QUITE 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
QUITE 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
QUITE：一个基于LLM代理的查询重写系统，超越规则。
QUITE 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
QUITE：一个基于LLM代理的查询重写系统，超越规则。
QUITE 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 quite
# 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 quite
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/Yuyang-Song/QUITE
cd QUITE
pip install -e .
# 验证安装
python -c "import quite; 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
quite --help
# 基本用法
quite input_file -o output_file
# Python 代码中调用
import quite
# 示例
result = quite.process("input")
print(result)
# quite 配置文件示例（config.yml） app: name: "quite" debug: false log_level: "INFO" # 运行时指定配置文件 quite --config config.yml # 或通过环境变量配置 export QUITE_API_KEY="your-key" export QUITE_OUTPUT_DIR="./output"
QUITE: A Query Rewrite System Beyond Rules with LLM Agents
System Overview
<p align="center"> <img src="figures/overview.png" width="1000px"> </p>
QUITE (<u>QU</u>ery rewr<u>ITE</u>) is a training-free and feedback-aware system based on LLM agents that rewrites SQL queries into semantically equivalent forms with significantly better performance, covering a broader range of query patterns and rewrite strategies.
The figure above presents the query rewrite workflow:
🚀 Key Features
- Training-Free: No machine learning model training required
- Multi-Agent Architecture: Specialized agents for reasoning, verification, and decision-making
- Feedback-Aware: Iterative refinement based on execution plan analysis
- Broad Coverage: Supports complex query patterns beyond traditional rule-based systems
- Memory Management: Efficient context management to prevent hallucinations
Requires database restart permission
chmod +x ./scripts/evaluation.sh bash ./scripts/evaluation.sh
**Option 2: No-Restart Mode (for restricted environments)**Environment Setup
The following instructions have been tested on Ubuntu 22.04 and PostgreSQL v14.13, Python 3.12.
Installation
Install dependencies:
pip install -r requirements.txtBenchmarks:
We use TPC-H, DSB, Clacite and SQLStorm to evaluate our system's performance. You can find the construction methods in the following links: TPC-H, DSB, Calcite, SQLStorm.
Step 1: Configuration Setup
1.1 Set up your OpenAI API keys and URL for LLM Agents
Find the .env file in the config_file/ directory. Our default base LLM selection is as follows:
```bash
Quick Start
Basic usage with both modules
python run.py \ --input_path dataset/queries/tpch_test.json \ --output_dir output/my_results \ --schema_file dataset/schemas/tpch_schemas.sql \ --enable_rewriter \ --enable_recommender
config_file/.env
LLM Model API Configuration
REASONING_MODEL_API_KEY=[your_api_key_here] REASONING_MODEL=deepseek-r1 REASONING_MODEL_URL=[your_model_url_here]
DECISION_MODEL_API_KEY=[your_api_key_here] DECISION_MODEL=claude-3-7-sonnet-20250219 DECISION_MODEL_URL=[your_model_url_here]
ASSISTANT_MODEL_API_KEY=[your_api_key_here] ASSISTANT_MODEL=claude-3-7-sonnet-20250219 ASSISTANT_MODEL_URL=[your_model_url_here]
Database Configuration
DB_HOST=[localhost] DB_PORT=[5432] DB_NAME=[your_database_name] DB_USER=[your_username] DB_PASSWORD=[your_password]
Project Configuration
PROJECT_ROOT=/path/to/QUITE
Note: Make sure you have added the **PROJECT_ROOT** path in the `.env` file.
#### 1.2 Test Each Module
We independently test each component of QUITE to ensure that it would function correctly in the new execution environment. The default database is **TPC-H Benchmark** in our code [test_module.py](test_module.py) and [test_query](dataset/queries/test_sql.sql).
If you use your own database benchmarks, exchange the [test_query](dataset/queries/test_sql.sql) to yours and reconfirm the `.env` file.Check the .sh file configurations
Check the .sh file configurations
Check the .sh file configurations
Run the complete pipeline (can be executed from any location within QUITE)
chmod +x ./scripts/run_quite.sh bash ./scripts/run_quite.sh
**Option 2: Query Rewriting Only**QUITE是一个有潜力的AI工作流系统，提供了基于LLM代理的查询重写功能，值得关注。
- 需要 QUITE 解决具体问题的开发者与运营人员
- 先在测试环境跑通最小用例，再接入生产数据
- 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
- 需要 QUITE 解决具体问题的开发者与运营人员
- 先在测试环境跑通最小用例，再接入生产数据
- 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
- +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
- −未明确开源协议，商用场景需谨慎评估
- −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
该工具未明确声明开源协议，商业使用前请联系原作者确认授权范围，避免侵权风险。
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。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，QUITE 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 | QUITE |
| 原始描述 | 开源AI工作流：QUITE: A query rewrite system beyond rules with LLM agents.。⭐20 · Python |
| Topics | workflowpython |
| GitHub | https://github.com/Yuyang-Song/QUITE |
| 语言 | Python |
收录时间：2026-06-11 · 更新时间：2026-06-11 · License：未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。