YOHO AI

标签： 可视化工作流

  • Dify：开源 LLM 应用开发平台，148K Stars 把 AI 工作流从原型秒送生产

    Dify：开源 LLM 应用开发平台，148K Stars 把 AI 工作流从原型秒送生产

    Dify 一览

    在 AI 应用落地的草莽时代，几乎每个团队都在重复造轮子：接模型要写一遍适配、做检索要搭一套向量库、上生产还要自己补日志和监控。把这套东西拼起来，往往比业务本身还费劲。Dify 的出现，就是要把这件事彻底标准化。

    一、项目简介

    Dify 是一个开源的 LLM 应用开发平台，用一张可视化画布把 AI 工作流、RAG 检索增强、Agent 能力、模型管理与可观测性打包在一起，让你从原型到生产只差一次部署。目前 GitHub 已收获 148.4K Stars、23K+ Fork，是开源 LLM 应用开发领域当之无愧的头部项目。

    二、安装要求和过程

    环境要求：

    • CPU ≥ 2 核
    • 内存（RAM）≥ 4 GiB
    • 已安装 Docker 与 Docker Compose
    • 操作系统：Linux / macOS / Windows（WSL2）

    快速安装（Docker Compose，官方最推荐方式）：

    git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

    启动完成后，浏览器访问 http://localhost/install 即可进入初始化向导。如果你需要高可用部署，官方文档还提供了 Helm Chart、Terraform（Azure / GCP）、AWS CDK 以及阿里云计算巢等多种方案。

    三、核心功能

    1. 可视化工作流画布（Workflow）
    在画布上拖拽编排 AI 流程，节点可调试、可分支、可回放，复杂逻辑一目了然。

    2. 全面的模型支持
    无缝接入数百个闭源 / 开源大模型（GPT、Mistral、Llama3 及所有 OpenAI 兼容模型），覆盖几十家推理服务商与自托管方案，切换模型无需改代码。

    3. 开箱即用的 RAG 管线
    从文档摄入到检索全链路覆盖，原生支持 PDF、PPT 等常见格式的智能提取，几步就能搭出带引用来源的问答助手。

    4. 强大的 Agent 能力
    基于 Function Calling 或 ReAct 定义智能体，内置 50+ 工具（Google 搜索、DALL·E、Stable Diffusion、WolframAlpha 等），也可接入自定义工具。

    5. LLMOps 与 Backend-as-a-Service
    应用日志与性能可监控、可迭代；所有能力均提供对应 API，轻松把 AI 能力嵌入自有业务系统。

    四、典型使用场景

    1. 企业知识库问答 / 智能客服
    导入内部文档构建 RAG，几步搭出带引用来源、可溯源的客服助手，替代翻手册式的重复答疑。

    2. 可视化 Agent 工作流自动化
    把“检索 → 生成 → 调用工具 → 校验”串成一张画布，用可视化的方式替代脆弱的脚本编排。

    3. 快速原型 + API 集成
    先用 Dify 低成本验证想法，再通过 BaaS API 把打磨好的 AI 能力无缝嵌入现有产品。

    五、推荐理由

    个人使用下来，Dify 最打动我的是“把复杂度收敛到一个画布上”。它不要求你先成为向量数据库专家或 Prompt 工程师，普通开发者也能在半小时内跑通一个带 RAG 的可用应用；而当项目要上生产时，LLMOps 的日志、评估与 API 化能力又刚好补上团队最缺的那一环。对于想认真做 AI 产品的团队，它是目前最省心的一站式底座——既能自建私有化守住数据，也能平滑对接云端大模型。

    六、下载地址

    许可证：Dify Open Source License（基于 Apache 2.0，附加部分条款）。本文数据截至 2026-07-11，Stars 约 148.4K。

  • Flowise：可视化构建AI智能体的低代码平台，54K+Stars让AI Agent开发变得简单

    Flowise：可视化构建AI智能体的低代码平台，54K+Stars让AI Agent开发变得简单

    📦 项目简介

    Flowise 是一款可视化构建 AI 智能体的低代码平台，让你通过拖拽节点的方式组装 AI Agent 工作流，无需编写代码即可串联大模型、知识库和外部工具。基于 LangChain 生态构建，支持几乎所有主流 LLM，是构建 RAG 应用和 AI 自动化工作流的首选工具之一。

    54K+
    GitHub Stars

    24K+
    Forks

    v3.1.3
    最新版本

    TypeScript
    语言

    ⚙️ 安装要求和过程

    环境要求

    • Node.js ≥ 20.0.0（推荐 v20.20.2）
    • PNPM（可选，用于本地开发）
    • Docker（可选，用于容器化部署）

    方式一：全局安装（最简单）

    # 安装 Flowise
npm install -g flowise

# 启动服务
npx flowise start

# 访问地址
http://localhost:3000

    方式二：Docker 部署

    # 克隆项目
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise/docker

# 配置环境变量
cp .env.example .env

# 启动容器
docker compose up -d

    方式三：本地开发

    # 安装 PNPM
npm i -g pnpm

# 克隆仓库
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise

# 安装依赖
pnpm install

# 构建项目
pnpm build

# 启动开发服务器
pnpm dev

    ⚠️ 如果构建时出现内存溢出，运行 export NODE_OPTIONS="--max-old-space-size=4096" 后重试

    ✨ 核心功能

    🎨 可视化工作流编排

    通过拖拽节点、连线的可视化方式组装 AI Agent，支持 AgentFlow V2（迭代节点、条件节点、HTTP节点），无需编写代码即可构建复杂 AI 工作流。支持导出/导入工作流，方便分享与协作。

    🤖 多模型支持

    支持 OpenAI、Claude、Gemini、HuggingFace、Ollama 等几乎所有主流 LLM，同时支持 AWS Bedrock 全模型目录和自定义模型接入。Mistral AI FunctionAgent 支持工具调用流式输出。

    📚 知识库与 RAG

    原生支持向量存储和嵌入模型接入，可给 Agent 添加知识库，实现 RAG（检索增强生成）。支持多种向量数据库（Pinecone、Weaviate、Qdrant、Chroma 等）。

    🔌 MCP 协议支持

    支持 Model Context Protocol (MCP)，可接入各种 MCP 服务器，扩展 Agent 能力。同时支持自定义工具集成，真正实现对外部系统的无缝对接。

    🔐 细粒度权限控制

    API 密钥支持细粒度权限控制，可按用户权限限定 API 密钥权限范围。支持用户名密码认证，凭证字段类型安全优化，避免敏感信息泄露。

    🚀 典型使用场景

    场景一：构建企业知识库聊天机器人

    上传企业文档（PDF、Word、Markdown等），Flowise 自动解析并建立向量索引。通过可视化界面组装”文档加载 → 文本分割 → 向量存储 → 检索 → LLM 生成”的完整 RAG 链路，一键部署为聊天接口，嵌入企业微信/官网/APP。

    场景二：AI 工作流自动化

    利用 AgentFlow V2 的迭代节点和条件节点，构建复杂的 AI 自动化工作流。例如：自动抓取网页内容 → 用 LLM 提取关键信息 → 判断内容类型 → 分别存储到不同数据库 → 发送通知。整个流程可视化编排，支持人工审核节点。

    场景三：多模型对比与路由

    在同一个工作流中接入多个 LLM，通过条件节点实现智能路由（简单问题用 GPT-3.5，复杂推理用 Claude Opus），或对同一个 Prompt 并行调用多个模型，对比输出质量后选择最佳答案。

    💡 推荐理由

    • 低代码、零门槛：可视化拖拽编排，产品/运营同学也能上手，不再依赖专业开发者
    • LangChain 生态加持：基于 LangChain 构建，享受其丰富的组件和工具生态，同时弥补了 LangChain 代码复杂的短板
    • 活跃社区：54K+ Stars，3600+ Commits，频繁更新（最近一次提交 2026-06-30），社区支持完善
    • 多部署方式：支持本地部署、Docker、Railway、Render、HuggingFace Spaces、Sealos 等一键部署，满足不同场景需求
    • 开放协议：Apache-2.0 许可，可完全自托管，数据不出内网，满足企业合规要求

    📥 下载地址

    ● ● ●

    📌 本文由自动化任务定时发布 | 数据来源：GitHub API | 更新时间：2026-07-01

    🔗 项目 GitHub: github.com/FlowiseAI/Flowise

  • LangFlow：150K+Stars可视化AI工作流构建器，低代码开发AI应用首选

    LangFlow：150K+Stars可视化AI工作流构建器，低代码开发AI应用首选

    LangFlow可视化AI工作流构建器

    🚀 项目简介

    LangFlow 是一款150K+ Stars 的可视化AI工作流与智能体构建平台，提供拖拽式画布编排界面，支持所有主流大语言模型、向量数据库与AI工具。可将工作流一键部署为API或MCP服务器，大幅降低AI应用开发门槛。

    项目由LangFlow-AI团队维护，采用MIT开源许可，支持自托管与云端部署，是低代码开发AI应用的首选工具之一。

    ⚙️ 安装要求和过程

    环境要求

    • Python 3.10–3.14 版本
    • 推荐包管理器：uv（可选，也可用pip）
    • 可选：Docker 20.10+（容器化部署）

    快速安装步骤（本地部署推荐）

    1. 安装依赖：确保已安装Python 3.10+和uv包管理器
    2. 安装LangFlow：运行 uv pip install langflow -U
    3. 启动服务：运行 uv run langflow run
    4. 访问使用：打开浏览器访问 http://127.0.0.1:7860 即可开始编排工作流

    👍 其他部署方式

    • 桌面版：下载LangFlow Desktop（支持Windows/macOS），无需管理Python环境，开箱即用
    • Docker部署：运行 docker run -p 7860:7860 langflowai/langflow:latest
    • 源码运行：克隆仓库后运行 make run_cli

    💡 核心功能

    • 🎨 可视化拖拽编排：提供直观的画布界面，无需编写代码即可快速搭建AI工作流与智能体，支持实时迭代调试
    • 🔧 全栈自定义能力：所有组件均开放Python源码，支持自定义组件逻辑，满足复杂业务需求
    • 🚀 一键部署集成：可将工作流直接部署为REST API，或导出为MCP服务器，无缝集成到各类应用与AI框架中
    • 🤖 多智能体编排：支持对话管理、检索增强与多智能体协作，可构建复杂的企业级AI应用
    • 📊 可观测性集成：原生支持LangSmith、LangFuse等可观测性工具，实时监控工作流运行状态

    📦 典型使用场景

    📈 场景1：快速AI原型开发

    通过拖拽组件快速搭建RAG问答、内容生成、数据分析等AI应用原型，无需编写后端代码，大幅缩短开发周期。

    📈 场景2：企业级AI工具部署

    将内部业务工作流封装为MCP服务器或API，供企业内部系统与AI智能体调用，实现业务流程自动化。

    📈 场景3：低代码AI教学演示

    通过可视化界面演示AI工作流原理，适合教学、技术分享场景，降低AI应用的理解门槛。

    ⭐ 推荐理由

    作为AI应用开发者，LangFlow最大的优势是平衡了低代码易用性与高度自定义能力：新手可以通过拖拽快速上手，资深开发者可以通过Python自定义组件实现复杂逻辑，无需被平台绑定。

    另外，原生支持MCP协议是一大亮点，可将工作流直接转化为AI智能体可调用的工具，完美适配当前的AI智能体开发潮流。社区活跃度极高，150K+ Stars与近万Fork数量保证了项目的长期维护与生态扩展能力。

    📥 下载地址