能力标签
AI工作流
⚙️
Agent工作流

AI工作流

基于 Haskell · 无代码搭建完整 AI 自动化流程
英文名:agents-exe
⭐ 10 Stars 💻 Haskell 📄 Apache-2.0 🏷 AI 7.5分
7.5AI 综合评分
HaskellLLM工作流
✦ AI Skill Hub 推荐

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 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。

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。

GitHub Stars
⭐ 10
开发语言
Haskell
支持平台
Windows / macOS / Linux
维护状态
轻量级项目,按需更新
开源协议
Apache-2.0
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」。

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。

📌 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
# 克隆仓库
git clone https://github.com/lucasdicioccio/agents-exe
cd agents-exe

# 查看安装说明
cat README.md

# 按 README 完成环境依赖安装后即可使用
📋 安装步骤说明
  1. 访问 GitHub 仓库获取工作流文件
  2. 在对应平台(Dify / Flowise / Make 等)中找到「导入工作流」功能
  3. 上传工作流文件
  4. 按照提示配置必要的环境变量和 API Key
  5. 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
# 查看帮助
agents-exe --help

# 基本运行
agents-exe [options] <input>

# 详细使用说明请查阅文档
# https://github.com/lucasdicioccio/agents-exe
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
# agents-exe 配置说明
# 查看配置选项
agents-exe --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 AGENTS_EXE_CONFIG="/path/to/config.yml"
📑 README 深度解析 真实文档 完整度 82/100 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。

an LLM-agent tool

A handy LLM-agent tool, with a variety of calling and configuration modes so that the LLM adapts to your workflow rather than the opposite.

Architecture Overview

Agents-exe uses a layered architecture with a modern Entity-Component-System (ECS) based OS model at its core:

┌────────────────────────────────────────────────────────────────┐
│                    Interface Layer                              │
│  (CLI commands, TUI, MCP server, HTTP endpoints)                │
├────────────────────────────────────────────────────────────────┤
│                    OS Model Layer                               │
│  (Entity-Component-System, Resource Management,                 │
│   Conversation Tracking, Concurrent Access)                     │
├────────────────────────────────────────────────────────────────┤
│                    Agent Tree Layer                             │
│  (multi-agent hierarchy, reference validation, cycle detection) │
├────────────────────────────────────────────────────────────────┤
│                    Foundation Layer                             │
│  (sessions, tools, LLM integration, file loading)               │
└────────────────────────────────────────────────────────────────┘

4. Merge agent PRs that target feature branches;

Feature-branch Chains

When issues A → B → C are all destined for a shared feature branch, GitHub will not auto-close A when the PR for A merges into that branch (only merges into the default branch trigger auto-close). agq merge-prs bridges this gap: after merging a feature-branch PR it parses its Closes #N lines and labels those issues agq/done-in-branch. agq promote treats that label as equivalent to a closed issue, so B is unblocked automatically.

Framework Features

  • [ ] HTTP server with metrics
  • [ ] Better async-linking
  • [ ] CLI tooling to directly inspect/call tools
  • [ ] Improve TUI mode

1. Promote blocked issues whose dependencies are now satisfied

agq promote

Build and Run

Container Build

With Podman (for Docker, replace with docker):

git clone https://github.com/lucasdicioccio/agents-exe
cd agents-exe/bundling
podman build -f Containerfile.build -t agents-exe
podman run -it --entrypoint=bash agents-exe:latest

Then inside the container:

agents-exe init
agents-exe tui

Quick Start

Getting started:

agents-exe init

will guide you into writing an agent.json and its tools directory.

Example: Using the OS Model

import System.Agents.OS
import System.Agents.OS.Core
import System.Agents.OS.Persistence

main :: IO ()
main = do
    -- Initialize the OS with SQLite persistence
    os <- initializeOS defaultConfig
    backend <- createPersistenceBackend (SqliteBackendType "./agents.db")
    
    -- Create a shared SQLite toolbox
    tbConfig <- createToolboxConfig SqliteToolboxType "shared-db" 
        (object ["path" .= "./data.db"])
    tbId <- createToolbox os tbConfig
    
    -- Create agents that share the toolbox
    agent1 <- createAgent os (testAgentConfig 
        { agentToolboxBindings = [tbId] })
    agent2 <- createAgent os (testAgentConfig 
        { agentToolboxBindings = [tbId] })
    
    -- Run conversations
    runOSM os $ do
        conv1 <- startConversation agent1 defaultConvConfig
        result1 <- runConversationTurn conv1 "Hello, agent 1!"
        
        conv2 <- startConversation agent2 defaultConvConfig
        result2 <- runConversationTurn conv2 "Hello, agent 2!"
        
        -- Both agents can access the same database!
        pure (result1, result2)

See docs/OS-API.md for the complete API reference.

Coding Style Guidelines

  • Prefer qualified imports over prefixed/suffixed functions
  • Keep prefixed/suffixed function names for helper variations
  • Prefer passing multiple arguments
  • Bundle arguments into Runtime or Props objects for long-running values or context
  • No monad-tower, run in IO (library users can add their own)
  • Use contravariant tracer to surface logs, be generous with traces

Global Options

These options apply to all commands:

OptionDefaultDescription
--api-keys FILE~/.config/agents-exe/secret-keysPath to JSON file containing API keys
--log-file LOGFILEagents-logfileRaw log file for debugging
--log-http URL(none)HTTP endpoint for JSON log sink
--log-json-file FILE(none)Local JSON file log sink
--session-json-file-prefix PREFIX(none)Prefix for session JSON files
--agent-file AGENTFILE(auto-discovered)Root agent description file(s). Can be specified multiple times. Defaults to agent.json

Environment Variables

  • EDITOR or GIT_EDITOR - Used for editing files (notably in the init command)

Advanced Configuration

Create an agents-exe.cfg.json in your project root (searched upward from current directory):

{
  "agentsConfigDir": "/some/dir",
  "agentsDirectories": ["./agents"],
  "agentsFiles": [],
  "agentsLogs": {
    "logJsonHttpEndpoint": "https://example.org/log-sink",
    "logRawPath": "agents-exe.raw",
    "logJsonPath": "logs.json",
    "logSessionsJsonPrefix": "sessions"
  }
}

Absent this file, agents load from ~/.config/agents-exe/default.

Command Reference

API Keys

Agents need an API key to authenticate against the LLM endpoint. By default agents-exe locates keys in ~/.config/agents-exe/secret-keys but you can override with --api-keys.

The keys file format:

{
  "keys": [
    {
      "id": "my-key-id",
      "value": "XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX"
    }
  ]
}

The id must match the apiKeyId field in the agent's JSON description.

CLI & Command Line

Lua Integration

🇨🇳 中文文档镜像 AI 翻译 2026-05-30
英文原文章节由系统翻译为中文摘要,便于快速理解。完整原文见上方 "📑 README 深度解析"。
📌 简介

agents-exe 是一款功能强大的 LLM-agent 工具。它采用了创新的分层架构,核心基于现代的 Entity-Component-System (ECS) 模型构建的 OS Model,能够灵活适配各种工作流。通过提供 CLI、TUI、MCP server 以及 HTTP endpoints 等多种接口层,确保 LLM 能够无缝融入您的现有开发环境,而非让您去迁就工具。

⚡ 功能介绍

本项目具备强大的自动化工作流能力,特别是在处理 GitHub Feature-branch Chains 时表现出色。通过 `agq merge-prs` 命令,它可以自动解析 PR 中的 `Closes #N` 标记,并利用 `agq promote` 实现对 feature branch 中已完成任务的自动状态同步,弥补了 GitHub 默认无法自动关闭分支内 Issue 的缺陷。此外,系统还支持 HTTP server 监控、异步链接优化及增强型 TUI 模式。

📋 环境依赖

在使用 agents-exe 之前,请确保您的开发环境已准备就绪。对于需要处理依赖关系的自动化任务,系统支持通过 `agq promote` 命令来提升那些依赖项已满足的阻塞型 Issue 状态。建议开发者熟悉基础的命令行操作,以便更好地管理 Agent 的执行逻辑。

🛠 安装步骤(Docker/pip/源码)

您可以通过容器化方式快速部署 agents-exe。推荐使用 Podman(也可替换为 Docker)进行构建:首先克隆仓库并进入 bundling 目录,执行 `podman build` 构建镜像,随后通过 `podman run` 进入交互式环境。在容器内部,使用 `agents-exe init` 命令即可完成初始化配置并启动 TUI 模式。

🚀 使用教程

快速上手非常简单。运行 `agents-exe init` 命令,系统将引导您完成 `agent.json` 配置文件及其工具目录(tools directory)的编写。对于高级用户,您还可以直接利用 OS Model 提供的 Haskell 接口,通过 SQLite 等后端进��持久化存储,构建自定义的共享 Toolbox 来扩展 Agent 的能力。

⚙️ 配置说明(含 MCP / env)

agents-exe 提供了灵活的配置机制。您可以通过 `--api-keys` 参数指定包含 API keys 的 JSON 文件路径,或通过环境变量 `EDITOR` 来配置初始化时的文件编辑行为。此外,您可以在项目根目录创建 `agents-exe.cfg.json` 进行高级配置,支持自定义 Agent 目录、日志存储路径以及远程 HTTP 日志推送端点。

🔌 API 说明

本项目提供了丰富的命令行接口与 API 支持。通过集成的 `optparse-applicative` 库,用户可以获得精准的 CLI 参数解析体验。对于身份验证,Agent 需要通过 API keys 进行 LLM 终端的鉴权,默认密钥存储在 `~/.config/agents-exe/secret-keys`,您也可以根据需求自定义密钥管理逻辑。

🔄 工作流/模块

在工作流集成方面,agents-exe 展示了极高的扩展性。通过引入 Lua 集成方案,利用 `hslua` 及其 marshalling 工具,开发者可以在 Haskell 环境中无缝调用 Lua 脚本,实现高度定制化的逻辑控制。这种设计使得 Agent 的行为可以通过轻量级的脚本进行动态调整,非常适合复杂的自动化场景。

📚 实用指南(长尾问题)
适合谁
  • 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
最佳实践
  • 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
  • Agent 任务先做 dry-run 验证工具调用链,再开启自主执行
常见错误
  • 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
  • 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
部署方案
  • Docker:agents-exe 提供官方镜像,docker compose up 一键启动
  • CLI:直接 npm install -g / pip install,命令行调用
  • 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
相关搜索
agents-exe 中文教程agents-exe 安装报错怎么办agents-exe MCP 配置agents-exe Docker 部署agents-exe Agent 工作流agents-exe 与同类工具对比agents-exe 最佳实践agents-exe 适合谁用

⚡ 核心功能

👥 适合谁
  • 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
⭐ 最佳实践
  • 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
  • Agent 任务先做 dry-run 验证工具调用链,再开启自主执行
⚠️ 常见错误
  • 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
  • 显存不足直接 OOM — 优先降低 context 或换更小的量化模型

👥 适合人群

自动化工程师和运维人员项目经理和业务分析师希望减少重复性工作的专业人士数字化转型团队

🎯 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

✅ 优点
  • +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
⚠️ 不足
  • 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
⚠️ 使用须知

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。

📄 License 说明

✅ 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

📚 相关教程推荐
📰 相关 AI 新闻
🍿 AI 圈相关吃瓜
🗺️ 相关解决方案
🧩 你可能还需要
基于当前 Skill 的能力图谱,自动补全的工具组合

❓ 常见问题 FAQ

agents-exe 是一款Haskell开发的AI辅助工具。开源AI工作流:an application and library and framework to help experimenting with LLM agents。⭐10 · Haskell 主要应用场景包括:实验LLM代理。
💡 AI Skill Hub 点评

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。

⬇️ 获取与下载
⬇ 下载源码 ZIP

✅ Apache-2.0 协议 · 可免费商用 · 直接从 aiskill88 服务器下载,无需跳转 GitHub

📚 深入学习 AI工作流
查看分步骤安装教程和完整使用指南,快速上手这款工具
🌐 原始信息
原始名称 agents-exe
原始描述 开源AI工作流:an application and library and framework to help experimenting with LLM agents。⭐10 · Haskell
Topics HaskellLLM工作流
GitHub https://github.com/lucasdicioccio/agents-exe
License Apache-2.0
语言 Haskell
🔗 原始来源
🐙 GitHub 仓库  https://github.com/lucasdicioccio/agents-exe

收录时间:2026-05-28 · 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。