智能AI工作流
智能AI工作流 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
智能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 8.0 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
智能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
智能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 sharrowkin
# 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 sharrowkin
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/narelabs/sharrowkin
cd sharrowkin
pip install -e .
# 验证安装
python -c "import sharrowkin; 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
sharrowkin --help
# 基本用法
sharrowkin input_file -o output_file
# Python 代码中调用
import sharrowkin
# 示例
result = sharrowkin.process("input")
print(result)
# sharrowkin 配置文件示例（config.yml） app: name: "sharrowkin" debug: false log_level: "INFO" # 运行时指定配置文件 sharrowkin --config config.yml # 或通过环境变量配置 export SHARROWKIN_API_KEY="your-key" export SHARROWKIN_OUTPUT_DIR="./output"
简介
Overview
Most coding assistants forget everything the moment you close the tab. Sharrowkin doesn't.
It's a local-first AI development agent that reads your codebase, reasons about changes, and applies them through a disciplined multi-phase loop. Across sessions it remembers what it has seen and done through four complementary memory systems, so it gets more useful to your project over time instead of starting cold every conversation.
Everything runs on your machine: a FastAPI backend drives the reasoning loop and talks to your chosen LLM, while a Next.js web UI gives you a live, Devin-style view of the agent's thinking, file edits, terminal output, and diffs. The only thing that leaves your machine is the LLM call you explicitly configure.
Why it's different: persistent memory + local-first + bring-your-own-model, in one desktop app. Aider is CLI-only, Cursor is cloud and closed — Sharrowkin keeps your code on your machine and remembers it.
Key Features
- 5-phase reasoning cycle — every task flows through Observe → Recall → Reason → Stabilize → Commit, giving the agent structure instead of one-shot guessing.
- Persistent memory — four memory systems (DSM, RLD, MemoryField, TraceMemory) let the agent recall context, successful plans, and prior traces across sessions. Conversation history is persisted to disk per session, so the agent remembers your dialog even after a restart.
- Live agent workspace — watch files open, code stream in, commands run, and diffs render in real time, Devin-style.
- Built-in preview browser — when the agent starts a dev server, its URL is detected automatically and rendered in an embedded Preview tab. Sites are shown at desktop width and scaled to fit, so responsive layouts look right.
- Point-and-fix — select any region of the live preview and send a note straight to the agent ("fix this spacing", "this button is off").
- Clone a site — paste a URL and the agent recreates it in your workspace — the whole site, or just the part you like.
- Bring your own model — works with Gemini, Anthropic, OpenAI, or OpenRouter. Configure keys via
.envor the settings UI. - GitHub integration — connect a repo via OAuth and let the agent work against real projects.
- Native desktop app — ships as a Tauri desktop build with a custom window frame; the Python backend is bundled as a sidecar, so end users don't need Python installed.
- Local and private — your code never leaves your machine except for the LLM calls you configure.
Prerequisites
- Python 3.10 or newer
- Node.js 18 or newer
- An API key for at least one LLM provider (Gemini, Anthropic, OpenAI, or OpenRouter)
Install dependencies
pip install -r requirements.txt
Install (desktop)
The easiest way to run Sharrowkin is the desktop app. It bundles the Python backend as a sidecar, so there's no Python or Node setup.
1. Download the latest installer from the Releases page: - Windows: Sharrowkin Agent_0.1.2_x64-setup.exe (NSIS) or Sharrowkin Agent_0.1.2_x64_en-US.msi 2. Run the installer and launch Sharrowkin Agent. 3. Add an LLM API key in Settings, choose a workspace folder, and start a session.
Building the desktop app yourself? See Building the desktop app.
Getting Started
1. Backend setup
```bash
2. Frontend setup
cd ui
npm installBuilding the desktop app
The desktop app is a Tauri shell that bundles the Next.js UI and a PyInstaller-built backend sidecar.
```bash
1. Build the backend sidecar (from repo root)
pyinstaller --noconfirm --clean sharrowkin-backend.spec
3. Build the installer (runs `next build`, then bundles)
cd ui && npm run tauri:build ```
Installers are written to ui/src-tauri/target/release/bundle/ (.msi and .exe on Windows). The app version is set in ui/src-tauri/tauri.conf.json, ui/src-tauri/Cargo.toml, and ui/package.json — keep them in sync.
Windows x64 example:
cp dist/sharrowkin-backend.exe \ ui/src-tauri/binaries/sharrowkin-backend-x86_64-pc-windows-msvc.exe
Demo
Coming soon — a 30-second clip of the agent picking up a real task and resolving it end-to-end in the live workspace. Want to see it now? Follow the Quickstart and open http://localhost:3000.
Create a virtual environment
python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate
Configure environment
cp .env.example .env
Edit .env and add your LLM API key(s)
```
Configuration
All configuration lives in .env (copy from .env.example):
| Variable | Description |
|---|---|
GEMINI_API_KEY | Google Gemini API key |
ANTHROPIC_API_KEY | Anthropic (Claude) API key |
OPENAI_API_KEY | OpenAI API key |
OPENROUTER_API_KEY | OpenRouter API key |
GITHUB_CLIENT_ID | GitHub OAuth app client ID (optional) |
GITHUB_CLIENT_SECRET | GitHub OAuth app client secret (optional) |
GITHUB_REDIRECT_URI | OAuth callback URL |
WORKSPACE_PATH | Default workspace directory for the agent |
API keys can also be set at runtime through the settings UI.
API runs at http://127.0.0.1:8000 (docs at /docs)
In a second terminal, start the frontend:
Sharrowkin 是一个本地化的 AI 开发代理，它通过一个有结构的多阶段循环来阅读代码库、推理变化并将它们应用于项目中。它通过四个互补的内存系统来记住它所见和所做的内容，从而在不同会话中变得越来越有用。
Sharrowkin 的关键功能包括 5 阶段的推理循环和持久内存。5 阶段循环包括观察、回忆、推理、稳定和提交，给予代理结构而不是一次性猜测。持久内存包括四个内存系统（DSM、RLD、MemoryField 和 TraceMemory），让代理在不同会话中回忆上下文、成功的计划和前一次的跟踪。
Sharrowkin 的环境依赖包括 Python 3.10 或更高版本、Node.js 18 或更高版本，以及至少一个 LLM 提供商的 API 密钥（Gemini、Anthropic、OpenAI 或 OpenRouter）。
安装 Sharrowkin 的最简单方法是使用桌面应用程序。它将 Python 后端打包为一个侧车，因此无需设置 Python 或 Node。步骤包括下载最新的安装程序、运行安装程序并启动 Sharrowkin Agent。
使用 Sharrowkin 的步骤包括设置后端、启动前端和配置环境。设置后端包括复制二进制文件、创建虚拟环境和配置环境。启动前端包括在另一个终端中启动前端。配置环境包括复制环境文件、编辑环境文件并添加 LLM API 密钥。
Sharrowkin 的配置包括创建虚拟环境、复制环境文件、编辑环境文件并添加 LLM API 密钥。环境文件包括 .env 文件，需要在其中添加 LLM API 密钥。
Sharrowkin 的 API 运行在 http://127.0.0.1:8000 上，文档位于 /docs 下。
高质量开源AI工作流项目
- 构建多智能体协作系统的 Agent 开发者
- 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）
- Python 依赖冲突：建议用 venv / uv 隔离环境
- 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
- 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）
- 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
- +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
- −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。
✅ 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
❓ 常见问题 FAQ
经综合评估，智能AI工作流 在Agent工作流赛道中表现稳健，质量优秀。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 | sharrowkin |
| 原始描述 | 开源AI工作流：Deterministic 5-Phase Autonomous AI Engineer with Semantic Code Graph Analysis &。⭐12 · Python |
| Topics | ai-agentautonomous-agentsknowledge-graph |
| GitHub | https://github.com/narelabs/sharrowkin |
| License | Apache-2.0 |
| 语言 | Python |
收录时间：2026-06-09 · 更新时间：2026-06-11 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。
🤖 交给 Agent 安装 · 智能AI工作流
选择 Agent 类型，复制安装指令后粘贴到对应客户端