📄 工具详情 ⚙️ 安装教程 📚 使用教程
能力标签
🤖 Agent🔄 工作流🌐 翻译🐳 Docker💻 CLI🔗 REST API🧬 Embedding📚 RAG✨ GPT⛓ LangChain
AIR-Agent
⚙️
Agent工作流

AIR-Agent

基于 Python · 无代码搭建完整 AI 自动化流程
⭐ 6 Stars 💻 Python 📄 MIT 🏷 AI 8.0分
8.0AI 综合评分
ai-agentapicrawlerdatabasepython
⬇ 下载源码 ZIP ⚙️ 配置说明 📺 TG 频道
✦ AI Skill Hub 推荐

经 AI Skill Hub 精选评估，AIR-Agent 获评「强烈推荐」。这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 8.0 分，适合有一定技术背景的用户使用。

📚 深度解析

AIR-Agent 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。

AIR-Agent 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

AIR-Agent 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
Python
支持平台
Windows / macOS / Linux
维护状态
轻量级项目，按需更新
开源协议
MIT
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」。

AIR-Agent 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。

📌 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：pip 安装（推荐）
pip install air-agent

# 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 air-agent

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/ShiYu0318/AIR-Agent
cd AIR-Agent
pip install -e .

# 验证安装
python -c "import air_agent; print('安装成功')"
📋 安装步骤说明
  1. 访问 GitHub 仓库获取工作流文件
  2. 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
  3. 上传工作流文件
  4. 按照提示配置必要的环境变量和 API Key
  5. 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
air-agent --help

# 基本用法
air-agent input_file -o output_file

# Python 代码中调用
import air_agent

# 示例
result = air_agent.process("input")
print(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
# air-agent 配置文件示例（config.yml）
app:
  name: "air-agent"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
air-agent --config config.yml

# 或通过环境变量配置
export AIR_AGENT_API_KEY="your-key"
export AIR_AGENT_OUTPUT_DIR="./output"
📑 README 深度解析 真实文档 完整度 90/100 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。

简介

Overview

RAGency keeps you on top of fast-moving AI research without the daily manual grind. It gathers the latest papers and community discussion from many sources, distills each item into a concise summary, and builds a searchable knowledge base you can query in natural language. Retrieval spans both a dense/sparse vector index and a citation/concept graph, so the system answers specific questions and reasons about a field as a whole.

The primary interface is an interactive web dashboard (React + FastAPI, GitHub-dark aesthetic, EN/ZH bilingual): streaming Q&A with citations, shareable conversations, interactive D3 citation/concept graphs, deep-research and writing tools, a reading kanban with RSS feeds and exports, trend analytics, learning paths, and per-user notification scheduling. A Discord bot remains as a secondary interface sharing the same core, with a scheduled daily digest and slash commands. User interactions feed a preference reward model that continuously tunes recommendation ranking.

The project runs on free, local components where possible: Groq (OpenAI-compatible) for generation, sentence-transformers for local embeddings, and FAISS for vector search. Heavier options (BGE embeddings and rerankers, HNSW indexing, Postgres + pgvector, OpenAlex citation data, PDF full-text ingestion) are available behind configuration switches and degrade gracefully when their services or models are unavailable.

Features

Prerequisites

  1. Groq API key — https://console.groq.com (free tier works)
  2. Python 3.13 + uv, or Docker
  3. Discord bot token (optional, only for the bot) — https://discord.com/developers/applications
  4. Node.js 22+ (optional, only for frontend development)

Required — dashboard

GROQ_API_KEY=your-groq-api-key

Required only for the Discord bot

DISCORD_BOT_TOKEN=your-bot-token DISCORD_CHANNEL_ID=your-channel-id

Deployment switches

SCHEDULER_ENABLED=1 # per-user digests and reminders (compose sets this) STORE_BACKEND=sqlite # or postgres (+ DATABASE_URL) ```

Everything else is optional and safely skipped when unset — the full reference:

VariableRequiredDescription
GROQ_API_KEYyesGroq API key ([console.groq.com](https://console.groq.com))
GROQ_MODELModel id (default llama-3.3-70b-versatile)
DISCORD_BOT_TOKENbotDiscord bot token (required only for the bot)
DISCORD_CHANNEL_IDbotChannel id for the daily push
DISCORD_GUILD_IDGuild id for instant slash-command sync (else global sync)
ARXIV_QUERYarXiv query (default cat:cs.AI)
DAILY_COUNT / REPORT_COUNTPapers fetched per daily push / per report
PUSH_HOUR / PUSH_MINUTE / PUSH_TZ_OFFSETDefault daily push time and timezone offset
EMBED_MODELEmbedding model (default all-MiniLM-L6-v2, or BAAI/bge-m3)
INDEX_TYPE / HNSW_MVector index: flat (exact) or hnsw (approximate)
RERANK_ENABLED / RERANK_MODELEnable BGE cross-encoder reranking
TELEGRAM_BOT_TOKEN / TELEGRAM_CHAT_IDEnable Telegram delivery
SMTP_HOST / SMTP_PORT / SMTP_USER / SMTP_PASSWORD / SMTP_FROM / EMAIL_TOEnable Email delivery
LINE_CHANNEL_TOKEN / LINE_TOEnable LINE delivery (Messaging API)
GITHUB_TOKENOptional, raises GitHub API rate limits
X_BEARER_TOKENEnables the X/Twitter crawler (X API v2 requires a paid plan)
JWT_SECRETDashboard auth secret (ephemeral if unset; set it in production)
JWT_EXPIRE_MINUTESToken lifetime (default 7 days)
CORS_ORIGINS / API_PUBLIC_URL / FRONTEND_URLDashboard URLs (defaults fit local dev)
GOOGLE/GITHUB/DISCORD_CLIENT_ID/SECRETOAuth sign-in and Discord account linking
STORE_BACKEND / DATABASE_URLsqlite (default) or postgres with pgvector
SCHEDULER_ENABLEDPer-user digest/reminder scheduler (compose sets it to 1)

The arXiv, news, Hacker News, Reddit, and GitHub crawlers work without credentials. Telegram/Email/LINE delivery, OAuth providers, and the X/Twitter crawler activate only once their keys are set. Changing EMBED_MODEL changes vector dimension; the store detects this and rebuilds the index automatically.

Quick start

Usage

The dashboard is self-explanatory after First steps; every page is described in Web dashboard, and the full REST surface in API reference.

2. Set up environment variables

cp backend/.env.example backend/.env

Edit backend/.env with your keys (GROQ_API_KEY at minimum)

Option 2: Local development

```bash

Configuration

Settings live in backend/.env (never committed). The minimum working configuration:

```bash

Setting up the Discord bot

1. Create an application at the Discord Developer Portal. 2. Under Bot -> Reset Token, copy the token into DISCORD_BOT_TOKEN. 3. Under OAuth2 -> URL Generator, select scopes bot and applications.commands, grant Send Messages, Read Message History, and Embed Links, and use the generated URL to invite the bot. 4. Enable Developer Mode in Discord to copy the channel and guild IDs.

Web + API: http://localhost:8000

API docs: http://localhost:8000/docs

```

For Postgres, also set STORE_BACKEND=postgres and DATABASE_URL in backend/.env.

Backend (dashboard API)

cd backend uv sync # install dependencies (includes PyTorch; first run is slow) cp .env.example .env # then fill in your keys uv run python main.py api # dashboard API at :8000 (serves frontend/dist if built) uv run python main.py bot # or: the Discord bot uv run python main.py all # or: both at once

Frontend (in another terminal, hot reload; Vite proxies /api to :8000)

cd frontend npm install npm run dev # UI at http://localhost:5173 


`uv run` uses the project virtualenv automatically. If you prefer an activated shell:
bash source backend/.venv/bin/activate # then run: python main.py api ```

API reference

All endpoints are also browsable live at /docs (Swagger UI) and /redoc. Unless marked public, endpoints require Authorization: Bearer <JWT> obtained from register/login or OAuth. Streaming endpoints return Server-Sent Events (data: {json}\n\n frames).

Papers and library (`/api`)

MethodPathDescription
GET/api/papersList papers (?limit=&source=&query=) with reproducibility signals
GET/api/paper/{id}Paper detail with credibility (OpenAlex) and reproducibility
POST/api/dailyFetch today's arXiv papers, store and index them
GET/api/daily/personalizedPapers ranked against your interaction profile
POST/api/interactionsLog an interaction (like, click, ...) for recommendations (201)
GET/api/readingReading kanban items (?state=to-read\|reading\|done)
POST/api/readingAdd a paper to the kanban (201)
PATCH/api/reading/{paper_id}Move between states
DELETE/api/reading/{paper_id}Remove from the kanban (204)
GET/api/export/csvExport the library as CSV
GET/api/export/bibtexExport as BibTeX
GET/api/export/obsidianExport as an Obsidian-ready Markdown zip

Feeds and subscriptions (`/api`)

MethodPathDescription
GET/api/feedsYour RSS feeds
POST/api/feedsAdd a feed (201; 409 on duplicate)
PATCH/api/feeds/{id}Update title/category/enabled
DELETE/api/feeds/{id}Remove a feed (204)
POST/api/feeds/refreshFetch all enabled feeds into the library
GET/api/subscriptionsYour keyword subscriptions
POST/api/subscriptionsAdd a keyword subscription (201)
DELETE/api/subscriptions/{name}Remove one (204)

Graph (`/api/graph`)

MethodPathDescription
GET/api/graph/citation?seed=Citation network around a seed (arXiv id or title), D3 nodes/edges + PageRank + communities
GET/api/graph/conceptConcept graph over the library (?refresh=1 rebuilds)
GET/api/graph/global?query=Community-summary map-reduce answer for corpus-level questions

Research and writing (`/api`)

MethodPathDescription
POST/api/deepresearch**SSE** — decompose → per-question research → synthesis; events: decompose, section, synthesis, citations, done
POST/api/litreviewLiterature review over retrieved papers
POST/api/compareMulti-paper method comparison table
POST/api/reportStructured topic report with citations
POST/api/bibtexBibTeX for retrieved papers
POST/api/explainGuided plain-language deep-read of one paper
POST/api/write/{tool}Writing tools: polish, contributions, review, checklist, latex, slides

Insights (`/api`)

MethodPathDescription
GET/api/trendsRising keywords (slope-ranked) + top keywords (?granularity=month\|year&top=)
GET/api/trends/{keyword}One keyword's time series and next-period forecast
GET/api/digest/weeklyWeekly digest: top recent papers, keywords, LLM overview
GET/api/analyticsYour activity, action totals, reading pipeline, top topics (?days=)

Notifications, reminders, learning (`/api`)

MethodPathDescription
GET/api/notifications/preferencesYour notification preferences
PUT/api/notifications/preferencesUpdate them; the scheduler reschedules immediately
GET/api/remindersOpen reminders (?include_done=true for all)
POST/api/remindersCreate a reminder (201)
POST/api/reminders/{id}/completeMark done
DELETE/api/reminders/{id}Delete (204)
GET/api/learning-pathsYour learning paths
POST/api/learning-pathsGenerate a path for a topic (LLM, retrieval fallback) (201)
PATCH/api/learning-paths/{id}Update items/progress/topic
DELETE/api/learning-paths/{id}Delete (204)
GET/api/skillsYour skill levels
PUT/api/skillsSet a skill level (0-100)

System and extras (`/api`)

MethodPathDescription
GET/api/healthStore stats, scheduler status, provider-key readiness (booleans only) — public
GET/api/sourcesData-source configuration status
GET/api/memoryYour agent memory items (?kind=&contains=&limit=)
POST/api/memoryAdd a memory item (201)
POST/api/evalRAG evaluation — engine=offline (default): precision@k, recall, MRR, lexical faithfulness; engine=judge: RAGAS-style LLM-judged faithfulness, answer relevancy, context precision/recall (503 without GROQ_API_KEY)
POST/api/agentTool-calling agent (503 without GROQ_API_KEY)

Research workflow tools

- Literature review generation with identified research gaps. - BibTeX export with generated citation keys. - Method comparison tables across papers. - Guided deep-read explanations of dense papers. - Credibility and impact signals from citation counts. - Reproducibility signals from linked code repositories. - Reading kanban (to-read / reading / done) with drag-and-drop, and topic subscriptions. - Obsidian export — render papers and links as Markdown notes with frontmatter and wikilinks for Obsidian, Juggl, and Dataview; CSV and BibTeX exports alongside. - Writing assistance — LaTeX drafts, slide outlines, polishing, contribution extraction, review suggestions, and submission checklists.

Retrieval and question-answering

- Hybrid retrieval — dense vector search (FAISS, optional HNSW) fused with BM25 lexical search via Reciprocal Rank Fusion. - Query transformation — HyDE, multi-query rewriting, and question decomposition to widen recall. - Cross-encoder reranking — optional BGE reranker for second-stage precision. - Parent-document retrieval — retrieve focused child chunks, return their parent papers. - Contextual chunk embedding — situate each chunk within its document before embedding. - Semantic answer cache — short-circuit near-duplicate questions. - Traceable citations — chunk-level source markers resolve back to paper, section, and link, with a citation-accuracy metric to score grounding.

Q&A and conversations (`/api`)

MethodPathDescription
POST/api/ask**SSE** — streamed answer over the library; events: conversation, token, citations, done
GET/api/conversationsList conversations (?query= searches titles and messages)
GET/api/conversations/{id}One conversation with messages and citations
PATCH/api/conversations/{id}Rename
DELETE/api/conversations/{id}Delete (204)
POST/api/conversations/{id}/shareCreate a public share link, returns {token, url}
GET/api/shared/{token}Read a shared conversation — public
🇨🇳 中文文档镜像 AI 翻译 2026-07-03
英文原文章节由系统翻译为中文摘要，便于快速理解。完整原文见上方 "📑 README 深度解析"。
📌 简介

AIR-Agent (RAGency) 是一款专为 AI 研究人员设计的自动化情报工具。它能够自动追踪并汇总最新的 AI 论文与社区讨论，通过将海量信息提炼为简洁的摘要，构建起一个可进行自然语言查询的知识库。系统结合了稠密/稀疏向量索引（Dense/Sparse Vector Index）与引用/概念图谱（Citation/Concept Graph），确保在回答特定问题时既能保证语义准确性，又能提供严谨的文献溯源。

⚡ 功能介绍

本项目集成了先进的 RAG（检索增强生成）技术，能够实现自动化的文献综述、研究缺口识别以及论文深度解读。通过结合混合检索与重排序技术，AIR-Agent 不仅能处理复杂的学术查询，还能通过生成方法对比表、BibTeX 导出以及可信度信号分析，帮助开发者和研究者从繁琐的日常论文阅读中解脱出来，高效掌握 AI 领域的前沿动态。

📋 环境依赖

运行本项目需要准备以下环境：1. Groq API key（可使用免费层级）；2. Python 3.13 环境并安装 `uv` 包管理器，或者直接使用 Docker 进行容器化部署；3. 若需启用 Discord bot 功能，需准备 Discord bot token 及相关频道 ID；4. 若涉及前端扩展，可能需要 Node.js 22+ 环境。请确保网络环境能够正常访问 Groq 及相关 API 服务。

🛠 安装步骤（Docker/pip/源码）

推荐使用 Docker Compose 进行一键部署，该方式会自动构建前端并使用 FastAPI 提供服务，最为便捷。对于开发者，也可以选择本地开发模式：首先进入 `backend` 目录，使用 `uv sync` 安装依赖（首次运行会下载 PyTorch，耗时较长），随后通过 `cp .env.example .env` 配置环境变量，最后使用 `uv run python main.py all` 同时启动 Dashboard API 与 Discord bot。

🚀 使用教程

项目启动后，用户可以通过 Web Dashboard 进行交互式操作。Dashboard 界面直观易用，涵盖了从文献检索到深度阅读的所有功能模块。对于需要集成到其他系统的开发者，可以通过提供的 REST API 进行深度调用。初次使用请务必参考“First steps”完成基础配置，确保 API Key 已正确注入。

⚙️ 配置说明（含 MCP / env）

项目通过环境变量进行配置。核心参数包括 `GROQ_API_KEY`（必填）以及用于指定模型的 `GROQ_MODEL`。若需启用定时任务（如用户摘要提醒），需设置 `SCHEDULER_ENABLED=1`。存储后端支持 `sqlite` 或 `postgres`，若使用 Postgres，请务必在 `.env` 中配置 `STORE_BACKEND=postgres` 并提供正确的 `DATABASE_URL`。

🔌 API 说明

本项目提供完整的 RESTful API 接口。Dashboard API 运行在 `http://localhost:8000`，并自带交互式文档 `http://localhost:8000/docs`。核心对话接口 `/api/ask` 支持 SSE（Server-Sent Events）流式输出，能够实时返回 `conversation`、`token` 及 `citations`（引用）等事件，确保用户在获取答案的同时能看到准确的文献来源。

🔄 工作流/模块

AIR-Agent 提供了一套完整的科研工作流工具：支持自动生成带有研究缺口识别的文献综述（Literature Review）；支持带引用键的 BibTeX 导出；能够自动生成不同论文间的方法对比表（Method Comparison Tables）；提供引导式深度阅读功能，帮助理解晦涩论文；并结合引用计数提供可信度与影响力信号，甚至包含论文的可复现性（Reproducibility）评估。

❓ FAQ 摘要

关于检索质量，系统采用了混合检索（Hybrid Retrieval）机制，通过 Reciprocal Rank Fusion 将 BM25 词法搜索与向量搜索相结合。针对复杂查询，系统内置了 HyDE（假���性文档嵌入）、多查询重写（Multi-query Rewriting）及问题分解技术以提升召回率。此外，可选配 BGE reranker 进行交叉编码重排序，以确保回答的精准度与学术严谨性。

🎯 aiskill88 AI 点评 A 级 2026-07-03

AIR-Agent是一个开源的AI工作流平台，具有较高的潜力和扩展性

📚 实用指南（长尾问题）
适合谁
  • 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
  • 跨境业务、多语言内容运营团队
最佳实践
  • 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
  • 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
  • Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
常见错误
  • API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
  • 容器内无法访问宿主机 localhost — 使用 host.docker.internal
  • embedding 模型与查询模型不一致导致检索失效
  • Python 依赖冲突：建议用 venv / uv 隔离环境
部署方案
  • Docker：AIR-Agent 提供官方镜像，docker compose up 一键启动
  • CLI：直接 npm install -g / pip install，命令行调用
  • 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
相关搜索
AIR-Agent 中文教程AIR-Agent 安装报错怎么办AIR-Agent Docker 部署AIR-Agent Agent 工作流AIR-Agent 与同类工具对比AIR-Agent 最佳实践AIR-Agent 适合谁用

⚡ 核心功能

👥 适合谁
  • 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
  • 跨境业务、多语言内容运营团队
⭐ 最佳实践
  • 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
  • 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
  • Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
⚠️ 常见错误
  • API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
  • 容器内无法访问宿主机 localhost — 使用 host.docker.internal
  • embedding 模型与查询模型不一致导致检索失效
  • Python 依赖冲突：建议用 venv / uv 隔离环境

👥 适合人群

自动化工程师和运维人员项目经理和业务分析师希望减少重复性工作的专业人士数字化转型团队

🎯 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

✅ 优点
  • +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
⚠️ 不足
  • −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
⚠️ 使用须知

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。

📄 License 说明

✅ 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

LLM资源合集（精选）
精选100+可直接运行的AI Agent和RAG应用集合。包含完整工作流示例、智能代理框架和检索增强生成系统。适合AI开
LangChain AI开发框架
Agent工作流
ai-agents-for-beginners Agent工作流
微软官方开源项目，提供12堂系统课程学习AI智能体框架。涵盖工作流设计、RAG检索增强、多智能体协作等核心技能。适合AI
n8n AI工作流自动化
Agent工作流
📚 相关教程推荐
Claude Code 完全指南：从安装到高级用法的系统教程
帮助中心 · AI Skill Hub
n8n vs Make vs Zapier 2025：哪款工作流自动化工具最适合 AI 时代
帮助中心 · AI Skill Hub
Claude Code 完全指南：从安装到高级用法的系统教程
帮助中心 · AI Skill Hub
n8n vs Make vs Zapier 2025：哪款工作流自动化工具最适合 AI 时代
帮助中心 · AI Skill Hub
📰 相关 AI 新闻
AI Agent 自主化能力最新进展
AI 资讯 · 知识关联
AI Agent 自主化能力最新进展
AI 资讯 · 知识关联
Anthropic Claude 最新进展
AI 资讯 · 知识关联
AI Agent 自主化能力最新进展
AI 资讯 · 知识关联
🍿 AI 圈相关吃瓜
AutoGPT 自主完成了任务：把我的文件夹全部重命名了
AI 圈观察
本地优先设计 Agent：我的 GPU 表示它优先级不够
AI 圈观察
设计 Agent 说能生成 71 个系统，我的 Figma 还在加载
AI 圈观察
🗺️ 相关解决方案
agent
ai-agent-workflow
workflow
ai-workflow-templates
translation
ai-translation-pipeline
docker
docker-deploy
🧩 你可能还需要
基于当前 Skill 的能力图谱，自动补全的工具组合
gptme Agent工作流
MCP · Agent · 工作流
LEANN AI技能包
MCP · Agent · 工作流
natively-cluely-ai-assistant — Claude Skill 中文使用文档
免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。
代码智能引擎
MCP · Agent · 工作流
AI公司多智能体操作系统
为Claude Code设计的开源MCP工具集，包含108个MCP工具和40+智能体模板。支持多智能体协作编排，提供完整的自主代理框架。适合
HexStrike AI MCP智能体
MCP · Agent · 工作流

❓ 常见问题 FAQ

AIR-Agent 是一款Python开发的AI辅助工具。开源AI工作流：AI Research Agent: A Full-Stack Open-Source Platform for Agentic AI Research Ass。⭐6 · Python 主要应用场景包括：AI研究与开发。
💡 AI Skill Hub 点评

AI Skill Hub 点评：AIR-Agent 的核心功能完整，质量优秀。对于自动化工程师和运维人员来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。

⬇️ 获取与下载
⬇ 下载源码 ZIP

✅ MIT 协议 · 可免费商用 · 直接从 aiskill88 服务器下载，无需跳转 GitHub

📚 深入学习 AIR-Agent
查看分步骤安装教程和完整使用指南，快速上手这款工具
⚙️ 安装教程 📚 使用教程
🌐 原始信息
原始名称 AIR-Agent
原始描述 开源AI工作流：AI Research Agent: A Full-Stack Open-Source Platform for Agentic AI Research Ass。⭐6 · Python
Topics ai-agentapicrawlerdatabasepython
GitHub https://github.com/ShiYu0318/AIR-Agent
License MIT
语言 Python
🔗 原始来源
🐙 GitHub 仓库  https://github.com/ShiYu0318/AIR-Agent

收录时间：2026-07-03 · 更新时间：2026-07-03 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。

📺 订阅 AI Skill Hub Daily Telegram 频道
每天 8 条精选 AI Skill、MCP、Agent 与自动化工具推送
加入频道 →