拖拽式开发AI工作流！这款开源神器，让LangChain也黯然失色！

在 AI 技术迅猛发展的今天，构建智能体（AI Agent）已成为许多企业和个人的需求。然而，传统开发往往需要深厚的编程知识，门槛较高。

比如字节的Coze作为目前最火爆的智能体工作流平台，许多设计师、建筑师、文员等非技术人员都可以通过它构建智能体工作流，创建独特创意的AI助手。

今天推荐一个在 GitHub 上开源的轻量级可视化 AI 智能体工作流构建器：PySpur。

它提供了拖拽式构建、循环迭代、文件上传、结构化输出、RAG、多模态支持、工具集成等功能，让复杂的 AI 系统构建变得轻松无比。

主要功能

1、拖拽式构建

几秒内构建、测试并迭代：通过直观的拖拽界面，用户可以快速创建工作流，减少了编写复杂代码的时间。

适用于快速构建原型、自动化任务等场景，极大提升了工作效率。

2、循环与记忆功能

支持智能体在多个迭代中记住之前的状态，让模型能够从每次的反馈中不断学习和优化，进行有效的决策和反馈循环。

特别适用于那些需要多轮迭代和实时反馈的应用场景，例如智能对话系统、推荐引擎等。

3、文件上传

支持上传文件或粘贴 URL 来处理文档，尤其适用于需要文档解析、摘要提取等任务。

4、结构化输出

提供 JSON Schema 的 UI 编辑器，帮助用户生成结构化的数据输出格式，适用于数据接口与数据库存储。

可轻松设计和定制输出的数据结构，支持与其他系统或应用的集成。

5、RAG

解析、分块、嵌入并将数据插入向量数据库，使得检索和生成模型的调用更高效、精确。

6、多模态支持

支持视频、图像、音频、文本、代码等多种模态，让用户能够在同一个工作流中处理和分析多种不同类型的数据。

无论是进行视频分析、图像处理，还是处理音频和文本数据都可以。

7、工具集成

支持与多种工具和平台的集成，如 Slack、Firecrawl.dev、Google Sheets、GitHub 等，用户可以通过集成增强工作流的功能。

与常见的工作流平台、开发工具无缝连接，提升系统的整体协调性。

8、基于 Python

支持通过创建单个 Python 文件来添加新节点，开发者可以灵活地扩展 PySpur 的功能。

9、LLM 支持

支持 超过 100 个 LLM 提供商、嵌入器和向量数据库，用户可以根据需求选择合适的模型和工具进行集成。

快速使用

PySpur 已经构建为一个三方模块，可以直接通过 pip 命令安装。

① 安装 PySpur

代码解读

复制代码

pip install pyspur

② 用 PySpur 初始化一个项目，结果中会包含.env文件的新目录。

perl

代码解读

复制代码

pyspur init my-project cd my-project

③ 启动 pyspur 服务

css

代码解读

复制代码

pyspur serve --sqlite

默认情况下，会使用 sqlite 数据库在 http://localhost:6080 启动 PySpur 应用程序。

建议在 .env 文件中配置一个 postgres 实例 URL，以获得更稳定的使用体验。
也可在这里配置LLM提供商的API Key。

当然它也支持 Docker 一键部署：

bash

代码解读

复制代码

curl -fsSL https://raw.githubusercontent.com/PySpur-com/pyspur/main/start_pyspur_docker.sh | bash -s pyspur-project

功能截图展示

在节点级别调试：

多模态（上传文件或粘贴URL）：

RAG创建文档集合（分块 + 解析）:

写在最后

与其他工作流自动化工具相比，PySpur 专注于 AI 智能体构建，提供了 RAG、多模态支持和工具集成的独特组合。

它将数据处理、AI 模型训练、工具集成等功能完美结合，提供了一个简单、直观、强大的工作流构建平台。

通过 拖拽式构建 和 一键部署，开发者可以在短时间内构建、优化和部署智能应用。

无论你是正在进行 机器学习 项目的开发，还是希望为你的企业系统添加更多智能功能，PySpur 都能够提供你所需要的高效工作流。

GitHub 项目地址：github.com/PySpur-Dev/…

  如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​