📄 工具详情 ⚙️ 安装教程 📚 使用教程
能力标签
🤖 Agent🔄 工作流🐳 Docker💻 CLI🔗 REST API🧬 Embedding🧠 Claude✨ GPT⛓ LangChain🕸 采集
MingJian Agent工作流
⚙️
Agent工作流

MingJian Agent工作流

基于 Python · 无代码搭建完整 AI 自动化流程
英文名：MingJian
⭐ 19 Stars 🍴 2 Forks 💻 Python 📄 Apache-2.0 🏷 AI 7.5分
7.5AI 综合评分
workflowagentaicorporatedecision-makingevidence-basedpython
⬇ 下载源码 ZIP ⚙️ 配置说明 📺 TG 频道
✦ AI Skill Hub 推荐

AI Skill Hub 推荐使用：MingJian Agent工作流 是一款优质的Agent工作流。AI 综合评分 7.5 分，在同类工具中表现稳健。如果你正在寻找可靠的Agent工作流解决方案，这是一个值得深入了解的选择。

📚 深度解析

MingJian Agent工作流 是一套完整的 AI Agent 自动化工作流方案。随着 AI 能力的不断提升，基于 Agent 的自动化工作流正在成为提升个人和团队效率的核心方式。区别于传统的 RPA 自动化（模拟鼠标键盘操作），AI Agent 工作流通过理解任务意图、动态规划执行路径，能够处理更复杂的非结构化任务。

MingJian Agent工作流 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。

在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。

📋 工具概览

MingJian Agent工作流 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

GitHub Stars
⭐ 19
开发语言
Python
支持平台
Windows / macOS / Linux
维护状态
轻量级项目，按需更新
开源协议
Apache-2.0
AI 综合评分
7.5 分
工具类型
Agent工作流
Forks
2

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

MingJian Agent工作流 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

📌 核心特色
  • 可视化 Agent 工作流编排，无需编写复杂代码
  • 支持多步骤自动化任务链，实现全流程无人值守
  • 与外部 API、数据库和第三方服务无缝集成
  • 内置错误处理与自动重试机制，保障稳定运行
  • 提供可复用的自动化模板，快速在同类场景部署
🎯 主要使用场景
  • 自动化日常重复性工作，将精力集中于创造性任务
  • 构建数据采集 → 处理 → 输出的完整自动化管线
  • 实现跨平台、跨系统的数据流转和业务协同
以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。
安装命令
# 方式一：pip 安装（推荐）
pip install mingjian

# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install mingjian

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/dashitongzhi/MingJian
cd MingJian
pip install -e .

# 验证安装
python -c "import mingjian; print('安装成功')"
📋 安装步骤说明
  1. 访问 GitHub 仓库获取工作流文件
  2. 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
  3. 上传工作流文件
  4. 按照提示配置必要的环境变量和 API Key
  5. 运行测试确认流程正常后投入使用
以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。
常用命令 / 代码示例
# 命令行使用
mingjian --help

# 基本用法
mingjian input_file -o output_file

# Python 代码中调用
import mingjian

# 示例
result = mingjian.process("input")
print(result)
以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。
配置示例
# mingjian 配置文件示例（config.yml）
app:
  name: "mingjian"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
mingjian --config config.yml

# 或通过环境变量配置
export MINGJIAN_API_KEY="your-key"
export MINGJIAN_OUTPUT_DIR="./output"
📑 README 深度解析 真实文档 完整度 87/100 含工作流图 查看 GitHub 原文 →
以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

<br />

🔬 Core Features

2. Create a feature branch

git checkout -b feature/amazing-feature

3. Install Python dependencies

pip install -e ".[dev]"

4. Install frontend dependencies

cd frontend-v2 npm install cd ..

📦 Dependencies

Backend Dependencies (Python)

PackageVersionPurpose
**FastAPI**0.110+High-performance async API framework
**SQLAlchemy**2.0+Database ORM
**Alembic**1.16+Database migrations
**Pydantic**2.11+Data validation
**OpenAI**2.28+OpenAI API client
**Anthropic**0.52+Anthropic API client
**Redis**6.2+Event bus and caching
**pgvector**0.3+Vector similarity search
**MinIO**7.2+Object storage
**HTTPX**0.28+Async HTTP client
**Uvicorn**0.35+ASGI server

Frontend Dependencies (Node.js)

PackageVersionPurpose
**Vite**8+Frontend build tool
**React**19+UI library
**TypeScript**6.0+Type safety
**Tailwind CSS**4.2+Utility-first CSS
**React Router**7+Client-side routing
**Recharts**3.8+Charting library

Development Dependencies

PackageVersionPurpose
**pytest**8.4+Testing framework
**pytest-asyncio**1.1+Async test support
**Ruff**0.12+Python linter
**ESLint**9+JavaScript linter
**Prettier**3+Code formatter
**vitest**^4.1.5Unit testing framework
**@testing-library/react**^16.xReact component testing
**@testing-library/jest-dom**^6.xCustom Jest matchers

---

7-dimension stress test (requires running backend)

python tests/stress_test.py ```

Latest Results: - ✅ Backend: 92 unit tests passing (0.26s) - ✅ Frontend: 16 component tests passing (0.55s) - ✅ Stress Test: 112 pass, 0 fail, 2 warnings - 🔥 Concurrent: 20 users, 844 RPS, P50=1ms, zero 500 errors

---

One-Click Docker Setup

The fastest way to run 明鉴 locally is the Docker setup script. It checks Docker, creates .env from .env.example, asks for your OpenAI API key, and starts the full stack.

Prerequisites

Install Docker Desktop first, then run:

chmod +x setup.sh
./setup.sh

When the script finishes, open:

ServiceURL
Frontendhttp://localhost:3001
APIhttp://localhost:8000
MinIO Consolehttp://localhost:9001

MinIO login: use PLANAGENT_MINIO_ACCESS_KEY / PLANAGENT_MINIO_SECRET_KEY from your .env.

To stop the Docker stack:

docker compose -f docker-compose.yml down

Manual Development Setup

Use this path if you want to run the backend and frontend directly on your machine for development.

Frontend Directory Policy

frontend-v2/ is the active Vite frontend. The older frontend/ and frontend-new/ experiments have been retired, so new product UI, builds, and Docker development should target frontend-v2/.

Prerequisites

Before you begin, ensure you have the following installed:

RequirementVersionInstallation
**Python**3.12+[python.org](https://www.python.org/downloads/)
**Node.js**18+[nodejs.org](https://nodejs.org/)
**npm**9+Comes with Node.js
**Git**2.30+[git-scm.com](https://git-scm.com/)
**PostgreSQL**14+ (optional)[postgresql.org](https://www.postgresql.org/download/)
**Redis**7+ (optional)[redis.io](https://redis.io/download)

System Requirements

ComponentMinimumRecommended
**CPU**2 cores4+ cores
**RAM**4 GB8+ GB
**Storage**10 GB50+ GB
**OS**macOS, Linux, WindowsmacOS or Linux

Environment Variables

Create a .env file in the project root with the following variables:

```bash

🎯 Use Cases

Use CaseDescriptionBenefit
**📊 Investment Research**Analyze market trends, debate investment thesesFaster research, better decisions
**🏭 Corporate Strategy**Competitive intelligence, scenario planningData-driven decisions, reduced risk
**⚔️ Military Planning**Operational analysis, logistics optimizationStrategic advantage, better outcomes
**🛡️ Risk Management**Multi-perspective risk assessmentReduced uncertainty
**📈 Market Analysis**Real-time market intelligenceFaster insights, better positioning
**🎯 Policy Analysis**Multi-stakeholder impact assessmentInformed policy, better outcomes

---

🚀 Quick Start

AI Model Configuration

Database (optional — defaults to SQLite for local dev)

Redis (optional — for event bus in production)

MinIO Object Storage (optional)

X / Twitter (optional — for social intelligence)

2. Create and activate Python virtual environment

python -m venv .venv source .venv/bin/activate # On Windows: .venv\Scripts\activate

5. Configure environment

cp .env.example .env

Edit .env file with your API keys and settings

You only need ONE API key to get started.

Set the API key first, run the provider connection test to fetch available models,

PLANAGENT_OPENAI_PRIMARY_API_KEY=sk-...

PLANAGENT_MINIO_ENDPOINT=localhost:9000

Decision Workflow

Question
  -> source discovery
  -> evidence extraction
  -> analysis and simulation
  -> role-based debate
  -> recommendation
  -> version timeline
  -> scheduled / source-change refresh
  -> decision record and outcome feedback
StagePurposeUser-Visible Proof
GatherCollect multi-source evidence from news, code, social, and public data feeds.Source list, cursor health, last checked time.
ReasonConvert evidence into arguments, risks, simulations, and structured claims.Analysis artifacts, report sections, debate rounds.
DebateLet role-based agents critique, revise, and arbitrate the decision.Support/challenge/arbiter traces.
RememberPersist sessions, recommendation versions, refresh triggers, and outcomes.Timeline, recommendation history, feedback records.

---

Run integration tests

python -m pytest tests/ -v ```

🆚 明鉴 vs The Competition

Feature明鉴ManusTraditional AISingle-AgentLangChain
**Data Sources**✅ 10+ real-time⚠️ General search❌ Manual input⚠️ Limited⚠️ Limited
**Evidence Chain**✅ Full traceability❌ No tracking❌ No tracking❌ No tracking❌ No tracking
**Multi-Agent Debate**✅ 9-agent adversarial⚠️ Orchestrator + sub-agents❌ Single model❌ Single model⚠️ Basic
**Decision Traces**✅ Deterministic❌ Black box❌ Black box❌ Black box❌ Black box
**Self-Repair**✅ Jarvis engine⚠️ Dynamic re-planning❌ None❌ None❌ None
**Streaming Analysis**✅ Real-time✅ Real-time❌ Batch only❌ Batch only⚠️ Limited
**Continuous Monitoring**✅ WatchRule + auto-update❌ One-shot tasks❌ None❌ None❌ None
**Corporate Domain**✅ Full support❌ Generic⚠️ Generic❌ Generic❌ Generic
**Military Domain**✅ Full support❌ Generic⚠️ Generic❌ Generic❌ Generic
**Scenario Branching**✅ Beam-search❌ None❌ Manual❌ None❌ None
**Knowledge Graph**✅ Embedding-backed❌ None❌ None❌ None❌ None
**Code Execution**⚠️ Planned✅ Full sandbox VM❌ None⚠️ Limited❌ None
**Data Sovereignty**✅ Self-hosted❌ Cloud only⚠️ Varies⚠️ Varies✅ Self-hosted
**Open Source**✅ Apache 2.0❌ Closed source⚠️ Varies⚠️ Varies✅ Various

---

🇨🇳 中文文档镜像 AI 翻译 2026-05-28
英文原文章节由系统翻译为中文摘要，便于快速理解。完整原文见上方 "📑 README 深度解析"。
📌 简介

MingJian（明鉴）是一款专为深度分析设计的智能决策辅助工具。本项目旨在通过先进的 AI 技术，为用户提供高效的信息处理与逻辑推理能力，帮助用户在复杂的信息环境中快速洞察本质，实现从数据到决策的智能化跨越。

⚡ 功能介绍

MingJian 提供强大的核心功能，支持多维度的信息分析与逻辑推演。无论是进行投资研究、企业战略规划，还是复杂的军事行动分析，��统都能通过集成 AI 能力，协助用户进行市场趋势分析、竞争情报收集及场景模拟，从而提升决策的科学性与战略优势。

📋 环境依赖

在开始开发或部署之前，请确保您的系统已安装必要的开发环境。本项目依赖 Python 环境进行后端逻辑处理，并需要 Node.js 环境来驱动前端工程。在进行开发模式安装时，请使用 pip 安装包含 dev 依赖的 Python 包，并进入 frontend 目录执行 npm install 完成前端依赖的构建。

🛠 安装步骤（Docker/pip/源码）

本项目提供两种安装方式：推荐使用 Docker 一键部署，通过运行 setup.sh 脚本，系统会自动检查 Docker 环境、配置 .env 文件并引导您输入 OpenAI API key，实现全栈快速启动。若需进行本地开发，请手动配置后端与前端环境，并注意 frontend-v2/ 目录为当前活跃的 Vite 前端开发目录。

🚀 使用教程

MingJian 适用于多种高阶应用场景。在投资研究领域，它可以辅助分析市场趋势并进行投资论证；在企业战略层面，可用于竞争情报分析与风险规避；在军事规划中，则能通过作战分析与物流优化提供战略优势。通过将复杂数据转化为结构化洞察，助力用户做出更精准的决策。

⚙️ 配置说明（含 MCP / env）

项目配置主要通过环境变量进行管理。您可以根据需求配置 AI Model 相关的参数，并支持可选的 Database（本地开发默认为 SQLite）与 Redis（用于生产环境的 event bus）。请务必在 .env 文件中正确配置相关的 API key，以确保 AI 服务能够正常调用。

🔌 API 说明

MingJian 的接入非常便捷，您仅需准备一个 API key 即可开启使用。在启动服务前，请先在配置文件中设置好 PLANAGENT_OPENAI_PRIMARY_API_KEY，并运行 provider 连接测试，以确保 API 通道畅通无阻，从而实现与 AI 模型的稳定交互。

🔄 工作流/模块

项目的开发与测试流程遵循标准化的工程实践。在完成功能开发后，建议运行集成测试命令 `python -m pytest tests/ -v` 来确保各模块逻辑的正确性。通过严谨的测试工作流，可以保障从后端逻辑到前端交互的整体稳定性。

🎯 aiskill88 AI 点评 A 级 2026-05-23

该项目提供了一个开源的AI工作流平台，支持多智能体和证据驱动的场景模拟，具有较高的开发性和扩展性，但仍需要进一步的优化和完善。

📚 实用指南（长尾问题）
适合谁
  • 构建多智能体协作系统的 Agent 开发者
  • 构建企业知识库 / RAG 检索应用的团队
最佳实践
  • 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
  • Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
常见错误
  • API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
  • 容器内无法访问宿主机 localhost — 使用 host.docker.internal
  • Python 依赖冲突：建议用 venv / uv 隔离环境
部署方案
  • Docker：MingJian 提供官方镜像，docker compose up 一键启动
  • CLI：直接 npm install -g / pip install，命令行调用
  • 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
相关搜索
MingJian 中文教程MingJian 安装报错怎么办MingJian Docker 部署MingJian Agent 工作流MingJian 与同类工具对比MingJian 最佳实践MingJian 适合谁用

⚡ 核心功能

👥 适合谁
  • 构建多智能体协作系统的 Agent 开发者
  • 构建企业知识库 / RAG 检索应用的团队
⭐ 最佳实践
  • 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
  • Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
⚠️ 常见错误
  • API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
  • 容器内无法访问宿主机 localhost — 使用 host.docker.internal
  • Python 依赖冲突：建议用 venv / uv 隔离环境

👥 适合人群

自动化工程师和运维人员项目经理和业务分析师希望减少重复性工作的专业人士数字化转型团队

🎯 使用场景

  • 自动化日常重复性工作，将精力集中于创造性任务
  • 构建数据采集 → 处理 → 输出的完整自动化管线
  • 实现跨平台、跨系统的数据流转和业务协同

⚖️ 优点与不足

✅ 优点
  • +Apache-2.0 协议，可免费商用
  • +大幅减少重复性人工操作
  • +可视化流程，清晰直观
  • +可扩展性强，支持复杂场景
⚠️ 不足
  • −初始配置和调试需投入一定时间
  • −强依赖外部服务的稳定性
  • −复杂场景需具备一定技术基础
⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

✅ Apache 2.0 — 宽松开源协议，可商用，需保留版权声明和 NOTICE 文件，含专利授权条款。

🔗 相关工具推荐

LLM资源合集（精选）
精选100+可直接运行的AI Agent和RAG应用集合。包含完整工作流示例、智能代理框架和检索增强生成系统。适合AI开
LangChain AI开发框架
Agent工作流
ai-agents-for-beginners Agent工作流
微软官方开源项目，提供12堂系统课程学习AI智能体框架。涵盖工作流设计、RAG检索增强、多智能体协作等核心技能。适合AI
n8n AI工作流自动化
Agent工作流
📚 相关教程推荐
Agent 工作流入门
帮助中心 · AI Skill Hub
Agent 工作流
帮助中心 · AI Skill Hub
AI 工具链资讯精选：2026-05-16 MCP / Agent / 自动化工具最新动态
帮助中心 · AI Skill Hub
AI 工具链资讯精选：2026-05-15 MCP / Agent / 自动化工具最新动态
帮助中心 · AI Skill Hub
📰 相关 AI 新闻
前沿 AI 研究论文速览
AI 资讯 · 知识关联
GPT-5.5 最新进展与分析
AI 资讯 · 知识关联
前沿 AI 研究论文速览
AI 资讯 · 知识关联
AI Agent 自主化能力最新进展
AI 资讯 · 知识关联
🍿 AI 圈相关吃瓜
AutoGPT 自主完成了任务：把我的文件夹全部重命名了
AI 圈观察
Agent 帮我订了3次机票，全部是同一天的
AI 圈观察
给 Agent 的目标是"提高效率"，三小时后它关掉了所有通知
AI 圈观察
🗺️ 相关解决方案
agent
ai-agent-workflow
workflow
ai-workflow-templates
docker
docker-deploy
cli
cli-productivity
🧩 你可能还需要
基于当前 Skill 的能力图谱，自动补全的工具组合
gptme Agent工作流
MCP · Agent · 工作流
技能寻求者
MCP · Agent · 工作流
LEANN AI技能包
MCP · Agent · 工作流
MemOS智能记忆系统
MCP · Agent · 工作流
Synthadoc
MCP · Agent · 工作流
natively-cluely-ai-assistant — Claude Skill 中文使用文档
免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。

❓ 常见问题 FAQ

解答
💡 AI Skill Hub 点评

总体来看，MingJian Agent工作流 是一款质量良好的Agent工作流，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。

⬇️ 获取与下载
⬇ 下载源码 ZIP

✅ Apache-2.0 协议 · 可免费商用 · 直接从 aiskill88 服务器下载，无需跳转 GitHub

📚 深入学习 MingJian Agent工作流
查看分步骤安装教程和完整使用指南，快速上手这款工具
⚙️ 安装教程 📚 使用教程
🌐 原始信息
原始名称 MingJian
原始描述 开源AI工作流：AI-powered multi-agent platform for evidence-driven scenario simulation and stra。⭐19 · Python
Topics workflowagentaicorporatedecision-makingevidence-basedpython
GitHub https://github.com/dashitongzhi/MingJian
License Apache-2.0
语言 Python
🔗 原始来源
🐙 GitHub 仓库  https://github.com/dashitongzhi/MingJian

收录时间：2026-05-17 · 更新时间：2026-05-19 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。

📺 订阅 AI Skill Hub Daily Telegram 频道
每天 8 条精选 AI Skill、MCP、Agent 与自动化工具推送
加入频道 →