兰托 是 AI Skill Hub 本期精选Agent工作流之一。综合评分 7.5 分，整体质量较高。我们推荐使用将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
兰托 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
兰托 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。
📖 中文文档
兰托 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：cargo install（推荐） cargo install lantor # 方式二：从源码编译 git clone https://github.com/chenzl25/lantor cd lantor cargo build --release # 二进制在 ./target/release/lantor
- 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
# 查看帮助 lantor --help # 基本运行 lantor [options] <input> # 详细使用说明请查阅文档 # https://github.com/chenzl25/lantor
# lantor 配置说明 # 查看配置选项 lantor --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 LANTOR_CONFIG="/path/to/config.yml"
简介
<p align="center"> <img src="docs/assets/lantor-banner.png" alt="Lantor - AI Agent Workspace" width="820" /> </p>
What's inside
- Workspace primitives — channels, DMs, threads, mentions, search, tasks, reminders, artifacts, and attachments. - Local supervisor — durable inbox dispatch, queued runs, stop/retry, process lifecycle, run logs, and structured event ingestion. - Agent collaboration — task claiming, task/thread handoff, progress activity, generated artifacts, and per-agent local memory. - Desktop + mobile access — native macOS app plus a trusted-network web UI served by the same local process and SQLite database.
Quickstart
Lantor is a native macOS desktop app. Install Node 20+ and Rust first:
brew install node
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh -s -- -y
source "$HOME/.cargo/env"If Rust or Tauri reports missing Apple compiler or linker tools, run xcode-select --install and launch again.
Clone and launch the app:
git clone https://github.com/chenzl25/lantor.git
cd lantor
npm install
npm run tauri:devWhen the desktop app opens, add your first agent:
1. Install and sign in to the CLI runtime you want to use. You only need the runtime for the agents you plan to run:
# Codex
npm install -g @openai/codex
codex
# Claude Code
npm install -g @anthropic-ai/claude-code
claude
2. In Lantor, create an agent, choose Codex or Claude, and point it at a workspace directory. 3. Mention the agent in a channel, DM it directly, or create a task. Lantor records the work item, wakes the local CLI runtime, and routes the response back into the right thread.
SQLite state lives at ~/Library/Application Support/Lantor/lantor.sqlite, attachments live under ~/Library/Application Support/Lantor/attachments/, and migrations run automatically on every start.
Configuration
Defaults work out of the box. The two settings most users care about:
| Variable | Default | Purpose |
|---|---|---|
LANTOR_DATABASE_URL | sqlite://~/Library/Application Support/Lantor/lantor.sqlite | SQLite database URL. |
LANTOR_WEB_BIND | 0.0.0.0:8787 | Web UI bind. Use 127.0.0.1:8787 for loopback only, or off to disable. |
Advanced options — attachment paths, web public URL, web bundle override, warm Codex rotation — are in docs/configuration.md and .env.example.
高质量的AI工作流项目
- 构建多智能体协作系统的 Agent 开发者
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 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
⚡ 核心功能
- 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
- 构建多智能体协作系统的 Agent 开发者
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
👥 适合人群
🎯 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
- +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
- −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。
✅ 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
❓ 常见问题 FAQ
经综合评估，兰托 在Agent工作流赛道中表现稳健，质量良好。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | lantor |
| 原始描述 | 开源AI工作流：Local-first, private AI agent workspace for Codex and Claude. Own your context a。⭐22 · Rust |
| Topics | AIRust工作流 |
| GitHub | https://github.com/chenzl25/lantor |
| License | Apache-2.0 |
| 语言 | Rust |
收录时间：2026-05-26 · 更新时间：2026-05-30 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。