LLMStack
用无代码方式把模型、数据与业务工具组合成可部署的生成式 AI 应用。
按维度查看评分与理由
证据显示：README 提到默认管理员账号和密码，并提示用户更改，但未提供强制更改机制；数据流透明度方面，README 说明可导入数据并向量化，但未详细说明数据流向和权限控制；敏感数据处理方面，提及可添加 API 密钥，但未说明加密存储；依赖安全方面，pyproject.toml 列出了依赖，但未提供漏洞扫描或安全审计证据；外部影响方面，支持 Slack/Discord 触发，但未说明权限控制；回滚方面，未提及任何回滚机制；来源归属方面，pyproject.toml 有作者信息，但未提供贡献者指南。扣分原因：缺乏用户确认机制、回滚机制，数据流和敏感数据处理细节不足。
证据显示：README 和 pyproject.toml 在描述上基本一致，但版本号在 pyproject.toml 中为 0.2.6，而 README 未提及版本；依赖可用性方面，pyproject.toml 列出了大量依赖，但未提供锁定文件或兼容性说明；失败消息方面，未提供任何错误处理或用户提示的文档。扣分原因：版本信息不一致，失败消息缺失。
证据显示：README 明确列出了多种使用场景（AI SDR、研究分析师等），并提供了快速入门和文档链接；能力边界方面，README 提到可连接外部工具和搜索网页，但未明确限制；触发精度方面，支持 Slack/Discord 触发，但未说明触发条件；环境适配方面，支持云和本地部署，但未提供详细的系统要求。扣分原因：能力边界和触发条件描述不具体。
证据显示：README 提供了清晰的信息架构，包括概述、功能、使用场景、管理、云服务、文档、开发和贡献；安装说明详细，包括 pip 安装和 Docker 依赖；命名稳定性方面，项目名称和包名一致，但版本号在 pyproject.toml 中为 0.2.6，而 README 未提及；示例和 FAQ 方面，提供了多个示例应用链接和视频；已知限制方面，未提及任何限制；许可证方面，LICENSE 文件为 ELv2，但 pyproject.toml 中 license 字段为 'ELv2'，而 README 未提及许可证；版本控制和变更日志方面，pyproject.toml 使用动态版本，但未提供变更日志；维护责任方面，pyproject.toml 有作者，但未提供维护者信息。扣分原因：缺少已知限制、变更日志，许可证信息不一致。
证据显示：README 描述了多种输出类型（文本、图像、视频等），并提供了示例应用；边际价值方面，强调无需编码即可构建复杂应用，但未与其他平台对比；成本效益方面，提供云服务和本地部署选项，但未提供定价或资源需求。扣分原因：成本效益分析不足。
证据显示：README 中的功能声明（如多租户、API 访问）在代码中可能有对应实现，但未提供具体代码引用；交叉来源验证方面，README 链接到文档和示例，但未提供独立验证；事实与推断分离方面，README 中的声明多为产品描述，未明确区分事实和推断。扣分原因：缺乏代码级证据和独立验证。
- 默认管理员凭据（admin/promptly）存在安全风险，必须立即更改。
- 许可证为 ELv2，限制托管服务，需仔细评估是否符合使用场景。
- 依赖众多且未提供锁定文件，可能引入供应链风险。
- 未提供回滚机制，升级或配置变更可能难以恢复。
这个 Agent 能做什么，适合哪些场景？
LLMStack 是一个无代码平台，用于构建生成式 AI 智能体、工作流、聊天机器人和应用。它通过串联多个 LLM，并连接自有数据、内部工具和 GPT 驱动模型来组装应用流程。平台可导入 CSV、TXT、PDF、DOCX、PPTX 等文件，以及来自 Google Drive、Notion、网站和直接上传的数据，并负责预处理、向量化及向量数据库存储。构建出的应用可通过 HTTP API 访问，也可由 Slack 或 Discord 触发。部署可选择自有基础设施或 Promptly 云服务，并提供组织隔离的多租户用户管理。
用户通过无代码 builder 创建 AI chain，将多个 LLM、数据和业务流程连接起来。平台读取直接上传内容及 gdrive、notion、网站等来源的数据，支持 CSV、TXT、PDF、DOCX、PPTX 等格式；随后进行预处理和向量化，并将数据存入内置提供的 vector database。生成的应用或聊天机器人可由 HTTP API 调用，也可在 Slack 或 Discord 中触发。自托管时，运行 pip install llmstack 后执行 llmstack，首次运行会在 ~/.llmstack 创建数据库和配置，并在浏览器中打开 http://localhost:3000。
- 销售团队为潜在客户构建 AI SDR，用于生成个性化邮件、LinkedIn 消息和电话沟通内容。
- 投资或研究团队将内部资料接入工作流，生成研究报告或投资论点。
- 运营团队构建 RPA 自动化流程，用于生成邮件或填写表单等业务操作。
- 内容团队把模型与自有资料连接，生成商品描述、博客文章、新闻稿、推文或聊天消息。
- 客户支持团队构建基于自有数据训练的聊天机器人，并嵌入网站。
- 使用 Slack 或 Discord 的团队将无代码应用配置为可在聊天平台中触发的机器人。
这个 Agent 有哪些优点和局限？
- 可在无代码 builder 中串联多个 LLM，并把模型、数据和业务流程组合到同一 AI chain。
- 数据接入范围明确：支持多种办公与文本文件格式、Google Drive、Notion、网站和直接上传，并提供预处理、向量化和向量数据库存储。
- 交付接口较完整：应用可走 HTTP API，也能从 Slack 或 Discord 触发。
- 同时提供自托管路径和 Promptly 云服务，并支持组织级多租户隔离。
- 后台任务依赖 Docker，部署环境需要额外维护该容器运行条件。
- 自托管安装文档要求 Windows 用户使用 WSL2，原生 Windows 环境不是文档化的安装路径。
- 默认管理员凭据为公开固定值，首次部署必须立即修改密码。
- 资料仅举例说明可配置 OpenAI、Cohere 和 Stability 等 provider 的密钥，未说明所有模型提供商、认证模式或功能差异。
如何安装或部署这个 Agent？
如需运行后台任务，先安装 Docker。随后执行：
pip install llmstack
llmstack首次启动会创建 ~/.llmstack，并自动打开 http://localhost:3000。默认管理员账号为用户名 admin、密码 promptly；登录后应立即在管理面板修改密码。Windows 用户需在 WSL2 中执行安装。
如何使用这个 Agent？
启动后访问 http://localhost:3000，使用 admin / promptly 登录，并先修改默认密码。在 Settings 页面添加 OpenAI、Cohere、Stability 等 provider 的密钥；若需为实例内所有用户提供默认密钥，可写入 ~/.llmstack/config。使用无代码 builder 将 LLM、数据源和业务流程串成 AI chain，然后通过 HTTP API、Slack 或 Discord 触发应用。管理员可在 http://localhost:3000/admin 添加用户并将其分配到组织。
这个 Agent 与同类方案有什么区别？
LLMStack 可部署到自有基础设施；Promptly 是其提供的云端使用方式。两者的具体功能差异、定价和迁移流程未在给定材料中说明。
常见问题
是否可以自托管？
pip install llmstack 和 llmstack 的本地启动方式，也说明可部署到自有基础设施。