📄 工具详情 ⚙️ 安装教程 📚 使用教程

能力标签

🤖 Agent 🔄 工作流 🐳 Docker 🧬 Embedding ✨ GPT

⚙️

Agent工作流

AgentTeam

基于 JavaScript · 无代码搭建完整 AI 自动化流程

⭐ 6 Stars 🍴 1 Forks 💻 JavaScript 📄 未公布协议 🏷 AI 8.0分

8.0AI 综合评分

openclawhermesdockerpostgresql

⚙️ 配置说明 🔍 查看原项目

✦ AI Skill Hub 推荐

AgentTeam 是 AI Skill Hub 本期精选Agent工作流之一。综合评分 8.0 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。

📚 深度解析

AgentTeam 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。

AgentTeam 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 8.0 分，是同类 Agent 工作流中的精选推荐。

📋 工具概览

AgentTeam 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

⭐ 6

开发语言

JavaScript

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

未公布

AI 综合评分

8.0 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：npm 全局安装
npm install -g agentteam

# 方式二：npx 直接运行（无需安装）
npx agentteam --help

# 方式三：项目依赖安装
npm install agentteam

# 方式四：从源码运行
git clone https://github.com/qiushile/AgentTeam
cd AgentTeam
npm install
npm start

📋 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
agentteam --help

# 基本用法
agentteam [options] <input>

# Node.js 代码中使用
const agentteam = require('agentteam');

const result = await agentteam.run(options);
console.log(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

# agentteam 配置说明
# 查看配置选项
agentteam --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 AGENTTEAM_CONFIG="/path/to/config.yml"

📑 README 深度解析真实文档完整度 56/100 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。

ClawTeam: 企业级联邦式多 Agent 协作架构

ClawTeam 是一个为软件开发公司打造的 “联邦式全生命周期 AI 数字团队” 落地模板。本项目基于 OpenClaw 框架，专为高性能无 GPU 服务器（如高核高内存的 Ubuntu）以及云端聚合算力（如阿里云百炼 Coding Plan）场景进行了深度优化。

核心特性架构

联邦式中枢调度 (Orchestrator-Led): 采用统一协调中枢接收前端（企业微信/钉钉）请求，通过意图识别和向量匹配，精准将任务路由给后端的专业 Agent（产品、研发、测试等）。
Docker 物理级隔离与沙箱: 所有的专业 Agent 作为独立的 Docker 容器运行，针对涉及代码执行的高危 Agent（如 Developer Helper、Auto-Tester）默认采用 sandbox / sandbox-browser 隔离镜像，保障宿主机安全。
PostgreSQL 统一知识底座: 放弃分散的本地文件记忆，所有 Agent 接入搭载 pgvector 扩展的统一 PostgreSQL 数据库。
RLS 行级安全与 Schema 隔离: 在数据库层为不同 Agent 分配专属 Schema（如 pm_schema, dev_schema）保护私有知识，并通过行级安全策略 (RLS) 实现细粒度的共享表（如 shared.tasks）读写协同。
大模型算力池化 (Coding Plan 优化): 所有 Agent 共享统一的阿里云 Dashscope API Key，但在各自的 openclaw.json 中配置最匹配岗位的模型（如研发配置 qwen2.5-coder / glm-5，中枢配置 qwen-max），并强制启用 Fallback 防限流降级链。