能力标签

🤖 Agent 🔄 工作流 💻 CLI 🔗 REST API 🧠 Claude ✨ GPT 🖥 本地 LLM

⚙️

Agent工作流

类体产常分

基于 TypeScript · 无代码搭建完整 AI 自动化流程

英文名：toryo

⭐ 9 Stars 🍴 1 Forks 💻 TypeScript 📄 MIT 🏷 AI 7.5分

7.5AI 综合评分

workflowagentaiaiderautomationclaudetypescript

⬇ 下载源码 ZIP ⚙️ 配置说明

✦ AI Skill Hub 推荐

AI Skill Hub 推荐使用：类体产常分是一款优质的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

类体产常分是一套完整的 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。

类体产常分工作流的设计遵循"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

导八产常源分果，导八产常源分果。导八产常源分果。导八产常源分果。

类体产常分是一套完整的 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

⭐ 9

开发语言

TypeScript

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

MIT

AI 综合评分

7.5 分

工具类型

Agent工作流

Forks

📖 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」。

导八产常源分果，导八产常源分果。导八产常源分果。导八产常源分果。

📌 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：npm 全局安装
npm install -g toryo

# 方式二：npx 直接运行（无需安装）
npx toryo --help

# 方式三：项目依赖安装
npm install toryo

# 方式四：从源码运行
git clone https://github.com/JesseRWeigel/toryo
cd toryo
npm install
npm start

📋 安装步骤说明

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

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
toryo --help

# 基本用法
toryo [options] <input>

# Node.js 代码中使用
const toryo = require('toryo');

const result = await toryo.run(options);
console.log(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

# toryo 配置说明
# 查看配置选项
toryo --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 TORYO_CONFIG="/path/to/config.yml"

📑 README 深度解析真实文档完整度 37/100 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。

棟梁 Toryo

The intelligent agent orchestrator. Not just parallel agents — the full self-improving development loop.

棟梁 (toryo) — Japanese for "master builder" or "foreman." The toryo is the person who oversees the entire construction crew, assigns specialists to the right tasks, and ensures every piece meets quality standards before it stays in the structure.

Toryo chains multiple AI coding agents (Claude Code, Aider, Gemini CLI, Codex, Ollama) with spec-driven workflows, trust-based delegation, quality ratcheting, and a real-time dashboard.

npx @jweigel/toryo init    # scaffold config + task specs
npx @jweigel/toryo run     # start orchestration

Try instantly: npx @jweigel/toryo demo (no AI tools needed)

Documentation | Getting Started | Configuration | Bus Pattern | Contributing

Toryo Run — Full cycle with Ralph Loop retry

---

Quick Start

2. Configure Agents

Edit toryo.config.json:

{
  "agents": {
    "researcher": {
      "adapter": "claude-code",
      "strengths": ["research", "analysis"],
      "timeout": 900
    },
    "coder": {
      "adapter": "ollama",
      "model": "qwen3.5:27b",
      "strengths": ["code", "architecture"],
      "timeout": 900
    },
    "reviewer": {
      "adapter": "claude-code",
      "strengths": ["review", "scoring"],
      "timeout": 600
    }
  }
}

Configuration Reference

See examples/toryo.config.json for a complete example.

Field	Type	Default	Description
`name`	string	—	Project name
`agents`	Record	—	Agent definitions (adapter, model, strengths, timeout)
`tasks`	string \	TaskSpec[]	—	Path to specs dir or inline tasks
`ratchet.threshold`	number	6.0	Minimum QA score to keep
`ratchet.maxRetries`	number	1	Ralph Loop max retries
`ratchet.gitStrategy`	string	"commit-revert"	"commit-revert", "branch-per-task", or "none"
`delegation.initialTrust`	number	0.5	Starting trust for new agents
`delegation.scoreWindow`	number	50	Rolling window for score averaging
`outputDir`	string	".toryo"	Where to store results, metrics, artifacts
`notifications.provider`	string	"none"	"ntfy", "slack", "discord", "webhook", "none"

Compared to Other Tools

Most multi-agent tools do one thing — run agents in parallel (Composio, AMUX) or define specs (Spec Kit). Toryo is the full loop: spec → delegate → execute → review → ratchet → improve.

Feature	Toryo	Composio	AMUX	CrewAI	Spec Kit
Multi-agent orchestration	✅	✅	✅	✅	❌
Heterogeneous CLIs	✅ 5+ adapters	✅ 8 slots	❌ Claude only	❌ API only	❌
Spec-driven workflows	✅	❌	❌	❌	✅
Trust-based delegation	✅	❌	❌	❌	❌
Quality ratcheting	✅	❌	❌	❌	❌
Ralph Loop retries	✅	❌	❌	❌	❌
Auto-extraction	✅	❌	❌	❌	❌
results.tsv tracking	✅	❌	❌	❌	❌
Local model first	✅ Ollama native	❌	❌	❌	❌
Real-time dashboard	✅	✅	✅	❌	❌