智能工作流 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
智能工作流 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 7.5 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
智能工作流 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 stepfly
# 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 stepfly
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/microsoft/StepFly
cd StepFly
pip install -e .
# 验证安装
python -c "import stepfly; 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
stepfly --help
# 基本用法
stepfly input_file -o output_file
# Python 代码中调用
import stepfly
# 示例
result = stepfly.process("input")
print(result)
# stepfly 配置文件示例（config.yml） app: name: "stepfly" debug: false log_level: "INFO" # 运行时指定配置文件 stepfly --config config.yml # 或通过环境变量配置 export STEPFLY_API_KEY="your-key" export STEPFLY_OUTPUT_DIR="./output"
简介
StepFly
<a href="https://deepwiki.com/microsoft/StepFly"><img src="https://devin.ai/assets/deepwiki-badge.png" alt="Ask DeepWiki.com" style="height:20px;"></a> 
  
</div>
StepFly is an agentic troubleshooting guide (TSG) automation framework for intelligent incident diagnosis. This framework automatically executes troubleshooting procedures by coordinating multiple LLM agents, enabling efficient and systematic incident resolution guided by structured troubleshooting knowledge.
Unlike traditional manual troubleshooting that relies heavily on engineer expertise, StepFly preserves institutional knowledge in TSG documents and automates their execution through LLM agents. The framework features a Scheduler-Executor architecture where the Scheduler orchestrates the overall troubleshooting workflow based on a PlanDAG (Directed Acyclic Graph), while Executors perform individual diagnostic steps with various tools and plugins.
💥 Highlights
- [x] Automated TSG execution - StepFly automatically executes troubleshooting guides with minimal human intervention, improving incident response efficiency.
- [x] Multi-agent architecture - A Scheduler agent orchestrates the workflow while multiple Executor agents perform diagnostic tasks in parallel.
- [x] DAG-based workflow - Troubleshooting steps are organized as a Directed Acyclic Graph (PlanDAG) enabling complex conditional logic and parallel execution.
- [x] Plugin system - Extensible plugin architecture allowing custom diagnostic tools to be seamlessly integrated from TSG documents.
- [x] Memory and context management - Persistent memory for sharing data between agents and maintaining troubleshooting context.
- [x] Web-based monitoring - Real-time visualization for monitoring agent activities and troubleshooting progress.
Install the requirements
pip install -r requirements.txt ```
🛠️ Step 1: Installation
StepFly requires Python >= 3.10 and MongoDB. It can be installed by running the following commands:
```bash
Option 1: Use the provided script to start MongoDB in Docker
./mongodb-docker.sh start
Option 2: Use Docker Compose
docker-compose up -d
Option 3: Install MongoDB locally and start the service
See MongoDB installation guide for your OS
```
✨ Quick Start
🎬 A Synthetic Demo
⚠️ Warning: All data used in this demo is synthetic and generated for demonstration purposes only.
[Optional] Create conda environment
🖊️ Step 2: Configure LLM and Database
Before running StepFly, you need to configure your LLM API and MongoDB connection.
Configure LLM API
Configure in the configuration file:
```bash
Configure in config/config.json
"llm": { "api_base": "", "api_key": "", "model": "" }
💡 **Note**: Environment variables take precedence over config file. StepFly supports any LLM provider compatible with OpenAI API format.
#### Start MongoDB
Start the web interface (browser will open automatically)
python run_web.py
Start the terminal interface
python run_terminal.py
Diagnosing API Gateway Availability Drop (Incident 700000001)
This demo demonstrates how StepFly diagnoses a critical API gateway incident where availability dropped to 96.2% (below 99.9% SLA) across multiple regions. The root cause is hidden in a critical payment processing workflow failure that only manifests under specific business scenarios.
The troubleshooting process systematically checks service versions, feature flags, regional health, partitions, components, products, and finally discovers the critical workflow failure through business scenario analysis.
Setup: First generate the demo database following instructions in demo_data/README.md:
python demo_data/generate_distributed_system_data.pydemo_data/distributed_system.db containing synthetic system metrics and logs.
Run Demo (Web UI - Recommended): ```bash
Start the web interface
python run_web.py
StepFly 是一个基于 Python 开发的自动化故障排查工具，旨在通过智能化手段提升事件响应效率。它能够自动执行故障排查指南（TSG），最大限度地减少人工干预，帮助开发者和运维人员快速定位系统问题。
StepFly 采用了先进的多智能体（Multi-agent）架构，通过 Scheduler agent 进行工作流编排，并驱动多个 Executor agents 并行执行诊断任务。系统基于 DAG（有向无��图）构建工作流，确保排查步骤逻辑严密且高效，实现自动化 TSG 执行。
运行 StepFly 需要满足 Python >= 3.10 的版本要求，并需安装 MongoDB 作为数据库支持。请确保您的开发环境已配置好相应的 Python 运行环境。
您可以通过多种方式进行安装与部署。首先，使用 `pip install -r requirements.txt` 安装 Python 依赖。对于 MongoDB 的部署，推荐使用 Docker 方案：可以通过运行提供的 `./mongodb-docker.sh start` 脚本，或者直接使用 `docker-compose up -d` 进行快速启动。
项目提供了快速启动指南。您可以根据需求选择启动 Web 界面（执行 `python run_web.py`，浏览器将自动打开）或启动终端界面（执行 `python run_terminal.py`）来进行故障诊断演示。
在运行之前，您需要配置 LLM API 和 MongoDB 连接。请在 `config/config.json` 文件中填写 `llm` 字段下的 `api_base`、`api_key` 和 `model`。需要注意的是，环境变量的优先级高于配置文件。StepFly 支持任何兼容 OpenAI API 格式的 LLM 提供商。
StepFly 支持通过 Web 界面和 Terminal 两种模式进行交互。此外，项目内置了故障诊断演示案例（如 API Gateway 可用性下降��件），展示了系统如何通过自动化流程定位复杂的业务逻辑故障。
高质量的自动化工作流项目，值得关注
- 构建多智能体协作系统的 Agent 开发者
- 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
- 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
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：StepFly 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
⚡ 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
- 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
- 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
- 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，智能工作流 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 | StepFly |
| 原始描述 | 开源AI工作流：An agentic troubleshooting guide (TSG) automation framework for intelligent inci。⭐12 · Python |
| Topics | AI工作流自动化 |
| GitHub | https://github.com/microsoft/StepFly |
| License | MIT |
| 语言 | Python |
收录时间：2026-06-01 · 更新时间：2026-06-01 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。
🤖 交给 Agent 安装 · 智能工作流
选择 Agent 类型，复制安装指令后粘贴到对应客户端