开源AI工作流
AI Skill Hub 推荐使用：开源AI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
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。
📋 工具概览
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。
📖 中文文档
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 opencairn-monorepo # 方式二：npx 直接运行（无需安装） npx opencairn-monorepo --help # 方式三：项目依赖安装 npm install opencairn-monorepo # 方式四：从源码运行 git clone https://github.com/Sungblab/opencairn-monorepo cd opencairn-monorepo 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
opencairn-monorepo --help
# 基本用法
opencairn-monorepo [options] <input>
# Node.js 代码中使用
const opencairn_monorepo = require('opencairn-monorepo');
const result = await opencairn_monorepo.run(options);
console.log(result);
# opencairn-monorepo 配置说明 # 查看配置选项 opencairn-monorepo --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 OPENCAIRN_MONOREPO_CONFIG="/path/to/config.yml"
OpenCairn
English | 한국어
An agentic workspace that reads project sources, finds evidence, and produces reusable outputs. Hosted or self-hosted.
Plenty of tools hold what you write. OpenCairn is for what your team has already read: papers, documents, notes, supported media, Google Drive imports, and research artifacts. It builds a grounded workspace wiki, shows source-backed links in a knowledge graph, and keeps AI changes reviewable before they touch project knowledge.
OpenCairn should not stop at a RAG chatbot. It keeps sources, permissions, citations, reusable notes, generated files, workflow history, and human approval inside the workspace. Individuals can start on the hosted app; teams that cannot send internal documents to third-party SaaS can run the same workspace on their own infrastructure.
Configuration Notes
- Set OPENCAIRN_DEV_LOCAL_POSTGRES=false when .env points at Supabase or another external PostgreSQL database. - Set OPENCAIRN_DEV_LOCAL_MINIO=false when .env points at Cloudflare R2 or another S3-compatible object store. - Hosted-service legal, blog, analytics, contact, and SEO URLs are environment driven. See docs/contributing/hosted-service.md. - Ollama is optional and runs through its own Compose profile. - Document generation is worker-backed. The Tectonic compile path is opt-in via FEATURE_TECTONIC_COMPILE=true, TECTONIC_URL, and the pro Compose profile.
POSTGRES_PASSWORD, S3_SECRET_KEY, BETTER_AUTH_SECRET, INTERNAL_API_SECRET,
GEMINI_API_KEY, OPENAI_COMPAT_BASE_URL, or DEEPSEEK_API_KEY.
pnpm install
docker compose up -d postgres redis minio temporal pnpm db:migrate
docker compose --profile app --profile worker --profile hocuspocus up -d --build pnpm self-host:doctor
LaTeX-to-PDF generation uses the optional Tectonic service. It is excluded from
the default app profiles because the image is large:
For regulated, offline, or no-egress evaluations, set
`SELF_HOST_EGRESS_MODE=offline` before running the doctor. The doctor fails when
hosted LLMs, external search, hosted email, observability, analytics, Google
OAuth/export, or MCP client egress are configured in that mode.
Restart an already-built stack without rebuilding images:
Stop the stack:
INTEGRATION_TOKEN_ENCRYPTION_KEY, and a provider profile such as
高质量的开源AI工作流项目
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 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
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- 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）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Docker：opencairn-monorepo 提供官方镜像，docker compose up 一键启动
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 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
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 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
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
👥 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
- +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
该工具使用 AGPL-3.0 协议，商用场景请仔细阅读协议条款，必要时咨询法律意见。
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。
⚠️ AGPL 3.0 — 最严格的 Copyleft，网络服务端使用也需开源，SaaS 使用受限。
🔗 相关工具推荐
❓ 常见问题 FAQ
总体来看，开源AI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。
| 原始名称 | opencairn-monorepo |
| 原始描述 | 开源AI工作流：Self-hostable, multi-LLM knowledge OS for individuals and teams. Gemini/Ollama, 。⭐7 · TypeScript |
| Topics | ai-agentscollaborationdockergeminitypescript |
| GitHub | https://github.com/Sungblab/opencairn-monorepo |
| License | AGPL-3.0 |
| 语言 | TypeScript |
收录时间：2026-05-28 · 更新时间：2026-05-30 · License：AGPL-3.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。