phclaw /
agentflow
一个自托管的 AI Agent 平台:在浏览器里拖拽连几个节点、填几行提示词,就能把大模型、内部文档和常用工具拼成能干活儿的助手。默认两个容器加一个 SQLite 文件,不依赖 PostgreSQL 和 Redis,一条 docker compose 命令跑起来,数据存在自己硬盘上。适合数据不能出内网、又没有专职运维的中小团队;代码量适中,也适合拿来读源码。 亮点 1. 部署成本低到能塞进一台小机器 两个容器(后端 + nginx)加一…
phclaw /
一个自托管的 AI Agent 平台:在浏览器里拖拽连几个节点、填几行提示词,就能把大模型、内部文档和常用工具拼成能干活儿的助手。默认两个容器加一个 SQLite 文件,不依赖 PostgreSQL 和 Redis,一条 docker compose 命令跑起来,数据存在自己硬盘上。适合数据不能出内网、又没有专职运维的中小团队;代码量适中,也适合拿来读源码。 亮点 1. 部署成本低到能塞进一台小机器 两个容器(后端 + nginx)加一…
一个自托管的 AI Agent 平台:在浏览器里拖拽连几个节点、填几行提示词,就能把大模型、内部文档和常用工具拼成能干活儿的助手。默认两个容器加一个 SQLite 文件,不依赖 PostgreSQL 和 Redis,一条 docker compose 命令跑起来,数据存在自己硬盘上。适合数据不能出内网、又没有专职运维的中小团队;代码量适中,也适合拿来读源码。 亮点 1. 部署成本低到能塞进一台小机器 两个容器(后端 + nginx)加一个 ./data/agentflow.db 就是全部,docker compose up -d --build 完成部署,备份等于打包 data/ 目录。同类自托管方案起步通常要 PostgreSQL + Redis + worker,四五个容器。 2. 产物是真文件,不是一段文字 生成的 xlsx / png / pdf 作为附件回传,图片类直接内联渲染在对话里,不用先下载再看。这一点和多数「只回文本」的方案差别明显。 3. 换模型不用重启,已入库的向量也不会失效 任意 OpenAI 兼容端点(含本地 Ollama),界面里保存即生效。embedding 端点独立配置——换对话模型不影响向量库,不用重新入库。很多同类产品把这两个绑在一起,换模型等于重建知识库。 4. 技能就是目录 加一个带 SKILL.md 的文件夹就多一个能力,仓库自带 26 个(Excel 表格、PPT 生成、PDF 处理、学术检索、会议纪要、统计分析…),扩展不需要改任何代码。 5. 工作流引擎自研,节点状态实时回传 没有用 LangGraph——需求就六类节点(触发器 / LLM / 知识库 / 工具 / 条件 / 回复),引框架反而多一层调试成本。自研的好处是画布上的节点会逐个点亮,用户能看见跑到哪一步。 适合初学者学什么 后端 FastAPI + SQLAlchemy 2.0 async,前端 React 18 + ReactFlow,代码量适中,读源码能学到几条完整链路: SSE 流式输出:为什么不用 EventSource(不能带 Authorization 头),改用 fetch + ReadableStream 后怎么按帧解析 向量检索落地:文档解析 → 分块 → 调 embedding 端点 → 存 chromadb → 检索注入上下文,一整条 RAG 链路 把 LLM 应用做成可部署产品:Alembic 迁移与 createall 的顺序坑、JWT 鉴权、限流、Docker 多阶段构建 原生打包:用 Capacitor 把同一个 Web 前端打成安卓 App,下载逻辑怎么从 换成 Filesystem + Share 已知限制 没有异步任务队列(长任务会占住请求),权限只有「用户 / 管理员」两档,pgvector 路径未做端到端验证。定位是小团队自用,不适合高并发场景。
讨论这个产品