能力标签

🤖 Agent 🧬 Embedding 📚 RAG 🧠 Claude ✨ GPT

⚙️

Agent工作流

费曼工作流

基于 Python · 无代码搭建完整 AI 自动化流程

英文名：Feynman

⭐ 149 Stars 🍴 6 Forks 💻 Python 📄 NOASSERTION 🏷 AI 7.5分

7.5AI 综合评分

aieducationfastapipython

⚙️ 配置说明

✦ AI Skill Hub 推荐

费曼工作流是 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

费曼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。

费曼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

费曼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

⭐ 149

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

NOASSERTION

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」。

📌 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 feynman

# 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 feynman

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

# 验证安装
python -c "import feynman; print('安装成功')"

📋 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
feynman --help

# 基本用法
feynman input_file -o output_file

# Python 代码中调用
import feynman

# 示例
result = feynman.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

# feynman 配置文件示例（config.yml）
app:
  name: "feynman"
  debug: false
  log_level: "INFO"

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

# 或通过环境变量配置
export FEYNMAN_API_KEY="your-key"
export FEYNMAN_OUTPUT_DIR="./output"

📑 README 深度解析真实文档完整度 32/100 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。

Feynman

"You learn by asking questions, by thinking, and by experimenting." — Richard Feynman

Chat with books. Great minds join in.

An interactive knowledge network built on the world's most important books and great minds. With Feynman, you can chat with the books you want to read to quickly understand them and explore the broader context around them. You can also start from a topic, and Feynman will surface the most relevant books to help you build a knowledge system grounded in them. As you chat, a continuously evolving network of agent-simulated great minds — scholars, scientists, practitioners — automatically join the conversation, so you read, learn, and discuss ideas together with the most relevant thinkers. Books, minds, and ideas are all interconnected nodes in this network — not isolated features, but parts of a navigable map of human thought.

What makes this different:

Knowledge beyond any single source — a four-layer content system (RAG → Content Fetch → Web Search → LLM Knowledge) means answers draw on the work's text, metadata from Open Library/Google Books/Wikipedia, real-time web results, and the model's own training — connecting ideas across the full depth of available knowledge.
A network that grows as you explore — there's no static catalog. Books and sources are discovered through topic exploration, search, chat mentions, uploads, and community voting. Every title mentioned in a conversation gets added automatically, expanding the network organically.
Great minds as living nodes — great minds accumulate memory from conversations, becoming richer and more nuanced over time. They are not a separate feature but part of the knowledge network itself — connected to their works, their ideas, and to each other. You can upload your own minds — or anyone you admire — from a Twitter profile, blog, or text to expand the network.

Feynman Reading Method Overview (Video)

This AI-generated overview summarizes the cognitive science behind the method (Russian Activity Theory and Chinese metacognitive scaffolding) and explains the Pre-Thinking Stage that frames the learning flow. Watch the video here: Feynman Reading Method Overview.

Token Usage Transparency

Every LLM call shows its token consumption in real time — chat, discovery, and search. No hidden costs.

Quick Start

git clone https://github.com/steveyeow/feynman.git
cd feynman
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env   # add at least one API key
uvicorn app.main:app --reload

Open http://localhost:8000

Configuration

Edit .env to set your LLM provider keys. At least one is required:

Variable	Provider	Notes
`GEMINI_API_KEY`	Google Gemini	Recommended — supports embeddings + web search grounding
`DEEPSEEK_API_KEY`	DeepSeek	Cost-effective chat, no embeddings
`OPENAI_API_KEY`	OpenAI	GPT-4o-mini for chat, text-embedding-3-small for embeddings
`KIMI_API_KEY`	Moonshot Kimi	Chat only, no embeddings
`ANTHROPIC_API_KEY`	Anthropic Claude	Chat only, no embeddings

The system auto-selects the best available provider and falls back through the chain: Gemini → DeepSeek → OpenAI → Kimi → Anthropic.

Library settings

Variable	Default	Description
`VOTE_THRESHOLD`	3	Upvotes needed to auto-index a book
`DISCOVERY_INTERVAL`	21600	Seconds between scheduled discovery runs (0 to disable)
`DISCOVERY_BATCH_SIZE`	5	Max books discovered per scheduled run
`TOPIC_DISCOVER_COUNT`	5	Books discovered per topic click