Agat：在自有基础设施上运行 AI 智能体与可视化工作流

Solutions-of-Security/Agat · Run AI agents and visual workflows on your own infrastructure, with local LLMs, human approvals, and execution history.

GitHub原文发布未知首次收录 2026-10-12上架 2026-11-07 07:05

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

Agat 是一个自托管平台，将模型、计算节点和任务整合到统一的 Web 界面中。它支持通过 Ollama、LM Studio、vLLM 或 llama.cpp 在本地运行模型，提供智能体目录、可视化流程编辑器、13 个流程模板、人工审批、执行日志、本地 RAG、MCP 工具与 A2A 任务交互，并支持 SQLite 本地运行、Docker Compose 和 Kubernetes 部署。当前版本为 1.7.0 公开预览版，RAG/embeddings、MCP/A2A、OIDC、PostgreSQL、Temporal 等能力需要额外配置。

# RAG # 人工审批 # 自托管部署 # 本地大模型 # 可视化编排

核心能力与快速开始

★ 0 · Python

能做什么: 提供智能体目录和可视化流程编辑器，支持条件、循环与人工审批；可管理本地与远程 worker、任务队列、模型选择与并发限制；集成本地 RAG、网络搜索、MCP 工具和 A2A 任务交换；记录执行日志与结果，并支持确认动作和比较回答质量。
适用场景: 在自有机器或内网环境中运行文档摘要与知识库检索；构建带人工审核步骤的多智能体流程；在本地模型上评估和比较回答质量；以 SQLite、Docker Compose 或 Kubernetes 方式部署自托管智能体工作台。
项目形态: 可直接使用的工具
部署方式: 支持本地运行（SQLite）、Docker Compose 和 Kubernetes；OIDC、PostgreSQL、Temporal 等扩展场景需额外配置。快速开始要求 Git、Node.js 24（最低 22.13）、Python 3.10+ 及运行中的 Ollama。
主要依赖: Git、Node.js 24（最低 22.13）、Python 3.10+、Ollama；内存需求取决于模型、量化和上下文。扩展配置需 PostgreSQL、Temporal、OIDC 等。
使用限制: 1.7.0 为公开预览版（GitHub prerelease），版本号不代表已通过生产资格验证；完整 solution packs 与生产环境门槛仍在进行中；RAG/embeddings、MCP/A2A、OIDC、PostgreSQL、Temporal 需要单独设置；内置 enrollment token 仅适合本机试用，联网需另行配置密钥和 HTTPS。
许可证: Apache-2.0
最近推送: 2026-10-11 17:28

官方入门项目文档核对 README 依据 ↗

资料检查：2026-10-12 07:00 · 卡片整理：2026-11-07 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证

职业应用

程序员

在自有基础设施上通过可视化流程编辑器编排 AI 智能体，用于文档处理、知识库检索以及需要人工审批的多步骤任务，并保留执行日志。

查看内容依据

АГАТ объединяет модели, вычислительные узлы и задачи в одном веб-интерфейсе.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

产品经理

使用可视化流程编辑器和 13 个流程模板搭建带人工审批的智能体工作流，用于文档摘要与知识库检索，并查看执行记录。

查看内容依据

**Агенты и процессы:** каталог готовых агентов, визуальный редактор, 13 шаблонов процессов, условия, циклы и согласования.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

reasoning-dataset-lab：面向推理数据集构建的先证明答案键，再由模型措辞

reasoning-dataset-lab（命令行工具 rdlab）是一个 map-first 实验室，用于构建谜题、测验与验证项数据集。它先用代码构造形式化状态并由求解器证明答案键，再由本地模型将条目措辞，并记录每个条目的来源。它提供地图校验与指纹、模型列出与多样性报告以及评委比拼（bake-off）；后者包含密封测试部分、表面特征探测以及独立评分步骤。项目为 Python 包，要求 Python 3.13 及以上，评委运行需 GPU 与经许可的本地模型，版本为 alpha。

Wizora-AI：基于 LangGraph 的多模态 AI 教学助手

Wizora-AI 是一个智能体式多模态教学助手，可处理 PDF、DOCX、TXT 文档以及音视频文件，通过本地 Whisper 做语音转写、通过视觉语言模型（VLM）理解图表与视频帧，并用 LangGraph 编排智能体工作流，实现有据可依的问答、自适应题目生成和两阶段内容摘要。系统包含人工反馈与自动反思的迭代优化循环，问答部分采用基于 ChromaDB 的 RAG 检索、证据评估与引文校验。

local-llm-benchmarks：AMD RDNA4 显卡上 llama.cpp 本地大模型的实测基准

这是一个实测记录型仓库，汇集了在 AMD Radeon RDNA4 显卡（RX 9070 XT 与 Radeon AI PRO R9700，合计约 48.9 GB 显存）上运行 llama.cpp + ROCm 7.2 的基准数据。内容包括各模型的吞吐量、显存适配、GGUF 量化质量（与 BF16 的 KL 散度对比）、MTP 推测解码、128K 长上下文实测，以及在本地模型上运行 Claude Code、aider、Cline、Pi 等编码代理的实践记录。还附带了 ROCm 与 Vulkan 后端的对比、llama.cpp 版本升级前后的差异，以及脚本和原始日志。

KAITO：在 Kubernetes 集群中自动化部署 LLM 推理、微调与 RAG 服务

KAITO 是 Kubernetes AI Toolchain Operator，采用 CRD 与控制器模式，在 Kubernetes 集群中编排 LLM 推理、微调及 RAG 引擎部署。它通过 Workspace、InferenceSet、InferencePool 等自定义资源简化模型部署：按 GPU 实例类型与 HuggingFace 模型元数据估算显存并计算所需 GPU 数量，借助 Karpenter API 触发 GPU 节点自动扩缩容，并为 vLLM 引擎生成优化后的并行与调度参数。项目支持 LoRA 适配器、KVCache 卸载、基于 KEDA 的副本自动伸缩以及 Gateway API Inference Extension 的 KVCache 感知路由；同时提供 RAGEngine 管理 RAG 服务的 LLM 端点、嵌入服务与向量数据库，内置 FAISS，可选 Qdrant 或 Milvus，并通过 LlamaIndex 提供索引、聊天补全与检索接口。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。