开源AI工作流
开源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
开源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
开源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。
📖 中文文档
开源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。
- 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：npm 全局安装 npm install -g kimi-core # 方式二：npx 直接运行（无需安装） npx kimi-core --help # 方式三：项目依赖安装 npm install kimi-core # 方式四：从源码运行 git clone https://github.com/marikagura/kimi-core cd kimi-core npm install npm start
- 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
kimi-core --help
# 基本用法
kimi-core [options] <input>
# Node.js 代码中使用
const kimi_core = require('kimi-core');
const result = await kimi_core.run(options);
console.log(result);
# kimi-core 配置说明 # 查看配置选项 kimi-core --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 KIMI_CORE_CONFIG="/path/to/config.yml"
简介
English: ./README.en.md
快速开始（本地）
```bash npm install docker compose up -d # local Postgres + pgvector — or point DATABASE_URL at your own DB npm run init # conversational onboarding — generates .env (with a fresh KIMI_API_KEY) + persona.md + AGENTS.md # (prefer to do it by hand? cp .env.example .env and fill it instead)
运行 autonomous daemon（可选）
引擎是两个进程：gateway（HTTP MCP 服务，npm run dev 起在 :3001，记忆 / 工具都从这里走）+ 一个 wake daemon（按 cron 醒来、读 drive / concern、决定做什么）。daemon 是可选的——不运行它，引擎仍是一个完整的记忆 + 检索后端。
```bash
运行 intel（digests + concern sweep · 可选）
引擎还带一个 intel 进程（apps/gateway/src/intel.ts）——按 cron 把原始对话整理成 dialogue digests，并每日跑一次 concern 的 decay→sweep→derive（自情绪扫描）。它不绑 Claude（走你配的 KIMI_MODEL，可选 INTEL_MODEL / INTEL_DIGEST_MODEL / INTEL_SWEEP_MODEL 角色覆盖），所以比 daemon 更易跑：
cd apps/gateway
npm run intel # 自带 cron 自调度（daily runAll + 每小时 digest tick）不跑它，记忆仍可检索；只是没有自动 digest（喂 reentry 的「近期对话摘要」）和每日 concern sweep。extractFromChat 是范例抽取器——克隆它、换数据源即可从 email / dream / telegram 等任意来源抽 memory candidate（各来源是部署者自己的，故只附通用对话版）。
now open .env: set your LLM endpoint (LLM_BASE_URL + LLM_API_KEY) + KIMI_MODEL — the repo presets none;
可配置项
引擎的几个旋钮都走 env，默认安全（fail-closed / 全关）：
- drive 维度（
DRIVE_DIMS） —— drive roster 是可自定义的：一个 JSON 数组列你自己的维度；不设则用代码里的范例DEFAULT_DRIVE_DIMS。引擎不读 YAML，维度形状见 docs/DRIVES.md。连「它想要什么」都是你定义的，不是写死四个。 - HITL 旋钮（
DAEMON_AUTONOMY_MODE） ——propose（默认，human-in-the-loop：对外动作只 staged、不直接发）/auto（直接 commit）。DAEMON_WAKE_CRON调唤醒节奏。 - 投递 / 搜索 providers ——
NOTIFIER：none/console/webhook（+NOTIFIER_WEBHOOK_URL，daemon 对外推送）；SEARCH_PROVIDER：none/http（好奇心 web search）。env 驱动、默认全关，参考实现在lib/providers.ts。 - rerank（
RERANK_PROVIDER） ——none/local/cohere/jina/voyage；检索末端可选的 cross-encoder 重排阶段。
EMBED_BASE_URL + EMBED_API_KEY + EMBED_MODEL enable semantic search
npm run db:migrate:deploy npm run dev # starts the gateway (HTTP MCP server) on :3001 ```
这个 repo 里没有内建的人格，没有示例关系，没有词表。 npm run init 会带你一步步把它建起来。
model 和 provider 都不附带。 两样都不预设：LLM 端点用 LLM_BASE_URL + LLM_API_KEY （任何 OpenAI 兼容端点——OpenRouter / OpenAI / 本地 vLLM·Ollama 都行）+ 一个 KIMI_MODEL （那个端点认的模型 id）；语义检索用 EMBED_BASE_URL + EMBED_API_KEY + EMBED_MODEL；跑 daemon 才需要 DAEMON_MODEL（裸 Claude id）。npm run init 会问你；没设就 fail-closed、报一条清楚的错， 而不是悄悄拿一个你没选过的端点或模型去跑。
高质量的AI工作流引擎，具有自审计功能
- 使用 Cursor 编辑器、希望提升 AI 编程效率的开发者
- 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
- 构建企业知识库 / RAG 检索应用的团队
- 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
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- Cursor rules 控制在 80 行内，否则模型上下文成本会显著上升
- 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
- Docker：kimi-core 提供官方镜像，docker compose up 一键启动
- 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
- 使用 Cursor 编辑器、希望提升 AI 编程效率的开发者
- 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
- 构建企业知识库 / RAG 检索应用的团队
- 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
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- Cursor rules 控制在 80 行内，否则模型上下文成本会显著上升
- 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
👥 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
- −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
该工具使用 AGPL-3.0 协议，商用场景请仔细阅读协议条款，必要时咨询法律意见。
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。
⚠️ AGPL 3.0 — 最严格的 Copyleft，网络服务端使用也需开源，SaaS 使用受限。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，开源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 | kimi-core |
| 原始描述 | 开源AI工作流：An agentic memory + self-drive engine with a built-in adversarial self-audit har。⭐10 · TypeScript |
| Topics | AI工作流TypeScript |
| GitHub | https://github.com/marikagura/kimi-core |
| License | AGPL-3.0 |
| 语言 | TypeScript |
收录时间：2026-06-18 · 更新时间：2026-06-20 · License：AGPL-3.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。