CrewAI-Studio
CrewAI-Studio 是一个基于 Streamlit 开发的图形化界面工具，让用户无需编写代码即可轻松创建、管理和运行 CrewAI 智能体（agents）及其任务。它解决了非技术用户难以直接使用 CrewAI 框架的问题，通过直观的操作界面降低了 AI 自动化工作流的使用门槛。
这款工具适合对 AI 应用感兴趣但不熟悉编程的普通用户、产品经理、研究人员或教育工作者，同时也为开发者提供了快速测试和部署智能体组合的便捷方式。CrewAI-Studio 支持多平台（Windows、macOS 和 Linux），兼容 Conda 与 Python 虚拟环境，并内置多种实用功能：可接入 OpenAI、Groq、Anthropic、Ollama 等主流大模型服务；支持添加自定义知识源；提供增强版工具如 API 调用、文件写入、网页抓取和代码解释器；还能将配置好的智能体团队导出为独立的单页应用。此外，任务运行支持后台线程执行并可随时中止，历史结果也可随时查阅，兼顾易用性与实用性。
使用场景
一家中小型电商公司的运营团队希望利用 AI 自动化生成每周的市场竞品分析报告，但团队成员没有编程背景，仅熟悉 Excel 和基础数据分析工具。
没有 CrewAI-Studio 时
- 需要依赖开发人员编写 Python 脚本定义 CrewAI 的 agent 角色、任务流程和工具调用逻辑，沟通成本高且迭代缓慢。
- 每次更换大模型（如从 OpenAI 切换到本地 Ollama）都要手动修改代码和环境配置，容易出错。
- 无法直观查看历史运行结果，难以对比不同参数下的输出效果。
- 添加自定义知识源（如内部产品文档或竞品网页）需手动处理文件路径和嵌入逻辑，门槛高。
- 整个流程无法在非技术同事之间共享，协作效率低。
使用 CrewAI-Studio 后
- 通过图形界面直接拖拽式配置多个 AI 角色（如“数据收集员”“分析专家”“报告撰写人”），无需写一行代码。
- 在设置页面一键切换 LLM 提供商（如 Groq 或 Anthropic），自动适配对应 API 和嵌入模型。
- 所有执行结果自动保存并按时间排序，支持快速回溯和导出为 PDF 或 Markdown。
- 通过“知识源”功能上传本地 PDF 或输入竞品网址，系统自动处理文本提取与向量化。
- 可将完整工作流导出为独立的 Streamlit 单页应用，方便分享给其他部门使用。
CrewAI-Studio 让非技术团队也能高效构建、运行和共享多智能体自动化工作流，真正实现“人人可用的 AI 协作系统”。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
CrewAI Studio
欢迎使用 CrewAI Studio！本应用提供了一个基于 Streamlit 编写的用户友好界面，用于与 CrewAI 进行交互，即使不想编写任何代码的用户也能轻松上手。请按照以下步骤，使用 Docker/docker-compose 或 Conda/venv 安装并运行该应用。
功能特性
- 多平台支持：支持 Windows、Linux 和 MacOS。
- 无需编码：提供用户友好的界面来与 CrewAI 交互。
- Conda 与虚拟环境支持：安装时可选择使用 Conda 或 Python 虚拟环境（virtual environment）。
- 结果历史记录：可以查看之前运行的结果。
- 知识源（Knowledge sources）：可以为你的 Crew 添加知识源。
- CrewAI 工具（CrewAI tools）：可以使用 crewai 工具与现实世界进行交互。
CrewAI Studio 使用了 crewai-tools 的一个修复和增强版分支（https://github.com/strnad/crewAI-tools）（相关修复已合并至官方 crewai-tools）。 - 自定义工具（Custom Tools）：支持调用 API、写入文件、增强版代码解释器、增强版网页爬虫等。更多工具即将推出。
- 支持的 LLM 提供商（LLM providers）：目前支持 OpenAI、Groq、Anthropic、ollama、Grok 和 LM Studio 后端。许多工具可能仍需要 OpenAI 密钥用于嵌入（embeddings）。使用 LM Studio 时，请勿忘记加载嵌入模型。
- 单页应用导出（Single Page app export）：可将 Crew 导出为简单的单页 Streamlit 应用。
- 多线程 Crew 运行（Threaded crew run）：Crew 可在后台运行，并可随时停止。
支持 CrewAI Studio
您的支持将帮助我们资助项目的开发与成长。每一份贡献我们都深表感谢！
比特币捐赠
bc1qgsn45g02wran4lph5gsyqtk0k7t98zsg6qur0y
通过 GitHub 赞助
截图
安装
使用虚拟环境（Virtual Environment）
对于虚拟环境：请确保已安装 Python。如果没有安装 Python，也可以直接使用 Conda 安装器。
Linux 或 MacOS
克隆仓库（或使用下载的 ZIP 文件）：
git clone https://github.com/strnad/CrewAI-Studio.git cd CrewAI-Studio运行安装脚本：
./install_venv.sh运行应用：
./run_venv.sh
Windows
克隆仓库（或使用下载的 ZIP 文件）：
git clone https://github.com/strnad/CrewAI-Studio.git cd CrewAI-Studio运行虚拟环境安装脚本：
./install_venv.bat运行应用：
./run_venv.bat
使用 Conda
Conda 将被安装在项目文件夹内，无需预先安装 Conda。
Linux
克隆仓库（或使用下载的 ZIP 文件）：
git clone https://github.com/strnad/CrewAI-Studio.git cd CrewAI-Studio运行 Conda 安装脚本：
./install_conda.sh运行应用：
./run_conda.sh
Windows
克隆仓库（或使用下载的 ZIP 文件）：
git clone https://github.com/strnad/CrewAI-Studio.git cd CrewAI-Studio运行 Conda 安装脚本：
./install_conda.bat运行应用：
./run_conda.bat
一键部署
使用 Docker Compose 运行
要使用 Docker Compose 快速设置并运行 CrewAI-Studio，请按以下步骤操作：
前提条件
- 确保系统中已安装 Docker 和 Docker Compose。
步骤
- 克隆仓库：
git clone https://github.com/strnad/CrewAI-Studio.git
cd CrewAI-Studio
- 创建用于配置的 .env 文件。请根据自身需求编辑：
cp .env_example .env
- 使用 Docker Compose 启动应用：
docker-compose up --build
配置
在运行应用前，请确保更新 .env 文件，填入您的 API 密钥及其他必要配置。项目中已提供示例 .env 文件供参考。
故障排除
如遇问题：
- 删除
venv/miniconda文件夹并重新安装crewai-studio。 - 重命名
crewai.db（该文件包含您的 Crew 数据，但新版本有时会破坏兼容性）。 - 提交 issue，我会尽快协助您。
视频教程
由 Josh Poco 制作的 CrewAI Studio 视频教程
Star 历史
版本历史
v1.0.0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。