⚙️
Agent工作流
finetune-platform Agent工作流
基于 Python · 无代码搭建完整 AI 自动化流程
英文名：finetune-platform
6.8AI 综合评分
大模型微调LoRA模型部署训练监控数据管理
✦ AI Skill Hub 推荐
AI Skill Hub 推荐使用：finetune-platform Agent工作流 是一款优质的Agent工作流。AI 综合评分 6.8 分，在同类工具中表现稳健。如果你正在寻找可靠的Agent工作流解决方案，这是一个值得深入了解的选择。
📚 深度解析
finetune-platform Agent工作流 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。
finetune-platform Agent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 6.8 分，是同类 Agent 工作流中的精选推荐。
finetune-platform Agent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 6.8 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
finetune-platform Agent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。
GitHub Stars
⭐ 23
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
未公布
AI 综合评分
6.8 分
工具类型
Agent工作流
Forks
3
📖 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」。
finetune-platform Agent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。
📌 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 finetune-platform
# 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 finetune-platform
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/lin09389/finetune-platform
cd finetune-platform
pip install -e .
# 验证安装
python -c "import finetune_platform; print('安装成功')"
📋 安装步骤说明
- 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
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
finetune-platform --help
# 基本用法
finetune-platform input_file -o output_file
# Python 代码中调用
import finetune_platform
# 示例
result = finetune_platform.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
# finetune-platform 配置文件示例（config.yml） app: name: "finetune-platform" debug: false log_level: "INFO" # 运行时指定配置文件 finetune-platform --config config.yml # 或通过环境变量配置 export FINETUNE_PLATFORM_API_KEY="your-key" export FINETUNE_PLATFORM_OUTPUT_DIR="./output"
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。
Finetune Platform 2.0
大模型微调平台 - 消费级显卡专用 · 本地 AI 工作台
能力分级 (Capability Tiers)
| 级别 | 包含能力 |
|---|---|
| **GA** | 训练、推理、模型管理、数据集、Chat Session、基础知识库 |
| **Beta** | 项目上下文、智能记忆、模型中心、工作空间、Agent Session |
| **Experimental** | CUA、Action Recorder、MCP、Heartbeat、Gateway 扩展链路 |
Experimental 模块仅用于受控验证，页面可打开不代表能力已稳定可用。评估平台主能力请优先以 GA 路径为准。
🌟 当前能力
主线能力
- 🎯 低显存微调：LoRA / QLoRA 主线支持，针对 4GB+ 显存设备优化
- 📦 模型与数据集管理：HuggingFace / ModelScope 双源下载、本地管理、数据集上传与统计分析
- 📈 训练监测 V2：SSE 事件流、断点续训、Checkpoint 校验、训练历史、异步清理
- 🤖 多后端推理：HuggingFace / vLLM / LlamaCPP / Ollama 可切换，gRPC 推理服务，流式输出
- 🧩 Chat + Agent：Chat Session、
auto / chat / agent路由模式、Agent Session、审批门控动作执行 - 🛠️ LangGraph Agent Runtime：Graph-first 执行、多工具链（文件/命令/符号索引/浏览器/HTTP）、审批恢复、事件诊断
- 🗂️ Workspace / Context / Memory：项目上下文扫描与检索（ChromaDB + sentence-transformers）、工作区文件管理、记忆系统
- 📄 文件解析：PDF / DOCX / XLSX / OCR（Tesseract + RapidOCR）
💬 ChatNew 主能力
ChatNew 是当前最重要的统一入口，同时承担：
- Chat Session：多会话历史、消息列表、会话切换、消息删除
- 路由模式：
auto / chat / agent三种模式，自动或手动判断是否启动 Agent Task - 云模型支持：Provider / Model 选择、API Key 管理
- Workspace 绑定：绑定工作区与项目路径，让 Agent Task 落在正确上下文
- Context Panel：查看路由模式、主 Agent、Autonomy Mode、上下文信息
- Agent Run Cards：在聊天流里展示 Agent Session 阶段、动作审批、执行结果
- 会话分支与共享：支持消息分支和共享聊天链接
使用路径：ChatNew 发起需求 → 路由判断 → chat（直接回复）或 agent（创建 Agent Session + 审批执行）
Agent 模块适合小范围、可观察、可审批的本地任务；跨模块大规模重构仍需人工密切介入。
🛡️ 安全特性
| 特性 | 说明 |
|---|---|
| WAF | SQL 注入、XSS、路径遍历自动拦截 |
| IP 黑名单 | 可配置阻断来源 |
| JWT 认证 | Bearer token，生产环境可启用 |
| 速率限制 | 每 IP 每窗口最大请求数，Redis 可选持久化 |
| 安全响应头 | X-Content-Type-Options、X-Frame-Options、HSTS 等 |
| 文件上传校验 | 类型、大小、内容多重验证 |
| 路径遍历防护 | 工作区路径严格白名单 |
| 命令策略 | Agent 执行命令的 allowlist + 沙箱约束 |
📊 性能特性
- 模型缓存：减少重复加载，显存自动清理
- 异步处理：全异步非阻塞 I/O（asyncio + FastAPI）
- 量化支持：INT4/INT8（bitsandbytes），GGUF（llama-cpp）
- gRPC 推理：可选高性能 gRPC 推理服务端
- 动态批处理：可配置（
ENABLE_BATCHING） - SQLite 连接池：多连接池并发管理
📋 系统要求
硬件要求
| 显存 | 可用模型规模 | 训练方式 | 场景 |
|---|---|---|---|
| 4GB | 0.5B-1.5B (INT4) | QLoRA | 最低要求 |
| 6GB | 3B-7B (INT4) | QLoRA | 入门 |
| 8GB | 7B (INT4) | LoRA | 推荐 |
| 12GB | 7B/13B | LoRA/QLoRA | 理想 |
| 24GB | 13B/30B | LoRA | 专业 |
软件依赖
| 依赖 | 版本要求 |
|---|---|
| Python | 3.10+ |
| Node.js | 18+ |
| CUDA | 11.8+（NVIDIA GPU） |
| Docker | 20.10+（可选） |
| OS | Windows 10/11、Linux、macOS |
关键 Python 依赖
| 包 | 版本 | 用途 |
|---|---|---|
fastapi | ≥0.115.0 | Web 框架 |
torch | 2.1.2 | 深度学习框架 |
transformers | 4.57.1 | 模型加载与推理 |
peft | 0.18.1 | LoRA/QLoRA 微调 |
accelerate | 1.13.0 | 训练加速 |
bitsandbytes | 0.41.3 | INT4/INT8 量化 |
langgraph | ≥0.3 | Agent 编排框架 |
langchain-core | ≥0.3 | LangChain 核心 |
chromadb | ≥0.4.22 | 向量数据库 |
sentence-transformers | 5.2.3 | 文本向量化 |
llama-cpp-python | ≥0.2.79 | GGUF 推理后端 |
3. 安装后端依赖
cd server pip install -r requirements.txt cd ..
4. 安装前端依赖
cd client npm install cd ..
然后**分别打开两个终端**，均从项目根目录执行：
🚀 快速开始
方法三：Docker 体验版
```bash
（可选）启动 GPU 模式（需要 NVIDIA Docker 环境）
docker compose -f docker-compose.yml -f docker-compose.gpu.yml up -d --build
方法一：Windows 一键启动（推荐）
直接双击根目录的 start.bat，脚本会自动： 1. 检查 Python / Node.js 环境 2. 安装缺失的后端 / 前端依赖 3. 在独立窗口中分别启动后端（:8010）和前端（:5173）
访问： - 前端：http://localhost:5173 - API 文档：http://localhost:8010/docs - 健康检查：http://localhost:8010/health
方法二：手动启动（跨平台）
```bash
copy .env.example .env
终端 1 - 启动后端
cd server python -m uvicorn main:app --host 127.0.0.1 --port 8010
终端 2 - 启动前端
cd client npm run dev ```
启动后端 API + 生产版前端
docker compose up -d --build
（可选）启动 Ollama 模式
docker compose --profile ollama up -d --build
启动后端后，在仓库根目录执行
python scripts/validate_training_v2_flow.py --base-url http://127.0.0.1:8010 --auto-stop-after 45 ```
验收通过标准：overall_passed = true，且 received_events、sequence_monotonic、sequence_no_gaps、saw_terminal 均为 true。
2. 配置环境（按需修改 .env）
🔧 环境变量配置
| 变量 | 说明 | 默认值 |
|---|---|---|
HOST | 服务地址 | 127.0.0.1 |
PORT | 服务端口 | 8010 |
ENVIRONMENT | 运行环境（development/production） | development |
ENABLE_AUTH | 启用 JWT 认证 | false |
JWT_SECRET_KEY | JWT 密钥（生产环境必须设置） | — |
ALLOWED_ORIGINS | CORS 来源 | http://localhost:5173 |
OLLAMA_BASE_URL | Ollama 地址 | http://localhost:11434 |
INFERENCE_ENGINE | 推理引擎（huggingface/vllm/llamacpp/ollama） | huggingface |
RATE_LIMIT | 每窗口最大请求数 | 100 |
RATE_WINDOW | 速率限制窗口（秒） | 60 |
MAX_UPLOAD_SIZE | 最大上传大小（字节） | 104857600 |
LOG_LEVEL | 日志级别 | INFO |
LOG_FORMAT | 日志格式（text/json） | text |
HF_MIRROR | HuggingFace 镜像源 | hf-mirror |
MODEL_SOURCE | 模型下载源（modelscope/huggingface） | modelscope |
MAX_CONCURRENT_TRAINING | 最大并发训练数 | 1 |
BACKUP_INTERVAL_HOURS | 自动备份间隔（小时） | 6 |
BACKUP_RETENTION_DAYS | 备份保留天数 | 7 |
完整配置示例见 .env.example。
🔌 API 端点
🎯 aiskill88 AI 点评
B 级
2026-05-24
功能完整的微调平台，覆盖全流程需求。但社区认可度低，稳定性与更新频率有待验证。适合小团队探索。
📚 实用指南（长尾问题）
适合谁
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 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
- 需要从图片、PDF 提取文字的文档自动化场景
最佳实践
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 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）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 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
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
部署方案
- Docker：finetune-platform 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
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 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
👥 适合谁
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 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
- 需要从图片、PDF 提取文字的文档自动化场景
⭐ 最佳实践
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
⚠️ 常见错误
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 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
👥 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
✅ 优点
- +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
- −未明确开源协议，商用场景需谨慎评估
- −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
该工具未明确声明开源协议，商业使用前请联系原作者确认授权范围，避免侵权风险。
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。
🔗 相关工具推荐
📰 相关 AI 新闻
🍿 AI 圈相关吃瓜
🗺️ 相关解决方案
🧩 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
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。
Ghidra逆向工程MCP服务器
基于Ghidra的开源MCP工具集，提供200+个AI驱动的逆向工程工具和GUI插件。整合先进的二进制分析能力与AI能力，适合安全研究员、逆
ECC MCP工具
MCP · Agent · 工作流
技能寻求者
MCP · Agent · 工作流
DeepCopilot
Copilot-style AI coding agent for VS Code, powered by DeepSeek V4。
ChaosEngineAI AI技能包
本地AI工作站，支持发现、运行、聊天、benchmark和生成图片等功能。
❓ 常见问题 FAQ
支持OpenAI兼容API接入，可调用远程模型服务。
💡 AI Skill Hub 点评
总体来看，finetune-platform Agent工作流 是一款质量良好的Agent工作流，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
⬇️ 获取与下载
⚠️ 该工具未声明开源协议，不提供直接下载。请访问原项目了解使用条款。
🌐 原始信息
| 原始名称 | finetune-platform |
| 原始描述 | 开源AI工作流：这是一个面向 AI 应用开发者的本地大模型微调与部署平台，覆盖数据集管理、训练监控、评估对比、LoRA/Ollama/OpenAI 兼容部署，并集成 chat 。⭐23 · Python |
| Topics | 大模型微调LoRA模型部署训练监控数据管理 |
| GitHub | https://github.com/lin09389/finetune-platform |
| 语言 | Python |
🔗 原始来源
🐙 GitHub 仓库 https://github.com/lin09389/finetune-platform
收录时间：2026-05-17 · 更新时间：2026-05-24 · License：未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。