にある中立な階層へ変換するため、ランナーはどの SDK もインポートせずにリトライポリシーを適用できます。バックエンドを追加するということは、そのエラーも変換することを意味します。test_every_backend_adapter_translates_transport_failures がレジストリ全体でこれを強制します。
トランスポート障害には明示的な処理が必要であり、見落とされがちです。ベンダー SDK は、リクエストを送信する呼び出しの周囲にのみ httpx をラップしており、ストリーミングではレスポンスヘッダーが到着した時点で戻り、その後でボディが反復処理されます。したがって、ボディの途中で接続が切れると、SDK 自身の階層にも組み込みの階層にも属さない、素の httpx エラーとして表面化します。sdk/_transport.py はリトライ可能なものを列挙しており、各アダプターはそれらを BackendTransportError にマッピングします。この集合は httpx.TransportError を丸ごと捕捉するのではなく列挙されています。なぜなら、LocalProtocolError はリクエストが不正であったことを意味し、UnsupportedProtocol は決定的だからです。
リトライの所有者は 1 つだけです。それは _deploy_with_transport_retry 内のブランチです。試行間でキャプチャ状態をリセットする唯一のレベルであるため、失敗前に記録されたツール結果が二重に公開されたり、タスクの名前付き出力になったりすることはなく、既に外部システムへ書き込んでいる可能性のある兄弟ではなく、失敗したブランチのみを再実行します。リトライは TASK_RETRY_LIMIT によって制限され、TASK_RETRY_BACKOFF からの線形バックオフが適用されます。
その上下のどこも、同じクラスをリトライしません。リトライループはネストするため、2 つのレベルで捕捉されたクラスは試行回数を加算するのではなく乗算し、各試行は会話全体を再実行します。drive_backend_stream は、まだコンテンツが出力されていない BackendRateLimitError のみをリトライし、reset_capture コールバックを受け取るため、その経路であっても部分的な試行の結果を残すことはできません。
決定的な失敗はまったくリトライされません。BackendMaxTurnsError、BackendBadRequestError、BackendCapabilityError はバックオフを伴って同じ失敗を繰り返すだけなので、deploy_task_agents はそれらを報告して戻ります。
Taskflow の実行は、タスクレベルで自動的にチェックポイントされます。タスクがリトライを使い果たした後に失敗した場合、セッションは保存され、再開できます:
** 🤖💾 Session saved: abc123def456
** 🤖💡 Resume with: --resume abc123def456
最後に成功したチェックポイントから再開します:
python -m seclab_taskflow_agent --resume abc123def456
セッションのチェックポイントは、CLI で指定された --model-config の値(存在する場合)を永続化するため、再開時にはデフォルトで同じモデル設定が使用されます。再開時にモデル設定を上書きするには、--model-config / -m を明示的に渡してください:
python -m seclab_taskflow_agent --resume abc123def456 -m examples.model_configs.responses_api
失敗したタスクは、セッションが保存される前に、バックオフを増やしながら最大3回まで自動的に再試行されます。セッションのチェックポイントは、プラットフォーム固有のアプリケーションデータディレクトリに保存されます。
すべての実行は、何が行われたかを要約した機械可読なマニフェストを生成します。これには、タスクごとのステータス(ok / failed / skipped)、各タスクが実行されたモデル、タイミング、および各タスクが生成した名前付きの outputs(マルチモデルタスクのモデルごとのファンイン記録を含む)が含まれます。エンドポイントやトークンは含まれません。
マニフェストは、実行が完了または失敗したときに実行スコープのアーティファクトディレクトリに書き込まれ、任意のセッションについてIDで出力できます:
python -m seclab_taskflow_agent --manifest abc123def456
デフォルトでは、エラーは簡潔な1行のメッセージとして表示されます。完全なトレースバックを表示するには、--debug を使用するか(または TASK_AGENT_DEBUG=1 を設定してください):
# Concise (default)
Error: [BadRequestError] model 'foo' not found
(use --debug for full traceback)
# Full traceback
python -m seclab_taskflow_agent --debug -t examples.taskflows.echo
タスクフローは、--lint を使用することで、モデル呼び出しを一切行わずにオフラインで検証できます。これはタスクフローとそれが参照するすべてのドキュメント(パーソナリティ、ツールボックス、モデル設定、再利用可能なタスクフロー)を解決し、モデル名をモデル設定と照合してチェックし、プロンプト/over テンプレートの構文を検証し、不明なフィールド(タイプミスの可能性が高いもの)を報告します: