AI伴侣运行时
AI伴侣运行时 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
AI伴侣运行时 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
老年护理运行时，具有风险控制、提醒、反欺诈和家庭升级功能
AI伴侣运行时 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
老年护理运行时，具有风险控制、提醒、反欺诈和家庭升级功能
AI伴侣运行时 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 ai-companion-runtime
# 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 ai-companion-runtime
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/yf0522/ai-companion-runtime
cd ai-companion-runtime
pip install -e .
# 验证安装
python -c "import ai_companion_runtime; 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
ai-companion-runtime --help
# 基本用法
ai-companion-runtime input_file -o output_file
# Python 代码中调用
import ai_companion_runtime
# 示例
result = ai_companion_runtime.process("input")
print(result)
# ai-companion-runtime 配置文件示例（config.yml） app: name: "ai-companion-runtime" debug: false log_level: "INFO" # 运行时指定配置文件 ai-companion-runtime --config config.yml # 或通过环境变量配置 export AI_COMPANION_RUNTIME_API_KEY="your-key" export AI_COMPANION_RUNTIME_OUTPUT_DIR="./output"
AI Companion Runtime
面向老龄照护场景的实时 AI 陪伴 + 风险分级运行时。基于 WebSocket 的流式对话，支持风险识别（健康紧急/诈骗识别/情绪低落）、工具调用、长期记忆、模型热插拔与全链路 Trace 观测。
4. Labor saved overview
把前面三条线放在一起看，价值会更直接：不是多了几个“AI 功能”，而是把子女最常见的苦差一项项拿掉。少一次催药电话，少一轮重复追问，少一次等出事后再补救，最后想落到的一句话就是标题本身：老人做小事，子女少做苦差。
核心特性
快速开始
3a. Docker Compose 启动 (推荐)
cd infra
docker compose up -d服务端口: - 前端: http://localhost:3000 - 后端 API: http://localhost:8000 - Swagger 文档: http://localhost:8000/docs - MinIO Console: http://localhost:9001 - Jaeger UI: http://localhost:16686 - Prometheus: http://localhost:9090 - Grafana: http://localhost:3001
3b. 本地开发启动
基础服务 (Redis 必须, PostgreSQL 可选):
```bash
运行 migration
alembic upgrade head
启动
uvicorn app.main:app --host 0.0.0.0 --port 8000
**前端:**
打开 http://localhost:3000 开始聊天。
Demo evidence
Mock UI · scenario demo. These visuals illustrate intended eldercare flows and should not be presented as production screenshots.
2. 配置环境变量
```bash cp .env.example .env
编辑 .env, 填入你的模型 API Key:
GEMINI_API_KEY=your-gemini-key # optional alias for Pi sidecar/provider tooling
QWEN_API_KEY=sk-your-key # optional if you switch models.yaml back to Qwen
DEEPSEEK_API_KEY=sk-your-key # optional if you switch models.yaml to DeepSeek
```
配置文件
| 文件 | 说明 |
|---|---|
models.yaml | 模型配置 (primary/fallback/fast), 修改后自动热加载 |
harness.yaml | Agent Harness 超时/重试/降级策略 |
personality.yaml | AI 人格 + 情绪适配矩阵 |
risk_rules.yaml | 风险关键词/正则/分级规则 |
GOOGLE_API_KEY=your-gemini-key # current demo primary/fallback/fast models
API 端点
| 方法 | 路径 | 说明 |
|---|---|---|
| WS | /ws/chat | WebSocket 聊天 |
| WS | /ws/device/realtime | 设备端实时语音路由 |
| GET | /api/traces/{trace_id} | 查询 Trace 链路 |
| GET | /api/traces | Trace 列表 |
| POST | /api/auth/register | 用户注册 |
| POST | /api/auth/login | 用户登录 |
| GET / POST / PUT / DELETE | /api/reminders | 提醒事件 CRUD（已接入 DB 路径，演示与生产回路需持续验证） |
| GET | /api/notifications | 家属通知查询（事件已落库；手机推送/webhook provider 与回执待接入） |
| GET | /api/memory/{user_id}/profile | 用户画像 |
| GET | /api/memory/{user_id}/memories | 记忆列表 |
| GET | /health | 健康检查 |
| GET | /metrics | Prometheus 指标 |
模型热插拔
models.yaml配置 primary / fallback / fast 三个角色- 修改文件自动热加载, 无需重启
- 统一 OpenAI 兼容接口, 一个 Adapter 覆盖 Qwen / DeepSeek / OpenAI / 本地模型
Verified now vs roadmap
| Verified now (main + tests) | Roadmap / not claimed |
|---|---|
| Chat WS + risk categories + Trace events (incl. tool calls) | Production voice clone / enrollment |
| CareTask lifecycle + Reminder delivery attempts and device receipts | Phone OS call intercept |
| Safety decision + notification outbox + receipt/case contracts | Configured production provider and verified household contacts |
| Device WS through AgentHarness (protocol tests) | Flashed ESP32 two-turn serial as “fully verified” |
| Importance-ranked memory recall + user profile | Full vector similarity search as default L3 |
Investor Mock UI under docs/evidence/ | Treating Mock UI as production screenshots |
| Smoke scripts + CI workflows | Live smoke evidence against a running stack |
ai-companion-runtime 是一个专为老龄照护场景设计的实时 AI 陪伴与风险分级运行时系统。该系统通过 WebSocket 实现流式对话，能够智能识别健康紧急情况、诈骗风险及情绪低落等关键信号。它集成了工具调用、长期记忆以及模型热插拔功能，并提供全链路 Trace 观测能力，旨在通过 AI 技术减轻子女的照护负担，实现“老人做小事，子女少做苦差”的核心价值。
本项目具备强大的实时交互与风险监控能力。核心特性包括基于 WebSocket 的流式对话系统、多维度的风险识别（健康/诈骗/情绪）、支持长期记忆的上下文管理，以及灵活的模型热插拔机制。此外，系统还内置了完整的全链路 Trace 观测功能，确保 AI 决策过程透明、可追溯，能够应对复杂的养老陪护需求。
推荐使用 Docker Compose 进行快速部署。进入 infra 目录并执行 `docker compose up -d` 即可一键启动包含前端、后端 API、MinIO、Jaeger 及 Grafana 在内的全套服务。若需手动部署，请确保已安装 Redis 和 PostgreSQL，并按照相关指令运行 alembic migration 进行数据库初始化。
对于本地开发环境，请先启动基础服务（如 Redis），运行 alembic upgrade head 完成数据库迁移，随后使用 uvicorn 启动后端 API。前端部分需进入 apps/web 目录执行 npm install 和 npm run dev。启动后，可通过浏览器访问 http://localhost:3000 进入聊天界面进行交互测试。
系统通过 .env 文件进行环境配置。开发者需要从 .env.example 复制并创建 .env 文件，并在其中填入所需的模型 API Key（如 GEMINI_API_KEY 或 GOOGLE_API_KEY）。系统支持通过 models.yaml 进行模型角色配置，实现 primary、fallback 与 fast 角色的动态管理。
本项目提供丰富的 API 接口。通过 WebSocket (`/ws/chat` 和 `/ws/device/realtime`) 实现实时聊天与设备端语音路由；通过 RESTful API 提供用户注册、登录以及 Trace 链路查询功能（`/api/traces`）。所有模型接口均采用统一的 OpenAI 兼容标准，方便集成各类大模型。
系统采用灵活的模型热插拔架构。通过配置 models.yaml 文件，开发者可以定义 primary、fallback 和 fast 三种不同的模型角色。系统支持配置文件的自动热加载，无需重启服务即可完成切换。通过统一的 Adapter 层，系统可以无缝覆盖 Qwen、DeepSeek、OpenAI 及各类本地模型。
一个有趣的AI伴侣项目，具有较高的实用价值
- 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
- +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
经综合评估，AI伴侣运行时 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 | ai-companion-runtime |
| 原始描述 | 开源AI工作流：Eldercare runtime: risk-gated companion with reminders, anti-fraud, family escal。⭐36 · Python |
| Topics | ai-agentcompanion-aieldercarepython |
| GitHub | https://github.com/yf0522/ai-companion-runtime |
| License | MIT |
| 语言 | Python |
收录时间：2026-07-09 · 更新时间：2026-07-09 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。