快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

pip install -r requirements.txt

详细介绍

LLM工作流平台

一个强大的平台，将对话式人工智能与可视化工作流自动化相结合，实现了LLM聊天界面和可定制工具执行流程之间的无缝集成。

概述

该项目提供了一个统一的环境，用户可以在其中：

与大型语言模型（LLMs）自然聊天
使用可视化流编辑器设计复杂的工作流
创建和共享自定义MCP（模型上下文协议）工具
使LLM能够根据对话上下文智能触发工作流操作

主要特点

🤖 LLM聊天界面

简洁、直观的聊天界面，用于与各种LLM进行交互
实时流媒体响应
对话历史管理
多型号支持
上下文感知交互

🔄 可视化流编辑器

拖放工作流设计器
基于节点的建筑自动化流程架构
工作流步骤之间的视觉连接
实时流执行预览
条件逻辑和分支支持
错误处理和重试机制

🛠️ MCP工具系统

自定义工具创建：使用简单的界面构建自己的工具
社区工具：浏览和集成社区创建的工具
工具市场：与其他用户共享您的工具
版本控制：跟踪工具版本和更新
工具类别：按功能组织工具（数据处理、API调用、通知等）

🔗 LLM工作流集成

LLM可以在对话过程中自动触发工作流工具
基于用户意图的智能工具选择
聊天和工作流之间的无缝数据流
聊天界面实时执行反馈
从自然语言中提取参数

建筑

┌─────────────────────────────────────────────────────────┐
│                    Frontend Layer                       │
│  ┌──────────────────┐      ┌──────────────────────┐     │
│  │   Chat Interface │      │   Flow Editor        │     │
│  │   - Message UI   │      │   - Canvas           │     │
│  │   - Input Box    │      │   - Node Library     │     │
│  │   - History      │      │   - Connection Lines │     │
│  └──────────────────┘      └──────────────────────┘     │
└─────────────────────────────────────────────────────────┘
                            │
                            ▼
┌─────────────────────────────────────────────────────────┐
│                   API Gateway Layer                     │
│  - Request Routing                                      │
│  - Authentication & Authorization                       │
│  - Rate Limiting                                        │
└─────────────────────────────────────────────────────────┘
                            │
                            ▼
┌─────────────────────────────────────────────────────────┐
│                   Core Services                         │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐   │
│  │LLM Connector │  │Flow Engine   │  │Tool Manager  │   │
│  │- Model APIs  │  │- Execution   │  │- Registry    │   │
│  │- Streaming   │  │- Scheduling  │  │- Validation  │   │
│  └──────────────┘  └──────────────┘  └──────────────┘   │
└─────────────────────────────────────────────────────────┘
                            │
                            ▼
┌─────────────────────────────────────────────────────────┐
│                   Data Layer                            │
│  - User Data                                            │
│  - Conversation History                                 │
│  - Workflow Definitions                                 │
│  - Tool Catalog                                         │
│  - Execution Logs                                       │
└─────────────────────────────────────────────────────────┘

用例

数据处理工作流

创建处理来自各种来源的数据的工作流，LLM帮助用户通过自然对话定义转换逻辑。

API集成自动化

构建聊天中由用户请求触发的API调用链，LLM理解上下文和参数。

内容生成管道

设计多步骤内容创建工作流，让LLM跨平台生成、改进和发布内容。

监控和警报

设置智能监控系统，LLM在检测到模式时分析数据并触发通知工作流。

自定义业务逻辑

实施复杂的业务流程，决策点由LLM处理，执行由工作流管理。

MCP工具结构

工具遵循模型上下文协议规范：

{
  "name": "tool_name",
  "description": "What the tool does",
  "version": "1.0.0",
  "author": "creator_name",
  "parameters": {
    "param1": {
      "type": "string",
      "description": "Parameter description",
      "required": true
    }
  },
  "execution": {
    "type": "workflow" | "function" | "api",
    "config": {}
  }
}

入门指南

先决条件

Node.js 18+
Docker（可选，用于容器化部署）
数据库（推荐使用PostgreSQL）
LLM API密钥（OpenAI、Anthropic等，BYOK模型）

安装

# Clone the repository
git clone https://github.com/phantomthor/clubetr.git

# Navigate to project directory
cd clubetr

# Install dependencies
npm install
# or
pip install -r requirements.txt

# Set up environment variables
cp .env.example .env
# Edit .env with your configuration

# Initialize database
npm run db:migrate
# or
python manage.py migrate

# Start the development server
npm run dev
# or
python manage.py runserver

配置

编辑 .env 文件：

# LLM Configuration
OPENAI_API_KEY=your_key_here
ANTHROPIC_API_KEY=your_key_here

# Database
DATABASE_URL=postgresql://user:password@localhost:5432/llm_workflow

# Server
PORT=3000
NODE_ENV=development

# Tool Registry
TOOL_REGISTRY_URL=https://tools.example.com

创建你的第一个工具

步骤1：定义工具元数据

// tools/my_custom_tool.js
export const toolDefinition = {
  name: "data_transformer",
  description: "Transforms data from one format to another",
  version: "1.0.0",
  category: "data_processing",
  parameters: {
    input_data: {
      type: "object",
      description: "Data to transform"
    },
    output_format: {
      type: "string",
      enum: ["json", "csv", "xml"],
      description: "Desired output format"
    }
  }
};

步骤2：实施工具逻辑

export async function execute(params) {
  const { input_data, output_format } = params;
  
  // Your transformation logic here
  const result = transformData(input_data, output_format);
  
  return {
    success: true,
    data: result
  };
}

步骤3：注册工具

import { ToolRegistry } from './core/tool_registry';

ToolRegistry.register(toolDefinition, execute);

创建工作流

可视化编辑器方法

打开流编辑器
将节点从工具库拖动到画布上
通过在输出和输入端口之间绘制线条来连接节点
配置每个节点的参数
测试工作流程
保存并激活

代码定义方法

# workflows/example_workflow.yaml
name: Data Processing Pipeline
description: Fetch, transform, and store data
trigger:
  type: llm_invoked
  intent: "process user data"

steps:
  - id: fetch_data
    tool: api_caller
    params:
      url: "${user.data_source}"
      method: GET
    
  - id: transform
    tool: data_transformer
    params:
      input_data: "${fetch_data.output}"
      output_format: json
    depends_on: [fetch_data]
    
  - id: store
    tool: database_writer
    params:
      data: "${transform.output}"
      table: user_data
    depends_on: [transform]

LLM集成

该平台自动为LLM提供工作流工具：

// Example conversation
User: "Can you fetch my sales data and convert it to CSV?"

LLM: "I'll help you with that. Let me process your sales data."
// LLM automatically triggers:
// 1. fetch_data tool with user's data source
// 2. data_transformer tool with CSV output format

LLM: "Done! I've converted your sales data to CSV format. 
      The file contains 150 records and is ready for download."

API 参考

聊天端点

POST /api/chat/message
POST /api/chat/stream
GET  /api/chat/history
DELETE /api/chat/conversation/:id

工作流端点

POST /api/workflows
GET  /api/workflows
GET  /api/workflows/:id
PUT  /api/workflows/:id
DELETE /api/workflows/:id
POST /api/workflows/:id/execute
GET  /api/workflows/:id/logs

工具端点

GET  /api/tools
GET  /api/tools/:id
POST /api/tools
PUT  /api/tools/:id
DELETE /api/tools/:id
POST /api/tools/:id/test

社区与贡献

共享工具

将您的工具发布到社区市场
添加详细的文档和示例
包括测试用例和验证规则
更新的语义版本控制

贡献

欢迎投稿！请遵循以下指南：

分叉存储库
创建要素分支(git checkout -b feature/amazing-feature)
提交您的更改(git commit -m 'Add amazing feature')
推到分支(git push origin feature/amazing-feature)
打开拉取请求

代码规范

遵循项目的ESLint/Pretier配置
为新功能编写单元测试
更新API变更文档
尽可能保持向后兼容性

安全

所有API密钥都在静止时加密
工具执行发生在沙盒环境中
所有端点的速率限制
输入验证和净化
定期安全审计
OAuth 2.0身份验证支持

演出

工作流执行并行化
常用工具的缓存层
数据库操作的连接池
工作流节点的延迟加载
优化LLM令牌使用

路线图

\[\]工具开发的多语言支持
\[\]工作流的可视化调试工具
\[\]高级分析仪表板
\[\]工作流模板市场
\[\]适用于iOS和Android的移动应用程序
\[\]实时协作功能
\[\]与流行服务（Slack、Discord等）集成
\[\]基于人工智能的工作流优化建议
\[\]自定义LLM模型微调支持

许可证

此项目根据MIT许可证获得许可-请参阅许可证文件以获取详细信息。

支持

文档： https://docs.example.com
问题：
讨论：
电子邮件：support@example.com

致谢

特别感谢所有贡献者和开源社区使这个项目成为可能。

______________________________________________________________________

内置❤️ 由社区

目录标签

TypeScript工作流自动化AI代理对话式AI本地部署LLM集成可视化编辑器工具市场

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

oauth

工具数量（toolCount，工具数）

0

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdiooauth部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/f69696187ffe283310c806279f994515

一个结合对话式AI与可视化工作流自动化的强大平台，实现LLM聊天界面与可定制工具执行流的无缝集成。

继续浏览同类 MCP

更多AI代理 MCP（18,706）返回 MCP 目录

上一个 MCP

clssck MCP

全面解析Clssck MCP Time ServerMCP Server的核心功能、安装配置和实用案例。作为顶级Model Context Protocol服务器，Clssck MCP Time Server能让AI助手访问实时数据、执行操作，为您提供更智能的工作体验和自动化解决方案。

下一个 MCP

clubhouse-API

一个基于OpenAPI的MCP协议服务器，用于自动生成和处理API模型上下文。

clubetr (Phantomthor)