Plan de contrôle local pour l'automatisation des opérations existantes et les workflows d'agents IA

La plupart des équipes finissent avec des tâches cron que personne ne peut vraiment expliquer. Quand l'une d'elles casse, comprendre ce qui a échoué et dans quel ordre relancer prend plus de temps que prévu. Dagu transforme ce graphe de dépendances implicites en un DAG explicite. Le statut, les logs et les relances sont dans une interface web. Un seul binaire, des fichiers locaux, les scripts existants restent intacts.

Conçu pour les développeurs qui veulent une orchestration de workflows puissante sans la surcharge opérationnelle.

Linux

macOS

Windows

Docker

Kubernetes

Démarrage rapide

Voir les exemples

Essayer la démo

Identifiantsdemouser / demouser

dagu start-all --port 8080

Installer la commande dagu

$curl -fsSL https://raw.githubusercontent.com/dagucloud/dagu/main/scripts/installer.sh | bash

Self-hébergé et local-first

Les workflows sont basés sur des fichiers. Un binaire, sans base de données ni broker externe. Prêt pour les environnements air-gapped.

CLI-orienté

Scripts shell, jobs Python, SQL, dbt, DuckDB, containers et runbooks s'exécutent comme étapes de pipeline sans modification. Pas de nouveau framework nécessaire.

Intégration sécurisée d'agents IA

Utilisez votre agent IA favori pour créer, améliorer, déboguer et exécuter des workflows. La gestion secrète intégrée cache les identifiants des logs et des agents, tout en leur permettant de prévisualiser et d'exécuter les tâches en toute sécurité. La journalisation complète des audits garantit conformité et visibilité.

Configurer via MCP →

workflow.yaml

# Runbook de production contrôlé avec entrées typées et revue

name: "repair-customer-account"

params:

- name: customer_id

type: string

- name: change_scope

type: string

enum: ["metadata_only", "permissions"]

default: metadata_only

- name: dry_run

type: boolean

default: true

steps:

- id: inspect_account

run: ./scripts/inspect-account.sh --customer $${customer_id}

stdout:

artifact: reports/inspection.md

- id: review

action: noop

depends: [inspect_account]

approval:

prompt: "Review the inspection report before repair."

- id: repair_account

run: ./scripts/repair-account.sh --customer $${customer_id} --scope $${change_scope} --dry-run $${dry_run}

depends: [review]

stdout:

artifact: reports/repair.log

Trusted by developers at

Le control plane autour du vrai travail

Dagu ajoute aux scripts, outils, runbooks et agents IA la couche opérationnelle qui manque aux équipes.

Observabilité

Suivez workflows, plannings, état en direct, logs, historique, sorties, artefacts et validations dans la Web UI.

Exécution agnostique du langage

Exécutez commandes shell, scripts Python, conteneurs, Kubernetes Jobs, requêtes SQL, appels HTTP, commandes SSH et plus encore.

Exécutions reproductibles

Épinglez les outils dans le YAML du workflow pour que les workers installent et mettent en cache les binaires attendus avant exécution.

Agents multiplayer

Exécutez des agents IA partagés dans les workflows et exposez les workflows aux agents comme outils bornés et observables.

Validations intégrées

Mettez en pause les étapes sensibles pour revue, confirmation ou intervention humaine avant de poursuivre.

Serveur MCP

Permettez aux agents compatibles MCP d’inspecter l’état Dagu, prévisualiser les changements, éditer les workflows et contrôler les runs.

Agents indépendants du harness

Exécutez coding agents et CLIs d’agents depuis les workflows tout en gardant logs, validations, secrets et audit history dans Dagu.

Gestion des secrets

Injectez des secrets dans les runs et masquez les valeurs sensibles dans les logs pour utilisateurs, agents et outils de chat.

Self-host ou managed

Lancez un binaire unique, déployez avec conteneurs ou Kubernetes, ou utilisez des modèles managed et hybrides.

Contrôle des permissions

Gouvernez l’accès aux workflows avec RBAC, SSO, API keys, contrôles de workspace et logs d’audit.

Modeles de deploiement

Exécutez une instance auto-hébergée, utilisez le serveur géré Dagu, ou combinez le plan de contrôle cloud avec des workers privés dans votre infrastructure.

Demarrez sur une machine. Passez au self-hosted, managed ou hybrid.

Local

Serveur unique

Executez `dagu start-all` sur une machine avec un etat local sur fichiers. Aucune base, aucun broker, aucun platform stack requis.

Auto-heberge

Votre infrastructure

Gardez le Dagu server, les workers, les secrets, les logs et l'execution dans votre propre environnement.

Dagu

Serveur entierement gere

Utilisez un Dagu server dedie opere par Dagu dans une instance gVisor isolee sur GKE.

Hybride

Serveur gere, execution privee

Laissez Dagu operer le serveur pendant que des private workers executent les steps Docker, reseau prive ou data-local.

Exécution hybride

Serveur Dagu managé

Private worker via mTLS

Docker, private APIs, secrets et travail data-local

Hybrid garde le Dagu server managed pendant que l'execution qui a besoin de votre reseau, runtime ou data reste sous votre controle.

Fonctionnalités de moteur de workflow en production

Des fonctionnalités de moteur de workflow éprouvées vous permettent de vous concentrer sur la valeur essentielle sans vous soucier de l'orchestration.

Performance

Exécutez des milliers de workflows par jour sur une machine, selon le matériel, la forme du workflow, la durée des étapes et les paramètres de files.

Exécution distribuée

Utilisez files d'attente, limites de concurrence et workers distribués pour contrôler la charge et répartir les jobs entre machines.

Files d'attente Exécution distribuée

Notifications

Planifications récurrentes, rattrapage, exécutions durables, délais d'attente, relances, notifications et routage des incidents vers les responsables.

Planification Reprises durables Gestionnaires d'événements Alertes Incidents

Auth et RBAC

Gestion des utilisateurs, RBAC, espaces de travail, étapes d'approbation, gestion des secrets intégrée, clés API et webhooks.

RBAC Workspaces REST API GitHub App gérée

Cas d'usage réels

Automatisation du support client

Transformez les demandes récurrentes en workflows en libre-service. Les équipes métier les exécutent de manière autonome. Les ingénieurs restent en dehors.

Gestion de cron et scripts legacy

Amenez vos scripts shell, scripts Python, appels HTTP et jobs planifiés existants dans Dagu sans les réécrire.

Automatisation Infrastructure et Serveurs

Coordonnez sauvegardes SSH, nettoyages, scripts de déploiement, fenêtres de patch, préconditions et hooks de cycle de vie.

ETL et Opérations de Données

Exécutez requêtes PostgreSQL ou SQLite, transferts S3, transformations jq, validations et sous-workflows réutilisables.

GitHub comme interface. Votre infrastructure comme runtime.

Déclenchez des exécutions Dagu depuis des événements GitHub provenant d'issues et de PR via l'application GitHub Dagu gérée.

Workflows Conteneurs et Kubernetes

Composez des workflows où chaque étape peut lancer une image Docker, un Job Kubernetes, une commande shell ou une validation.

Conversion Média

Exécutez ffmpeg, extraction de vignettes, normalisation audio, traitement d’images et autres jobs lourds sur des workers.

Workflows IoT et Edge

Exécutez collecte capteur, nettoyage local, synchronisation hors ligne, health checks et maintenance sur de petits appareils.

Workflows avec agents IA

Exécutez n'importe quel harness pour automatiser certains workflows de développement avec un contexte propre et des mécanismes automatiques de retry et de failover.

Patterns courants

Health Check

SSH Backup

Notify

Workflows de scripts privés

Transformez scripts privés, CLIs internes, actions réutilisables, outils épinglés et artefacts en workflows que d’autres équipes peuvent demander ou exécuter en sécurité.

1Gardez les scripts et commandes existants intacts
2Exposez des paramètres étroits au lieu d’un accès production large
3Appelez des Dagu Actions versionnées avec sorties typées
4Stockez rapports et logs comme artefacts de premier ordre

workflow.yaml

tools:
  - jqlang/jq@jq-1.7.1

steps:
  - id: collect
    action: acme/dagu-action-export@v1.4.2
    with:
      dataset: customers

  - id: transform
    run: jq '.items[] | {id, email}' ${collect.outputs.path}
    stdout:
      artifact: reports/customers.json
    depends: [collect]

  - id: publish
    action: outputs.write
    with:
      values:
        report: reports/customers.json
        rows: ${collect.outputs.rows}
    depends: [transform]

Paramètres typés

Dagu les affiche automatiquement sous forme de formulaire de saisie de paramètres typés dans l'interface web, utile pour créer des workflows en libre-service ou permettre leur utilisation par des non-ingénieurs.

workflow.yaml

tools:
  - jqlang/jq@jq-1.7.1

steps:
  - id: inspect
    run: jq --version

  - id: summarize
    action: python-script@v1
    with:
      input:
        rows: [42, 8]
      script: |
        return {"total": sum(input["rows"])}

Pour préparer les outils, Dagu utilise aqua par défaut.

Outils épinglés

Déclarez les outils CLI et leurs versions en YAML. Dagu les prépare avant les étapes de commande hôte.

Plan de contrôle local pour l'automatisation des opérations existantes et les workflows d'agents IA

Self-hébergé et local-first

CLI-orienté

Intégration sécurisée d'agents IA

Le control plane autour du vrai travail

Observabilité

Exécution agnostique du langage

Exécutions reproductibles

Agents multiplayer

Validations intégrées

Serveur MCP