sim
Sim 是一个开源的 AI 智能体编排平台,旨在帮助用户轻松构建、部署和管理自动化 AI 工作流。它充当了"AI 劳动力”的核心指挥层,让用户能够像搭积木一样,通过可视化画布将不同的 AI 智能体、工具模块和逻辑节点连接起来,快速设计并运行复杂的任务流程。
Sim 主要解决了传统 AI 应用开发中代码门槛高、工作流难以可视化管理以及多模型集成复杂等痛点。用户无需编写大量底层代码,即可通过拖拽方式组合超过 1000 种集成服务和各类大语言模型(LLM),实现从简单对话到复杂业务逻辑的自动化处理。此外,Sim 还支持上传文档至向量数据库,让智能体能基于专属知识库进行精准回答,有效提升了应用的实用性和准确性。
这款工具特别适合开发者、技术研究人员以及希望探索 AI 自动化场景的产品设计师使用。其独特的技术亮点包括内置的"Copilot"助手,能通过自然语言指令自动生成节点、修复错误或优化流程;同时提供灵活的本地部署方案(支持 Docker 和 Ollama),既保障了数据隐私,又方便进行定制化开发。无论是想快速验证想法的原型开发者,还是需要构建稳定生产环境的技术团队,Sim 都能提供高效且友好的支持。
使用场景
某电商公司的运营团队需要每天处理数百条来自不同渠道的用户咨询,并据此生成个性化的营销回复和工单记录。
没有 sim 时
- 开发人员需手动编写大量胶水代码来串联大模型、数据库和客服系统,每次调整流程都要重新部署,耗时且易出错。
- 多个 AI 任务(如意图识别、情感分析、回复生成)各自为战,缺乏统一调度,导致响应延迟高且上下文经常丢失。
- 当需要让 AI 基于最新的产品手册回答问题时,必须单独开发向量检索模块,难以快速将新文档同步给所有代理。
- 非技术背景的运营人员无法直接参与流程优化,只能依赖排期等待开发团队修改硬编码的逻辑。
使用 sim 后
- 运营与开发人员通过 sim 的可视化画布拖拽节点,即可在几分钟内构建并运行包含意图识别、知识库检索和自动回复的完整工作流。
- sim 作为中央智能层统一编排多个代理,自动管理任务间的状态与上下文,将复杂咨询的平均处理时间缩短了 60%。
- 利用 sim 内置的向量数据库集成,团队只需上传最新的 PDF 产品手册,所有代理即刻能基于最新内容精准回答用户疑问。
- 借助 sim 的 Copilot 功能,运营人员直接用自然语言描述需求(如“增加对投诉用户的安抚步骤”),系统自动生成并修正相应流程节点。
sim 将原本需要数周开发的复杂多代理系统,转变为业务人员可实时参与编排的敏捷智能工作流,极大降低了 AI 落地的门槛与成本。
运行环境要求
- Linux
- macOS
- Windows
未说明 (支持通过 Ollama 或 vLLM 连接本地模型,具体取决于所选模型的需求)
最低 12GB (Docker 运行提示),推荐 16GB+

快速开始
用于构建AI智能体并运行智能体团队的开源平台。连接1,000多种集成和大语言模型,以编排智能体工作流。
轻松构建工作流
在画布上以可视化方式设计智能体工作流——连接智能体、工具和模块,然后立即运行。
使用Copilot增强功能
借助Copilot,您可以直接从自然语言生成节点、修复错误并迭代流程。
集成向量数据库
将文档上传到向量存储中,让智能体基于您的特定内容回答问题。
快速入门
云端托管:sim.ai
自行部署:NPM 包
npx simstudio
注意事项
您的机器上必须安装并运行 Docker。
选项
| 标志 | 描述 |
|---|---|
-p, --port <端口> |
运行 Sim 的端口(默认为 3000) |
--no-pull |
跳过拉取最新 Docker 镜像 |
自行部署:Docker Compose
git clone https://github.com/simstudioai/sim.git && cd sim
docker compose -f docker-compose.prod.yml up -d
后台工作进程说明
Docker Compose 堆栈默认会启动一个专用的工作容器。如果未配置 REDIS_URL,该工作进程将启动并记录为空闲状态,不会进行任何队列处理。这是预期行为。基于队列的 API、Webhook 和计划任务执行需要 Redis;未配置 Redis 的安装将继续使用内联执行路径。
Sim 还支持通过 Ollama 和 vLLM 使用本地模型——有关设置详情,请参阅 Docker 自行部署文档。
自行部署:手动设置
要求: Bun、Node.js v20+、PostgreSQL 12+ 及 pgvector
- 克隆并安装:
git clone https://github.com/simstudioai/sim.git
cd sim
bun install
bun run prepare # 设置预提交钩子
- 设置带有 pgvector 的 PostgreSQL:
docker run --name simstudio-db -e POSTGRES_PASSWORD=your_password -e POSTGRES_DB=simstudio -p 5432:5432 -d pgvector/pgvector:pg17
或者按照 pgvector 安装指南 手动安装。
- 配置环境变量:
cp apps/sim/.env.example apps/sim/.env
# 创建您的密钥
perl -i -pe "s/your_encryption_key/$(openssl rand -hex 32)/" apps/sim/.env
perl -i -pe "s/your_internal_api_secret/$(openssl rand -hex 32)/" apps/sim/.env
perl -i -pe "s/your_api_encryption_key/$(openssl rand -hex 32)/" apps/sim/.env
# 数据库迁移配置
cp packages/db/.env.example packages/db/.env
# 编辑两个 .env 文件,设置 DATABASE_URL="postgresql://postgres:your_password@localhost:5432/simstudio"
- 运行数据库迁移:
cd packages/db && bun run db:migrate
- 启动开发服务器:
bun run dev:full # 启动 Next.js 应用、实时套接字服务器和 BullMQ 工作进程
如果未配置 REDIS_URL,工作进程将保持空闲状态,执行将继续以内联方式进行。
您也可以分别运行:bun run dev(Next.js)、cd apps/sim && bun run dev:sockets(实时服务)以及 cd apps/sim && bun run worker(BullMQ 工作进程)。
Copilot API 密钥
Copilot 是由 Sim 管理的服务。要在自部署实例中使用 Copilot:
- 访问 https://sim.ai → 设置 → Copilot,生成 Copilot API 密钥
- 将该值设置为您的自部署应用
apps/sim/.env文件中的COPILOT_API_KEY环境变量
环境变量
完整列表请参阅环境变量参考文档,默认配置可查看apps/sim/.env.example。
技术栈
- 框架: Next.js(App Router)
- 运行时: Bun
- 数据库: PostgreSQL 结合 Drizzle ORM
- 认证: Better Auth
- UI: Shadcn、Tailwind CSS
- 状态管理: Zustand
- 流程编辑器: ReactFlow
- 文档: Fumadocs
- 单仓库多包管理: Turborepo
- 实时通信: Socket.io
- 后台任务: Trigger.dev
- 远程代码执行: E2B
贡献
我们欢迎各类贡献!详情请参阅我们的贡献指南。
许可证
本项目采用 Apache License 2.0 许可证——详细信息请参阅LICENSE文件。
由 Sim 团队用心打造
版本历史
v0.6.252026/04/05v0.6.242026/04/04v0.6.232026/04/04v0.6.222026/04/03v0.6.212026/04/02v0.6.132026/03/27v0.6.122026/03/26v0.6.202026/04/02v0.6.192026/04/01v0.6.182026/03/31v0.6.172026/03/30v0.6.162026/03/30v0.6.152026/03/30v0.6.142026/03/27v0.6.112026/03/26v0.6.102026/03/25v0.6.92026/03/25v0.6.82026/03/24v0.6.72026/03/21v0.6.62026/03/20常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。