开源AI工作流
经 AI Skill Hub 精选评估，开源AI工作流 获评「推荐使用」。这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 7.5 分，适合有一定技术背景的用户使用。
开源AI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。
AI-friendly project starter pack，支持多代理，堆栈中立，自动化。
开源AI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。
AI-friendly project starter pack，支持多代理，堆栈中立，自动化。
开源AI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。
- 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
- 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
# 方式一：npm 全局安装 npm install -g llm-project-mapper # 方式二：npx 直接运行（无需安装） npx llm-project-mapper --help # 方式三：项目依赖安装 npm install llm-project-mapper # 方式四：从源码运行 git clone https://github.com/wesleysimplicio/llm-project-mapper cd llm-project-mapper npm install npm start
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
llm-project-mapper --help
# 基本用法
llm-project-mapper [options] <input>
# Node.js 代码中使用
const llm_project_mapper = require('llm-project-mapper');
const result = await llm_project_mapper.run(options);
console.log(result);
# llm-project-mapper 配置说明 # 查看配置选项 llm-project-mapper --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export LLM_PROJECT_MAPPER_CONFIG="/path/to/config.yml"
LLM Project Mapper
🇺🇸 English. Leia em português: README.pt-BR.md. Live docs site: wesleysimplicio.github.io/llm-project-mapper
AI-friendly, stack-neutral repository scaffold. Drop it into any project — new or existing — and any agent CLI (Claude Code, Codex, Cursor, GitHub Copilot, Aider with Deepseek/Kimi/MiniMax/GLM, Hermes, OpenClaw) gets the context it needs to ship work the same day.
Starter pack, not a framework. Ships structure, instructions, process. Stack is yours.
Visual summary: drop the starter into a messy software project and it turns scattered context into structure, reusable skills, tests, docs, and guardrails for AI coding agents.
Prerequisites
| Requirement | macOS | Linux | Windows |
|---|---|---|---|
**Node.js >= 16.7** (for npx) | brew install node | sudo apt install nodejs npm (Debian/Ubuntu) · sudo dnf install nodejs npm (Fedora) · or [nvm](https://github.com/nvm-sh/nvm) | [nodejs.org installer](https://nodejs.org) or winget install OpenJS.NodeJS.LTS |
| **Git** | preinstalled / brew install git | sudo apt install git / sudo dnf install git | [git-scm.com](https://git-scm.com) or winget install Git.Git |
**Bash 4+** (only if you use bootstrap.sh) | preinstalled (Bash 3.2 works too) | preinstalled | Git Bash (ships with Git for Windows) or WSL |
**PowerShell 5.1+ / pwsh 7+** (only for bootstrap.ps1) | brew install --cask powershell | sudo snap install powershell --classic | preinstalled |
Pick one runtime: npx works everywhere; bootstrap.sh for Unix shells; bootstrap.ps1 for native Windows.
---
Install paths
append the "LLM Project Mapper (overlay privado)" block from INSTALL.md to your .gitignore FIRST
Quickstart for the agent (after `INIT.md`)
- Read
AGENTS.md(root). That is the contract. - Read
.specs/product/VISION.mdfor the why. - Read
.specs/architecture/DESIGN.mdandPATTERNS.mdfor the how. - Pull the next task from
.specs/sprints/sprint-XX/. - Run the mandatory loop: read task → plan → edit → lint → unit → e2e → fix → commit.
- Validate Definition of Done before opening a PR.
---
Optional: clean up starter files
After the agent finishes INIT.md, the bootstrap files are no longer needed.
macOS / Linux / Git Bash / WSL:
rm _BOOTSTRAP.md INIT.md bootstrap.sh bootstrap.ps1
git add -A && git commit -m "chore: remove starter bootstrap files"Windows PowerShell:
Remove-Item _BOOTSTRAP.md, INIT.md, bootstrap.sh, bootstrap.ps1
git add -A; git commit -m "chore: remove starter bootstrap files".starter-meta.json stays as a reference for future re-runs.
---
CLI handoff — supported agents
After scaffolding and auto-mapping, the bootstrap can optionally launch a CLI/LLM with INIT.md for a second-pass refinement. Detected installs get a [installed] mark in the menu.
| # | CLI / LLM | Native agent loop? | Install docs |
|---|---|---|---|
| 1 | **Claude Code** | yes | <https://docs.claude.com/claude-code> |
| 2 | **Codex CLI** | yes | <https://github.com/openai/codex> |
| 3 | **GitHub Copilot CLI** | no — paste prompt manually | gh extension install github/gh-copilot |
| 4 | **Cursor Agent** | yes | npm i -g cursor-agent (or Cursor IDE) |
| 5 | **Deepseek** (via Aider) | yes | pip install aider-chat |
| 6 | **Kimi K2.6** (via Aider, OpenRouter) | yes | pip install aider-chat |
| 7 | **MiniMax M2.7** (via Aider, OpenRouter) | yes | pip install aider-chat |
| 8 | **GLM 5.1** (via Aider, OpenRouter) | yes | pip install aider-chat |
| 9 | **Hermes Agent** (Nous Research) | yes | <https://github.com/NousResearch> |
| 10 | **OpenClaw** | yes | <https://github.com/openclaw> |
| 11 | **Aider** (pick model interactively) | yes | pip install aider-chat |
| 12 | Other / manual (clipboard) | — | — |
| 13 | Skip — run INIT.md later | — | — |
For Copilot CLI (no native agent loop), the bootstrap copies the prompt to your clipboard (pbcopy on macOS, xclip/wl-copy on Linux, clip.exe on Windows/WSL) and you paste it into Copilot Chat.
---
--ignore-existing protects your host's package.json/README.md/etc from being overwritten
rsync -av --ignore-existing --exclude='.git' /tmp/llm-project-mapper-src/ ./ rm -rf /tmp/llm-project-mapper-src
Troubleshooting
该项目提供了一个开源的AI工作流，支持多代理和堆栈中立，自动化。虽然star数较少，但项目结构清晰，易于使用。
- 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
- 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
- +MIT 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
- −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
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。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
AI Skill Hub 点评：开源AI工作流 的核心功能完整，质量良好。对于自动化工程师和运维人员来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。
| 原始名称 | llm-project-mapper |
| 原始描述 | 开源AI工作流：AI-friendly project starter pack — multi-agent ready, stack-neutral, with auto-m。⭐7 · TypeScript |
| Topics | workflowagenticagents-mdai-agentsai-friendlyaidertypescript |
| GitHub | https://github.com/wesleysimplicio/llm-project-mapper |
| License | MIT |
| 语言 | TypeScript |
收录时间：2026-05-22 · 更新时间：2026-05-22 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。