PySpur — 可视化 AI 智能体工作流平台
以可视化方式构建、调试和迭代 AI 智能体，速度提升 10 倍，支持人类审批、循环、RAG 和多模态。
证据不足：未提供权限管理、用户确认、数据流透明、敏感数据处理、依赖安全、外部影响、回滚或来源归属的具体实现或文档。因此所有标准均得0分。
证据不足：未提供自一致性、依赖可用性或失败消息的具体实现或文档。因此所有标准均得0分。
证据不足：未提供目标受众、能力边界、触发精度或环境适配的具体实现或文档。因此所有标准均得0分。
证据不足：未提供信息架构、安装说明、命名稳定性、示例和FAQ、已知限制、许可证、版本变更日志或维护责任的具体实现或文档。因此所有标准均得0分。
证据不足：未提供输出可用性、边际价值或成本效益的具体实现或文档。因此所有标准均得0分。
证据不足：未提供声明可追溯性、跨来源佐证或事实推断分离的具体实现或文档。因此所有标准均得0分。
- 该仓库仅提供了README和许可证文件，未包含任何源代码或详细文档，无法进行有效的静态评估。
- 发布者身份未经验证，且未提供任何可追溯的声明或证据。
这个 Agent 能做什么，适合哪些场景？
PySpur 是一个开源的可视化平台，用于构建和迭代 AI 智能体工作流。它提供一个 UI，用于定义测试用例、以 Python 代码或拖拽方式构建智能体、逐步调试、评估并一键部署为 API。核心功能包括人类参与循环（Human-in-the-loop）、循环调用、文件上传、结构化输出（JSON Schema 编辑器）、RAG（解析、分块、嵌入、写入向量库）、多模态输入（视频、图像、音频、文本、代码）、多种工具集成（Slack、Firecrawl.dev、Google Sheets、GitHub 等）、自动追踪、评估以及超过 100 家 LLM 提供商、嵌入模型和向量数据库的支持。安装可通过 pip 完成，运行 `pyspur init` 和 `pyspur serve --sqlite` 即可在本地启动。该项目采用 Apache-2.0 许可证，基于 Python 构建，主要面向 AI 工程师。
PySpur 允许用户通过 UI 或 Python 代码创建智能体工作流。用户可以定义测试用例，构建由节点组成的图，这些节点可调用 LLM、工具、执行循环、进行 RAG 流程（解析、分块、嵌入、更新），并支持多模态输入（PDF、视频、音频、图像）。工作流可以包含人类审批断点，在继续之前暂停以等待批准。每个节点可单独调试，提供缩放的输出检查。执行后可查看自动捕获的追踪。最终，智能体可通过一键部署以 API 形式发布。工具包括 Slack、Firecrawl.dev、Google Sheets、GitHub 等。所有操作通过 UI 或 pyspur 命令行完成。
- AI 工程师需要快速迭代提示词，可使用 PySpur 的测试用例功能和逐步调试功能，避免提示词地狱。
- 需要人类监督的 QA 工作流（如内容审核）可利用内置的人机循环断点，在关键输出处暂停以等待批准。
- 构建 RAG 应用的开发者可以通过 UI 创建文档集合和向量索引，无需编写集成代码。
- 处理多模态数据的团队（如视频、图像、音频）可利用 PySpur 的输入支持，在单个工作流中处理。
- 需要部署为 API 的智能体可通过一键发布功能，快速将工作流暴露为服务。
- 希望避免供应商锁定的组织可使用 100+ 提供商支持，用同一工作流切换 LLM、嵌入模型和向量数据库。
这个 Agent 有哪些优点和局限？
- 可视化界面显著加快智能体迭代速度，提供针对提示词和节点的逐步调试。
- 支持人类批准断点，适用于需要质量保证的工作流。
- 内置 RAG 和多模态处理，无需额外集成。
- 支持超过 100 个 LLM 提供商、嵌入模型和向量数据库，避免供应商锁定。
- Python 基础上手简单，并可通过创建单个 Python 文件扩展节点。
- 需要 Python 3.11+，不适合完全非技术用户。
- 默认 SQLite 可能不如 PostgreSQL 稳定，生产环境需额外配置。
- 开发环境仅支持 Unix 类系统，Windows 开发不受官方支持。
- 文档可能未涵盖所有高级功能，新用户需依赖示例和视频。
如何安装或部署这个 Agent？
- 确保已安装 Python 3.11 或更高版本。2. 运行
pip install pyspur。3. 运行pyspur init my-project创建新项目，然后cd my-project。4. 运行pyspur serve --sqlite启动服务器，默认在 http://localhost:6080。可选：在 .env 文件中配置 PostgreSQL 以获得更稳定的体验。
如何使用这个 Agent？
启动后，打开 UI，在 API Keys 选项卡中添加提供商密钥（如 OpenAI、Anthropic）。在 UI 中定义测试用例（Step 1），构建智能体（Step 2），迭代调试（Step 3），最后部署（Step 4）。也可以直接在 Python 中编写节点（新增节点只需创建单个 Python 文件）。