AI Workflow Orchestrator Docs

MCPAI代理

提供方 ravinderji

AI代理 未标注 API Key 社区 / 第三方

一个轻量级的Spring Boot插件框架,用于编排复杂的AI工作流,集成多个LLM、工具和MCP服务,无需样板代码。

一句话选型结论

按资料字段整理

AI Workflow Orchestrator Docs 属于AI代理类 MCP 服务器,传输方式未标注,API Key,没有现成安装命令,需按官方文档接入。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式未标注 鉴权API Key 部署方式未标注
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

AI工作流本地部署SpringBootLLM集成轻量级框架动态规划

安装与配置

未标注 API Key
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 基础信息齐全,可以先按官方文档接入试跑。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 使用前要准备好API Key对应的凭据,并按最小权限配置。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
AI Workflow Orchestrator Docs当前 未标注 未标注 未标注 无 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方ravinderji上游标注的维护方 ravinderji
分类AI代理本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式API Key远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型未标注上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

22.8 KB
来自项目仓库与上游目录的原文,未做删改

🤖 AI工作流编排器

> 一个轻量级的、Spring Boot友好的插件框架 编排复杂的人工智能工作流程——集成多个LLM、工具和 MCP(模型上下文协议) 零样板服务。

🚀 为什么要使用AI编排器?

  • 🪶 轻量级架构 没有外部AI框架。用途 自定义HTTP客户端 而不是像LangChain4j这样的重型解决方案。
  • 📦 较小的JAR大小 –减少 15-20毫巴 由于依赖性极小。
  • ⚡ 更快的启动 –没有自动配置开销,确保快速启动时间。
  • 🔧 API直接控制 –完全优化的请求/响应处理 Java HttpClient.
  • 🌱 春季靴子友好 –即插即用与任何 Spring Boot 应用程序。
  • 🚀 高性能 –通过本机HTTP API调用实现高效、低延迟的编排。

📚 目录

  • 🚀 特性
  • 📁 项目结构
  • 🛠️ 快速开始
  • 🧠 Ollama本地LLM设置
  • 🌐 API使用
  • 🏗️ 建筑
  • 🔌 工作流类型和步骤类型
  • ⚡ 即插即用工作流创建
  • 📊 现实世界即插即用工作流示例
  • ⚙️ 高级配置
  • 🧪 命令行接口命令模式
  • 🧰 日志记录
  • 🤝 贡献
  • 📄 许可证
  • 👨‍💻 作者
  • 🆘 支持
  • 🔗 相关项目

🚀 特性

  • 🧠 多LLM支持:OpenAI、Anthropic和Ollama,具有自定义HTTP客户端
  • ⚙️ 动态工作流规划:AI驱动的步骤编排
  • 🔌 MCP协议支持:HTTP、WebSocket和异步客户端
  • 🛠️ 工具集成:无缝注册和调用自定义工具
  • 🔄 模式转换:基于JSON模式的数据转换
  • 🖥️ CLI和Web模式:双执行接口
  • 🧩 智能转型:LLM驱动的数据格式转换
  • 🪶 轻量级架构:不依赖外部AI框架
  • ⚡ 高性能:使用Java HttpClient直接调用HTTP API

📁 项目结构```plaintext

SpringAIOrchestrator/
├── ai-orchestrator-bom/ # Bill of Materials & Core Framework
│ └── ai-orchestrator-core/ # Core orchestration engine
├── examples/ # Example workflow implementations
│ ├── ai-travel-workflow/ # Travel planning workflow example
│ └── ai-resume_builder-workflow/ # Resume building workflow example
│ └── ai-document_summarizer-workflow/ # Summaring the document and classification
├── LICENSE # MIT License
├── README.md # This documentation
└── USAGE.md # Detailed usage guide


______________________________________________________________________

## 🛠️ 快速开始

### ✅ 先决条件

- ☕ Java 21+
- 📦 Maven 3.8+
- 🔑 API键(OpenAI/Anthropic/Ollama)
- 🌐 用于LLM API调用的Internet连接
- 🧠当地Ollama安装

## 🧠 Ollama本地LLM设置

这 **AI编排器框架** 可以使用完全脱机运行 **奥拉玛** --开源LLM的轻量级本地运行时。\
这使您能够 **在没有API密钥、网络依赖性或云成本的情况下本地测试工作流。**

______________________________________________________________________

## 🛠️ 第一步:安装Olama

在您的系统上安装Ollama:

**MacOS:**```bash
brew install ollama

Linux```bash
curl -fsSL https://ollama.com/install.sh | sh


**视窗**

- 从下载最新安装程序 **Ollama下载**
- 运行安装程序并按照屏幕上的说明进行操作。

______________________________________________________________________

## 🛠️ 第二步:使用Olama本地(免费)模型

- 在models.yml中使用任何基于Ollama的模型的核心要求是使Ollama服务器在默认主机和端口上本地运行:http://localhost:11434.
- **验证服务**:打开终端并运行ollama。该服务通常在后台自动启动。您可以通过检查来验证它是否正在运行http://localhost:11434在您的浏览器中。
- **在本地使用量化模型** :量化模型是较大LLM(如Llama 2、Mistral、Gemma)的压缩版本,针对VRAM或RAM较少的消费类硬件的性能进行了优化。Ollama模型默认进行量化(通常为4位或q4)。如果需要,您可以使用模型标记来选择特定的量化级别,但对于大多数模型,默认标记已经是量化版本。

### 📦  常见Olama模型拉取命令和配置

目标 · 🧰 Ollama命令行界面命令 · 🧠 `models.yml` 配置
拉默认值(通常 `q4`) · `bash
ollama pull llama2
` | `yaml
modelName: "llama2"
` |
拉特定(例如3位) · `bash
ollama pull llama2:7b-q3_K_L
` | `yaml
modelName: "llama2:7b-q3_K_L"
` |
拉取最新版本 · `bash
ollama pull llama3
` | `yaml
modelName: "llama3"
` |
Pull专用编码器型号 · `bash
ollama pull qwen2.5-coder:14b-instruct-q3_K_L
` | `yaml
modelName: "qwen2.5-coder:14b-instruct-q3_K_L"
` |
轻量化模型 · `bash
ollama pull mistral
` | `yaml
modelName: "mistral"
` |

### 🧩 配置本地ollama模型示例(`models.yml`)

本地别名使用 **默认量化 `llama2`** 模型取自Ollama:```yaml
models:
- alias: "local"
provider: "ollama"
modelName: "llama2"
baseUrl: "http://localhost:11434"
enabled: true

☁️ 步骤3:使用Ollama云模型

对于以下型号 太大,无法在本地运行 在您的个人计算机上, Ollama云模型 提供无缝解决方案。他们利用 远程高性能GPU硬件 同时仍被访问 通过您的本地 http://localhost:11434 端点 --所以你的应用程序代码 不需要任何更改.

🔐 登录Ollama Cloud

云模型需要Ollama帐户。从您的终端登录:```bash
ollama signin


### ☁️  拉取/使用云模型```bash
# Example: Pulling a cloud model
ollama pull qwen3-coder:480b-cloud

🧩 配置示例(models.yml)

下面的示例显示了如何配置默认别名以使用云卸载的qwen3编码器:480b云模型。```yaml
models:
- alias: "default"
provider: "ollama"
modelName: "qwen3-coder:480b-cloud" # This model is offloaded to Ollama Cloud
baseUrl: "http://localhost:11434"
enabled: true

  • alias: "transformer"
    provider: "ollama"
    modelName: "qwen3-coder:480b-cloud"
    baseUrl: "http://localhost:11434"
    enabled: true

______________________________________________________________________

### ⚙️ 代码安装

1. **克隆仓库**```bash
git clone
cd SpringAIOrchestrator/spring-ai-orchestrator
  1. 构建框架```bash
    cd ai-orchestrator-bom
    mvn clean install

3. **设置环境变量**```bash
# Required LLM API Keys
export OPENAI_API_KEY="your-openai-key"
export ANTHROPIC_API_KEY="your-anthropic-key"
export OLLAMA_BASE_URL="http://localhost:11434"

# Application Configuration
export SERVER_PORT=8282
export CLI_MODE=false
export APP_NAME="ai-orchestrator"

# Optional: Planner Configuration
export PLANNER_FALLBACK=true
export PLANNER_MAX_ITERATIONS=5
export PLANNER_TARGET_RANK=10
  1. 运行示例工作流```bash
    cd ../examples/ai-travel-workflow
    mvn spring-boot:run

Or run resume workflow

cd ../ai-resume_builder-workflow
mvn spring-boot:run


______________________________________________________________________

## 🌐 API使用

### 🗺️ 运行旅行工作流```bash
# Plan a trip to Tokyo
curl -X POST "http://localhost:8282/api/workflows/run/travel-planner" \
-H "Content-Type: application/x-www-form-urlencoded" \
-d "prompt=Plan a 5-day trip to Tokyo in March with budget of $3000"

# Business trip planning
curl -X POST "http://localhost:8282/api/workflows/run/travel-planner" \
-H "Content-Type: application/x-www-form-urlencoded" \
-d "prompt=Business trip to London for 3 days, need flights and hotel recommendations"

📄 运行恢复工作流```bash

Create Java developer resume

curl -X POST "http://localhost:8282/api/workflows/run/resume-builder" \
-H "Content-Type: application/x-www-form-urlencoded" \
-d "prompt=Create resume for Senior Java Developer with 5 years Spring Boot experience"

Create data scientist resume

curl -X POST "http://localhost:8282/api/workflows/run/resume-builder" \
-H "Content-Type: application/x-www-form-urlencoded" \
-d "prompt=Build resume for Data Scientist role with Python and ML expertise"


### 📋 列出所有工作流```bash
curl -X GET "http://localhost:8282/api/workflows/list"

# Response example:
{
"travel-planner": "travel-planner - AI-powered travel planning with weather, flights, and cost analysis",
"resume-builder": "AI Resume Builder - Create a professional resume from user inputs and job descriptions"
}

🏗️ 建筑

这 AI编排器框架 使用a 轻量级定制架构:

  • 🧠 规划师LLM –生成智能执行计划并对其进行排名
  • 🔄 变压器LLM –处理步骤之间的格式转换
  • 🔗 自定义HTTP客户端 –在没有外部人工智能框架的情况下直接集成API
  • 🪶 零依赖 –没有LangChain4j或类似的重型框架```plaintext
    ┌─────────────────────────────────────────────────────────────────────────┐
    │ AI Orchestrator Framework │
    └─────────────────────────────────────────────────────────────────────────┘

┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ User Input │ │ REST API │ │ CLI Mode │
└──────┬───────┘ └──────┬───────┘ └──────┬───────┘
│ │ │
└─────────────────┼─────────────────┘
│
┌─────────▼─────────┐
│ Workflow Controller│
└─────────┬─────────┘
│
┌──────────▼──────────┐
│ Dynamic Engine (AI) │
└──────────┬──────────┘
│
┌─────────────▼─────────────┐
│ 🧠 Planner + 🔄 Transformer │
└─────────────┬─────────────┘
│
┌─────────────▼─────────────┐
│ Step Execution Engine │
└────────────────────────────┘


______________________________________________________________________

## 🔌 工作流类型和步骤类型

### 工作流类型

- 🔁 **顺序的** –预定义的步骤顺序
- 🧠 **动态的** –AI计划执行顺序

### 步骤类型

- 🤖 **LLM** –语言模型交互
- 🔧 **工具** –自定义注释方法
- 🌐 **主控程序** –外部服务调用(HTTP、WebSocket、异步)

______________________________________________________________________

## ⚡ 即插即用工作流创建

在中创建新的AI工作流程 **5分钟** 🚀

1. **添加依赖关系**```xml
codetumblr.net.ai.orchestrator ai-orchestrator-core 1.0-SNAPSHOT
  1. 创建应用```java
    @SpringBootApplication
    @ComponentScan({"codetumblr.net.ai.orchestrator.core", "your.package"})
    public class MyWorkflowApplication {
    public static void main(String[] args) {
    SpringApplication.run(MyWorkflowApplication.class, args);
    }
    }

3. **定义模型** (`models.yml`)```yaml
models:
- alias: "default"
provider: "openai"
model: "gpt-4"
apiKey: "${OPENAI_API_KEY}"
  1. 创建工作流 (workflows/my-workflow.yaml)```yaml
    id: "document-analyzer"
    executionMode: "dynamic"
    steps:
    - id: "extract_content"
    type: "tool"
    parameters:
    tool: "document_extractor"
    - id: "analyze_sentiment"
    type: "llm"
    parameters:
    model: "default"
    prompt: "Analyze sentiment: {input}"

5. **添加工具**```java
@Component
public class DocumentTools {
@AiTool(name = "document_extractor")
public String extractText(String filePath) {
return "Extracted content...";
}
}
  1. 运行工作流```bash
    mvn spring-boot:run

______________________________________________________________________

## 📊 现实世界即插即用工作流示例

这 **AI工作流编排器** 附带现成的生产级工作流示例。这些演示了如何组合 **LLM、工具和MCP服务** 只需最少的设置即可进入强大的管道。

### 🚀 内置示例

- 🛫 **旅行计划** -自动计划详细的多日旅行行程,包括航班、天气和成本分析。
- 📄 **履历表生成器** –直接根据职位描述或技能组合生成量身定制的专业简历。
- 📜 **文档摘要生成器** –使用 **动态工作流**.

______________________________________________________________________

### 🧩 即将到来的示例(计划中)

- 🧠 **智能聊天代理** –构建一个上下文感知的工具调用助手。
- 📈 **财务报告分析器** –分析CSV,提取关键指标,并生成业务摘要。
- 🧪 **代码审查助理** –使用代码感知LLM分析拉取请求并提出改进建议。

______________________________________________________________________

💡 **提示:** 每个示例都是完全模块化的,可以 **定制或扩展** 只需编辑工作流YAML文件,无需更改代码。

______________________________________________________________________

### 🖥️ UI/Web集成-文档摘要生成器

该框架支持典型的Spring Boot web控制器,以实现简单的文件上传和动态提示生成,用于复杂的工作流程,如Document Summary er。

原理
用户通过web界面上传文件(PDF、DOCX等)。

Spring控制器读取文件,Base64对二进制内容进行编码。

控制器动态构建一个详细的Planner Prompt,其中包含Base64内容和文件元数据。

用户可以在将提示提交给Orchestrator的API执行之前查看/编辑该提示。然后,LLM Planner使用Base64内容路由到初始MCP步骤(extract_text)。

**运行Web示例**
要运行文档摘要生成器的web应用程序,请执行以下操作:```bash
cd examples/ai-document_summarizer-workflow
mvn spring-boot:run

在浏览器中访问应用程序:http://localhost:8383/

关键控制器端点

端点 方法 描述
/ GET 显示文档上载表单
/generate-prompt POST 处理文件上传,对文件进行Base64编码,并构建LLM Planner提示。转到评论页面。
/submit-prompt POST 将最终生成的提示提交给核心 AI编排器API (/api/workflows/run/document-summarizer)执行。

⚙️ 高级配置选项

完成应用程序配置```yaml

application.yml

server:
port: ${SERVER_PORT:8282}

spring:
application:
name: ${APP_NAME:ai-orchestrator-travel_planner}
shell:
interactive:
enabled: ${CLI_MODE:false}
command:
quit:
enabled: true
history:
enabled: false
script:
enabled: false
main:
allow-circular-references: true
web-application-type: servlet
devtools:
restart:
enabled: false
livereload:
enabled: false
boot:
admin:
enabled: false

logging:
config: classpath:log4j2.xml

ai:
orchestrator:
workflows:
path: ${WORKFLOWS_PATH:classpath:workflows/-workflow.yaml}
models:
description-truncate-length: ${DESC_TRUNCATE_LENGTH:30}
path: classpath:${MODELS_PATH:/models.yml}
planner:
fallback-enabled: ${PLANNER_FALLBACK:true}
step-separator: ${STEP_SEPARATOR:,}
max-iterations: ${PLANNER_MAX_ITERATIONS:5}
target-rank: ${PLANNER_TARGET_RANK:10}
prompt:
path: ${PLANNER_PROMPT_PATH:}
transformer:
prompt:
path: ${TRANSFORMER_PROMPT_PATH:}
mcp:
clients:
path: classpath:${MCP_CLIENTS_PATH:/mcp-clients.yml}


### MCP客户端配置```yaml
# mcp-clients.yml
clients:
- name: "weather-services-api"
endpoint: "${MCP_WEATHER_ENDPOINT:http://localhost:8282}"
service: "weather_forecast"
protocol: "${MCP_WEATHER_PROTOCOL:http}"
timeout: "${MCP_WEATHER_TIMEOUT:5000}"  # Configurable timeout
auth:
type: "${MCP_WEATHER_AUTH_TYPE:none}"  # none, basic, oauth2, api-key, jwt
apiKey: "${MCP_WEATHER_API_KEY:}"
apiKeyHeader: "${MCP_WEATHER_API_KEY_HEADER:X-API-Key}"
enabled: "${MCP_WEATHER_ENABLED:true}"

- name: "flight-services-api"
endpoint: "${MCP_FLIGHT_ENDPOINT:http://localhost:8282}"
service: "search_flights"
protocol: "${MCP_FLIGHT_PROTOCOL:http}"
timeout: "${MCP_FLIGHT_TIMEOUT:5000}"   # Configurable timeout
auth:
type: "${MCP_FLIGHT_AUTH_TYPE:none}"
enabled: "${MCP_FLIGHT_ENABLED:true}"

模型配置```yaml

models.yml

config:
defaultMaxTokens: 1000
promptTruncateLength: 50
descriptionTruncateLength: 30
autoRegisterForPlugins: true

models:
- alias: "default"
provider: "ollama"
modelName: "qwen3-coder:480b-cloud"
baseUrl: "http://localhost:11434"
temperature: 0.7
maxTokens: 2000
enabled: true

  • alias: "openai"
    provider: "openai"
    modelName: "gpt-4o-mini"
    apiKey: "${OPENAI_API_KEY}"
    temperature: 0.7
    maxTokens: 4000
    enabled: true

  • alias: "planner"
    provider: "ollama"
    modelName: "qwen2.5-coder:14b-instruct-q3_K_L"
    baseUrl: "http://localhost:11434"
    temperature: 0.3
    maxTokens: 1500
    enabled: true

  • alias: "transformer"
    provider: "ollama"
    modelName: "qwen3-coder:480b-cloud"
    baseUrl: "http://localhost:11434"
    temperature: 0.1
    maxTokens: 1000
    enabled: true


______________________________________________________________________

## 🧪 命令行接口命令模式

启用交互式CLI执行:```bash
export CLI_MODE=true
mvn spring-boot:run
or
CLI_MODE=true mvn spring-boot:run
or
java -DCLI_MODE=true -jar ai-travel-workflow-1.0-SNAPSHOT.jar

可用命令```bash

List workflows

lw

Interactive workflow selection

interactive
i
run-interactive

Run specific workflow

run --workflow-id travel-planner --prompt "Plan weekend trip to Paris"
run-workflow --workflow-id resume-builder --prompt "Create resume for DevOps engineer"

Quick run by number

quick --number 1
q --number 2

Show help

help
h
?

Logging info

log-info
logs
debug-help

Exit CLI

exit
quit
bye


______________________________________________________________________

## 🧰 日志记录配置

该框架使用log4j2.xml进行日志配置。日志记录通过以下方式配置:```yaml
logging:
config: classpath:log4j2.xml

日志文件被写入 logs/ 应用程序根目录中的目录。


可配置超时```yaml

Planner Configuration (All Configurable)

ai:
orchestrator:
planner:
max-iterations: 5 # Maximum planning iterations
target-rank: 10 # Target plan quality rank
fallback-enabled: true # Enable fallback when planning fails

MCP Client Timeouts (Per Client)

clients:
- name: "weather-services-api"
timeout: "5000" # 5 seconds (configurable)
- name: "flight-services-api"
timeout: "5000" # 5 seconds (configurable)


### 硬编码超时-改进范围(基于配置)

- **LLM计划超时**:120秒
- **计划会话超时**:60秒
- **LLM客户端超时**:5分钟请求,30秒连接
- **架构缓存**:自动使用ConcurrentHashMap
- **HTTP客户端**:带连接池的Java 21 HttpClient

______________________________________________________________________

## 🔧 环境变量引用

### 核心应用程序```bash
export SERVER_PORT=8282
export CLI_MODE=false
export APP_NAME="ai-orchestrator"

LLM API密钥```bash

export OPENAI_API_KEY="sk-your-openai-key"
export ANTHROPIC_API_KEY="sk-ant-your-anthropic-key"
export OLLAMA_BASE_URL="http://localhost:11434"


### 计划器配置```bash
export PLANNER_FALLBACK=true
export PLANNER_MAX_ITERATIONS=5
export PLANNER_TARGET_RANK=10
export STEP_SEPARATOR=","
export PLANNER_PROMPT_PATH=""
export TRANSFORMER_PROMPT_PATH=""

文件路径```bash

export WORKFLOWS_PATH="classpath:workflows/-workflow.yaml"
export MODELS_PATH="/models.yml"
export MCP_CLIENTS_PATH="/mcp-clients.yml"


### 日志记录级别```bash
export PLANNER_LOG_LEVEL=INFO
export ENGINE_LOG_LEVEL=INFO
export WORKFLOW_LOG_LEVEL=INFO
export MCP_SERVICE_LOG_LEVEL=INFO
export SCHEMA_LOG_LEVEL=INFO

🆘 故障排除

常见问题及解决方案

问题 解决方案
Schema not found 验证架构文件是否存在于 resources/schemas/
LLM client not available 检查API密钥和网络连接
Workflow not found 确保工作流YAML在 resources/workflows/
Tool execution failed 验证工具参数和实施
MCP service timeout 检查MCP客户端配置和端点
Planning failed 启用计划回退: PLANNER_FALLBACK=true

健康检查```bash

Check workflow status

curl -X GET "http://localhost:8282/api/workflows/list"

Verify environment variables

echo $OPENAI_API_KEY
echo $ANTHROPIC_API_KEY
echo $OLLAMA_BASE_URL


### 调试步骤

1. **启用调试日志记录**```bash
export PLANNER_LOG_LEVEL=DEBUG
export ENGINE_LOG_LEVEL=DEBUG
export WORKFLOW_LOG_LEVEL=DEBUG

请参阅log4j2.xml -针对不同的组件日志记录级别````

  1. Check Log Files
tail -f logs/ai-orchestrator-**.log````

3. **验证配置**
```bash
# Check YAML syntax
cat src/main/resources/models.yml
cat src/main/resources/mcp-clients.yml

🤝 贡献

我们❤️ 贡献!

  1. 分叉回购
  2. 创建要素分支
  3. 添加Javadoc和测试
  4. 提交PR🚀

📄 许可证

该项目根据 MIT许可证。请参阅 许可证 文件以获取详细信息。


👨‍💻 作者

Ravinderjeet Singh Nagpal\
构建下一代人工智能编排系统。


📊 性能特点

🪶 轻量级架构

  • 无外部AI框架 -自定义HTTP客户端,而不是LangChain4j
  • 较小的JAR大小 -减少约15-20MB,无严重依赖
  • 更快的启动 -无自动配置开销
  • API直接控制 -优化请求/响应处理

支持资源

  • 🔑 验证环境变量配置
  • 📜 验证YAML和模式语法
  • 📖 看 用法.md 详细示例
  • 🐛 启用调试日志记录以进行详细跟踪

🔗 相关项目

  • Spring Boot Java后端框架
  • 模型上下文协议 –MCP规范

⭐ 标记此回购 如果你觉得有帮助的话!您的支持使此项目不断发展🚀
```

常见问题

5 问
答案由本站依据条目字段整理,不引用上游原文
AI Workflow Orchestrator Docs 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

AI Workflow Orchestrator Docs 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

AI Workflow Orchestrator Docs 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

AI Workflow Orchestrator Docs 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

AI Workflow Orchestrator Docs 能提供哪些能力?

资料显示能力标签包括 AI工作流、Spring Boot、模型集成。具体工具清单以官方文档为准。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。