code-act Agent工作流
AI Skill Hub 强烈推荐：code-act Agent工作流 是一款优质的Agent工作流。已获得 1.7k 颗 GitHub Star，AI 综合评分 8.2 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
code-act Agent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 8.2 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
ICML 2024论文开源实现，通过可执行代码行动增强LLM推理能力的AI工作流框架。支持代码生成、执行和反馈循环，适合研究者、开发者构建高效智能体系统。
code-act Agent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
ICML 2024论文开源实现，通过可执行代码行动增强LLM推理能力的AI工作流框架。支持代码生成、执行和反馈循环，适合研究者、开发者构建高效智能体系统。
code-act Agent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 code-act
# 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 code-act
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/xingyaoww/code-act
cd code-act
pip install -e .
# 验证安装
python -c "import code_act; 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
code-act --help
# 基本用法
code-act input_file -o output_file
# Python 代码中调用
import code_act
# 示例
result = code_act.process("input")
print(result)
# code-act 配置文件示例（config.yml） app: name: "code-act" debug: false log_level: "INFO" # 运行时指定配置文件 code-act --config config.yml # 或通过环境变量配置 export CODE_ACT_API_KEY="your-key" export CODE_ACT_OUTPUT_DIR="./output"
简介
Executable Code Actions Elicit Better LLM Agents
<p align="center"> <a href="https://arxiv.org/abs/2402.01030">📃 Paper</a> • <a href="https://huggingface.co/datasets/xingyaoww/code-act" >🤗 Data (CodeActInstruct)</a> • <a href="https://huggingface.co/xingyaoww/CodeActAgent-Mistral-7b-v0.1" >🤗 Model (CodeActAgent-Mistral-7b-v0.1)</a> • <a href="https://chat.xwang.dev/">🤖 Chat with CodeActAgent!</a> </p>
We propose to use executable code to consolidate LLM agents’ actions into a unified action space (CodeAct). Integrated with a Python interpreter, CodeAct can execute code actions and dynamically revise prior actions or emit new actions upon new observations (e.g., code execution results) through multi-turn interactions (check out this example!).
Install dependencies for llama cpp
cd llama.cpp conda activate llamacpp pip install -r requirements.txt
optionally create a conda environment for installation
conda create -n llamacpp python=3.10
Build (refer to https://github.com/ggerganov/llama.cpp?tab=readme-ov-file#build for more details)
make
**(Optional) Convert Model into [gguf](https://github.com/ggerganov/ggml/blob/master/docs/gguf.md) Format**
OR you can skip the following commands by downloading the pre-converted quantized version (q8_0) [here](https://huggingface.co/xingyaoww/CodeActAgent-Mistral-7b-v0.1.q8_0.gguf).You should download the model first, here is an example for CodeActAgent-Mistral
cd $YOUR_DIR_TO_DOWNLOADED_MISTRAL_MODEL git lfs install git clone https://huggingface.co/xingyaoww/CodeActAgent-Mistral-7b-v0.1 ./scripts/chat/start_vllm.sh $YOUR_DIR_TO_DOWNLOADED_MISTRAL_MODEL/CodeActAgent-Mistral-7b-v0.1
(optional) Quantize for faster inference
./quantize CodeActAgent-Mistral-7b-v0.1.f16.gguf CodeActAgent-Mistral-7b-v0.1.q8_0.gguf Q8_0
**Serve into OpenAI compatible API**
See [this](https://github.com/ggerganov/llama.cpp/tree/master/examples/server#llamacpp-http-server) for a detailed description of the arguments.
Now you can access the OpenAI compatible server on `http://localhost:8080/v1` with model name being `CodeActAgent-Mistral-7b-v0.1.q8_0.gguf`. **You need to change model name from `CodeActAgent-Mistral-7b-v0.1` to `CodeActAgent-Mistral-7b-v0.1.q8_0.gguf` for the interaction interface** in the following section (in chat-ui configuration file or in the Python script)!
#### (Optional) Test if OpenAI-compatible API is workingMake sure you modify .env.local to your configuration by correctly fill-in
📂 Data Generation (Optional)
Recommended: You may download the processed CodeActInstruct from huggingface dataset 🤗.
For reproducibility: You can optionally generate data follow instructions in docs/DATA_GENERATION.md to generate interaction data.
Serve the Model into OpenAI Compatible API
Using VLLM via Docker (requires nvidia-docker)
```bash
1. JUPYTER_API_URL
2. model endpoint (search for 'TODO_OPENAI_BASE_URL');
It will starts the interface on localhost:5173 by default
To clone all submodules
git submodule update --init --recursive ```
code-act 是一个旨在通过可执行代码动作（Executable Code Actions）来提升 LLM Agents 能力的研究项目。该项目通过引入 CodeActInstruct 数据集，使模型能够通过编写并运行代码来与环境交互，从而实现更强大的推理与任务执行能力。项目提供了相关的学术论文、高质量数据集以及经过微调的 CodeActAgent-Mistral-7b-v0.1 模型，为构建高性能的代码驱动型智能体提供了核心支撑。
在开始部署之前，请确保您的系统已安装必要的依赖环境。本项目依赖 llama.cpp 进行推理，您需要进入 llama.cpp 目录，通过 conda 激活 llamacpp 环境，并使用 pip 安装相关的 requirements.txt 文件，以确保底层推理引擎能够正常运行。
您可以选择使用 conda 创建独立的 python=3.10 环境进行安装，以保持环境隔离。对于模型构建部分，您可以参考 llama.cpp 的官方文档进行编译（make）。此外，项目支持直接下载预先转换好的 gguf 量化版本（如 q8_0），如果您希望自定义模型格式，也可以根据文档进行转换。
在使用本项目前，请务必先从 Hugging Face 下载对应的模型权重文件。下载完成后，您可以使用项目提供的脚本（如 scripts/chat/start_vllm.sh）来启动 vLLM 服务。请确保在执行命令时，将模型路径指向您实际存放 Mistral 模型的目录，以便正确加载模型进行对话交互。
本项目支持通过量化技术（Quantize）来加速推理过程，您可以将 f16 格式的模型转换为 q8_0 格式。为了实现与 OpenAI 兼容的 API 服务，您可以使用 llama.cpp 的 server 工具进行部署。请务必根据您的实际环境修�� .env.local 配置文件，以确保各项参数配置正确。
本项目提供了灵活的 API 服务方案。您可以选择使用 Docker 结合 nvidia-docker 来通过 vLLM 部署模型，实现高性能的推理服务。在配置过程中，请注意设置 JUPYTER_API_URL 以及 model endpoint（需在代码中搜索 'TODO_OPENAI_BASE_URL' 进行替换），以确保 API 调用链路的完整性。
在进行项目开发或实验时，请务必执行 git submodule update --init --recursive 命令来克隆所有的子模块，以确保代码库的完整性。此外，如果您需要进行数据生成实验，建议直接下载处理好的 CodeActInstruct 数据集，或者参考 docs/DATA_GENERATION.md 中的说明来生成可复现的交互数据。
论文级别开源实现，创新性强。代码执行反馈机制独特，对提升LLM推理表现有明显效果，维护活跃度好。
- 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
- 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
- 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
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：code-act 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
⚡ 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
- 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
- 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
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- 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
- +MIT 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。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
总体来看，code-act Agent工作流 是一款质量优秀的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 | code-act |
| 原始描述 | 开源AI工作流：Official Repo for ICML 2024 paper "Executable Code Actions Elicit Better LLM Age。⭐1.7k · Python |
| Topics | LLM智能体代码执行工作流微调框架 |
| GitHub | https://github.com/xingyaoww/code-act |
| License | MIT |
| 语言 | Python |
收录时间：2026-05-14 · 更新时间：2026-05-16 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。