AI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
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
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
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：pip 安装（推荐）
pip install swarmwright
# 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 swarmwright
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/ralphbarendse/swarmwright
cd swarmwright
pip install -e .
# 验证安装
python -c "import swarmwright; print('安装成功')"
- 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
swarmwright --help
# 基本用法
swarmwright input_file -o output_file
# Python 代码中调用
import swarmwright
# 示例
result = swarmwright.process("input")
print(result)
# swarmwright 配置文件示例（config.yml） app: name: "swarmwright" debug: false log_level: "INFO" # 运行时指定配置文件 swarmwright --config config.yml # 或通过环境变量配置 export SWARMWRIGHT_API_KEY="your-key" export SWARMWRIGHT_OUTPUT_DIR="./output"
简介
SwarmWright
<p align="center"> Self-hosted multi-agent AI orchestration — structured by design, auditable by default. </p>
<p align="center"> <a href="https://www.swarmwright.com">swarmwright.com</a> · <a href="https://www.swarmwright.com/docs.html">Docs</a> · <a href="LICENSE">CC BY-NC 4.0</a> </p>
<p align="center"> <img src="img/banner-readme.png" alt="SwarmWright" width="100%"> </p>
---
Build teams of AI agents that handle real work. SwarmWright enforces a strict topology — every connection is declared, every action is logged, anything that needs a human lands in the Inbox.
Agents don't call each other freely. You define who talks to whom, what triggers a run, and what requires sign-off. The runtime enforces it.
---
Features
- Topology-enforced agent graphs — delegate, escalate, and report edges only where declared
- Three-scope resource resolver: swarm → workspace → company, unqualified refs auto-resolve
- Python skills — drop a
.pyfile inskills/, agents can call it as a tool - Scheduled and webhook triggers with cron expressions, backed by YAML files
- Full run trace with per-step input/output logging
- Human-in-the-loop escalation with inbox approvals
- Encrypted secret storage (Fernet, key auto-generated on first boot)
- File-backed topology —
hierarchy.jsonand constitutions are plain files you can version - Single Docker container, SQLite, no external dependencies
- Built-in user authentication — session-based login, bcrypt passwords, first-boot setup wizard
- Per-user permission system — 15 granular flags covering workspaces, swarms, runs, inbox, skills, and admin
---
Quick start
docker pull ralphbarendse/swarmwright:latest
docker run -d \
--name swarmwright \
--network host \
--restart unless-stopped \
-v ./data:/data \
ralphbarendse/swarmwright:latestOpen http://localhost:5001. On first visit you'll be taken to a setup page to create your admin account. After that, go to Settings and enter your LLM provider and API key.
---
Advanced: environment variables
All required settings (LLM provider, API keys) can be configured through the Settings UI. Environment variables are optional overrides — useful for automated deployments or secret managers.
| Variable | Default | Description |
|---|---|---|
LLM_PROVIDER | — | anthropic or openai |
LLM_MODEL | — | Model identifier, e.g. claude-opus-4-7 |
ANTHROPIC_API_KEY | — | Required if provider is anthropic |
OPENAI_API_KEY | — | Required if provider is openai |
SWARM_ENCRYPTION_KEY | auto-generated | Fernet master key. If unset, generated on first boot and written to <DATA_DIR>/.encryption_key |
DATABASE_URL | sqlite:////data/swarm.db | SQLAlchemy connection URL |
DATA_DIR | /data | Path to the data volume |
LOG_LEVEL | INFO | DEBUG / INFO / WARNING / ERROR |
SCHEDULER_TIMEZONE | Europe/Amsterdam | Timezone for cron triggers |
---
简化AI工作流，易于使用
- 构建多智能体协作系统的 Agent 开发者
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 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）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：swarmwright 提供官方镜像，docker compose up 一键启动
- 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
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 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）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 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 NOASSERTION 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。
📄 NOASSERTION — 请查阅原始协议条款了解具体使用限制。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，AI工作流 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 | swarmwright |
| 原始描述 | 开源AI工作流：A simplified AI agentic swarm docker image.。⭐12 · Python |
| Topics | AIdockerworkflow |
| GitHub | https://github.com/ralphbarendse/swarmwright |
| License | NOASSERTION |
| 语言 | Python |
收录时间：2026-05-28 · 更新时间：2026-05-30 · License：NOASSERTION · AI Skill Hub 不对第三方内容的准确性作法律背书。