原文：【GitHub每日速递 250916】2053个n8n工作流曝光！365种集成+可视化管理，效率直接拉满
Codebuff：开源AI编码助手，多模型协作胜Claude Code，还能深度自定义！
codebuff 是一个通过终端生成代码的命令行工具。简单讲，它让你在终端里直接用AI生成代码，提升开发效率。适用人群：开发者、程序员
项目地址：https://github.com/CodebuffAI/codebuff
主要语言：TypeScript
stars: 1.3k
核心功能
Codebuff 是一个开源的 AI 编码助手，它可以通过自然语言指令对代码库进行编辑。它不依赖单一模型，而是协调多个专业代理协同工作，以理解项目并进行精确修改。
工作原理
当用户向 Codebuff 提出如“为我的 API 添加身份验证”等需求时，它会调用多个代理：
- 文件探索代理：扫描代码库，了解架构并找到相关文件。
- 规划代理：规划需要更改的文件以及更改顺序。
- 编辑代理：进行精确编辑。
- 审核代理：验证更改是否正确。
这种多代理方法比单模型工具能更好地理解上下文，编辑更准确，错误更少。
安装与使用
CLI
- 安装：
npm install -g codebuff - 运行：进入项目目录（
cd your-project），然后执行codebuff。之后用户只需告诉 Codebuff 需求，如“修复用户注册中的 SQL 注入漏洞”等，它会自动完成文件查找、代码修改，并运行测试确保代码正常。
创建自定义代理
运行 codebuff init-agents 开始构建自定义代理。用户可以编写代理定义文件，通过指定工具、可生成的代理和提示来实现工作流程。还提供了 TypeScript 生成器以实现更多编程控制。例如，git-committer 代理可以根据当前 git 状态创建有意义的提交。
SDK
- 安装：
npm install @codebuff/sdk - 使用：导入客户端并运行代理。可以使用 Codebuff 的基础编码代理执行编码任务，也可以运行自定义代理。
优势
- 深度可定制性：使用 TypeScript 生成器创建复杂的代理工作流，将 AI 生成与编程控制相结合。可以定义自定义代理，生成子代理，实现条件逻辑并编排复杂的多步骤流程，以适应特定用例。
- 支持 OpenRouter 上的任何模型：与 Claude Code 不同，Codebuff 支持 OpenRouter 上的所有模型，包括 Claude、GPT 以及 Qwen、DeepSeek 等专业模型。用户可以根据不同任务切换模型，无需等待平台更新即可使用最新版本。
- 可复用已发布的代理：可以组合现有的已发布代理，加快开发进程。
- 完全可定制的 SDK：使用完整的 TypeScript SDK 将 Codebuff 的功能直接集成到应用程序中。可以创建自定义工具，与 CI/CD 管道集成，构建 AI 驱动的开发环境，或在产品中嵌入智能编码辅助功能。
应用场景
- 代码修复：如修复 SQL 注入漏洞、改进性能等。
- 功能添加：为 API 添加身份验证、速率限制等功能。
- 代码重构：对数据库连接代码等进行重构。
- 开发环境集成：通过 SDK 将智能编码辅助功能集成到开发环境或产品中。
ROMA框架：递归分层让多智能体系统搭建超简单，还自带多领域预建智能体！
ROMA 是一个基于递归开放元代理架构的多智能体系统框架。简单讲，它是一个能让你搭建多个AI智能体协同工作的工具，这些智能体可以互相调用、自我优化，完成复杂任务。适用人群：AI研究人员、多智能体系统开发者、对自动化协作系统感兴趣的工程师。
项目地址：https://github.com/sentient-agi/ROMA
主要语言：Python
stars: 1.7k
项目简介
ROMA是一个元代理框架，使用递归层次结构来解决复杂问题。它能将任务分解为可并行化的组件，使代理能够应对复杂的推理挑战，同时保持透明度，便于进行上下文工程和迭代。该框架具有并行问题解决、透明开发和经过验证的性能等特点，是一个开源且可扩展的平台，适合社区驱动开发。
核心功能
- 递归任务处理：通过递归的计划 - 执行循环处理任务，包括Atomizer（判断任务是否原子）、Planner（将任务分解为子任务）、Executors（处理原子任务）和Aggregator（集成子任务结果）。
- 信息流动清晰：任务自上而下递归分解，子任务结果自下而上聚合，有依赖关系的子任务按顺序执行。
- 多类型执行器支持：执行器可以是大语言模型（LLMs）、API 或其他代理，只要实现
agent.execute()接口即可。
技术栈
- 框架：基于 AgnoAgents 构建。
- 后端：使用 Python 3.12+ 搭配 FastAPI/Flask。
- 前端：采用 React + TypeScript 并支持实时 WebSocket。
- LLM 支持：通过 LiteLLM 支持任何提供商。
- 数据持久化：企业级 S3 挂载，具备安全验证、零延迟文件访问、路径注入保护、AWS 凭证验证和动态 Docker Compose 安全卷挂载等功能。
- 代码执行：使用 E2B 沙箱进行统一 S3 集成。
- 安全保障：具备生产级验证和错误处理。
- 其他特性：支持多模态、工具、MCP、钩子和缓存。
安装选项
- 快速启动：运行
./setup.sh，可选择 Docker 或本地安装。还可通过./setup.sh --e2b进行 E2B 沙箱集成，使用./setup.sh --test-e2b测试集成。 - 命令行选项：提供多种命令行参数，如
-docker、-docker-from-scratch、-native等。 - 手动安装：详细说明见 setup docs。
预构建代理
- 通用任务解决器：由 ChatGPT Search Preview 驱动，可处理各种任务，适用于一般研究、事实核查等。
- 深度研究代理：将复杂研究问题分解为子任务，支持并行信息收集和多源集成，适用于学术研究、市场分析等。
- 加密货币分析代理：具备区块链和 DeFi 专业知识，集成多个金融 API，适用于代币研究、投资组合分析等。
优势特点
- 递归任务分解：自动将复杂任务分解为可管理的子任务，并智能管理依赖关系，可并行运行独立子任务。
- 代理无关性：通过统一接口与任何提供商（如 OpenAI、Anthropic、Google 或本地模型）配合使用，只要有
agent.run()命令即可。 - 完全透明：阶段跟踪可显示每个步骤的具体情况，便于调试和优化。
- 工具集成：可无缝集成外部工具和协议，包含 E2B、文件读写等生产级连接器。
基准测试
对使用 ROMA 的简单搜索系统 ROMA - Search 进行了 SEAL - 0、FRAMES 和 SimpleQA 三个基准测试，并展示了相应的性能图表。
应用场景
- 研究领域：如学术研究、市场分析、竞争情报收集等。
- 信息收集：包括一般研究、事实核查、快速信息收集等。
- 金融分析：如代币研究、投资组合分析、DeFi 协议评估等。
- 创意项目：例如创意项目的规划和执行。
2053个n8n工作流大集合！高性能文档系统+智能分类，工作流管理新革命！
n8n-workflows 是一个收集整理 n8n 自动化工作流的资源库。简单讲，就是把各种现成的自动化流程打包分享，帮你快速上手 n8n 工具。适用人群：自动化工具爱好者、低代码开发者、效率工程师
项目地址：https://github.com/Zie619/n8n-workflows
主要语言：HTML
stars: 29.2k
该仓库是一个专业组织的n8n工作流集合，拥有2053个n8n工作流，还配备了闪电般快速的文档系统，具备即时搜索、分析和浏览功能。以下是对该仓库的详细介绍：
核心特点
- 高性能文档系统：相比传统文档系统，性能提升100倍。响应时间低于100毫秒，支持即时全文搜索和高级过滤，具备响应式设计，适配移动设备，有暗/亮主题，能实时显示统计信息，可智能分类和按需查看、下载JSON，还能生成Mermaid图表进行工作流可视化，实时智能命名工作流。
- 工作流集合优势：2053个工作流有有意义且可搜索的名称，涵盖365种独特集成，共29445个节点并经过专业分类，所有工作流都经过分析和分类。
- 先进命名系统：能将技术文件名转换为易读标题，实现100%有意义的名称和智能大小写，还可自动检测集成。
- 用例分类：通过自动化脚本对工作流按服务类别进行分类，用户可在搜索界面按类别筛选，方便找到特定用例的工作流。
性能对比
| 指标 | 旧系统 | 新系统 | 改进 |
|---|---|---|---|
| 文件大小 | 71MB HTML | <100KB | 小700倍 |
| 加载时间 | 10+秒 | <1秒 | 快10倍 |
| 搜索 | 仅客户端 | 全文FTS5搜索 | 即时 |
| 内存使用 | ~2GB RAM | <50MB RAM | 少40倍 |
| 移动支持 | 差 | 优秀 | 完全响应式 |
工作流统计信息
- 当前集合统计：共2053个自动化工作流，215个活跃工作流（活跃率10.5%），29445个总节点（平均每个工作流14.3个节点），365种不同服务和API，使用SQLite数据库并支持FTS5全文搜索。
- 触发分布：复杂触发（多触发系统）831个工作流（40.5%）；Webhook触发（API触发自动化）519个工作流（25.3%）；手动触发（用户发起工作流）477个工作流（23.2%）；定时触发（基于时间执行）226个工作流（11.0%）。
- 复杂度分析：低复杂度（≤5个节点）约占35%；中等复杂度（6 - 15个节点）约占45%；高复杂度（16+个节点）约占20%。
- 热门集成：通信类有Telegram、Discord等；云存储类有Google Drive、Google Sheets等；数据库类有PostgreSQL、MySQL等；AI/ML类有OpenAI、Anthropic等；开发类有HTTP Request、Webhook等。
技术架构
- 现代栈：采用SQLite数据库进行FTS5全文搜索，有FastAPI后端提供RESTful API和自动OpenAPI文档，前端是现代HTML5并嵌入CSS/JavaScript，具备智能分析功能，可自动对工作流进行分类和命名。
- 关键特性：通过MD5哈希实现变更检测以高效重新索引，支持后台处理实现非阻塞工作流分析，使用Gzip中间件压缩响应以优化速度，有强大的错误处理和全面日志记录，界面针对移动设备优化。
- 数据库性能：数据库表结构经过优化，支持快速查询，还创建了虚拟表用于全文搜索和排名。
使用说明
- 现代快速系统（推荐）：克隆仓库，安装Python依赖，启动文档服务器，然后在浏览器中访问
http://localhost:8000，可进行即时搜索、查看专业响应式界面和实时工作流统计信息。 - 开发模式：可使用
-dev参数启动自动重载，也可指定自定义主机和端口，还能使用-reindex参数强制数据库重新索引。 - 导入工作流到n8n：可使用Python导入器，也可手动导入单个工作流，但需在运行前更新凭据和Webhook URL。
API文档
- 核心端点：提供了主工作流浏览器界面、数据库统计信息、工作流搜索、详细信息查看、下载、生成Mermaid图表等接口。
- 高级搜索：支持按服务类别搜索、列出可用类别、获取集成统计信息和触发后台重新索引等功能。
贡献方式
- 添加新工作流：从n8n导出工作流为JSON，按既定模式命名，添加到
workflows/目录，移除敏感数据，运行重新索引更新数据库。 - 质量标准：工作流必须功能正常且经过测试，移除所有凭据和敏感数据，遵循命名约定，验证与最新n8n版本的兼容性，包含有意义的描述或注释。
重要注意事项
- 安全与隐私：使用前需审查工作流，更新凭据，在开发环境中安全测试，检查集成的访问权限。
- 兼容性：大多数工作流与n8n 1.0+兼容，部分工作流可能需要额外的节点安装，外部服务的API可能已更新，导入前需验证依赖项。
资源与参考
- 工作流来源：包括官方n8n.io的文档和社区示例、GitHub仓库的开源社区贡献、博客文章和教程中的实际自动化模式、用户提交的测试和验证过的工作流以及企业用例的业务流程自动化。
- 学习资源：提供了n8n官方文档、社区论坛、官方模板库和集成文档的链接。
OpenPI开源机器人模型来袭！多类型模型、多平台支持，解锁机器人无限可能
openpi 是一个实现物理智能与机器人控制的开源框架。简单讲，它让机器人通过模拟真实物理环境来学习和优化动作。适用人群：机器人研发人员、AI研究人员
项目地址：https://github.com/Physical-Intelligence/openpi
主要语言：Python
stars: 7.3k
仓库概述
openpi 是由 Physical Intelligence team 发布的一个用于机器人的开源模型和包的仓库，提供了多种视觉语言动作模型（VLA），可用于机器人的推理和微调。
核心功能
- 多种模型支持：包含 π₀、π₀ - FAST 和 π₀.₅ 三种类型的模型。π₀ 是基于流的 VLA 模型；π₀ - FAST 是基于 FAST 动作分词器的自回归 VLA 模型；π₀.₅ 是 π₀ 的升级版，在开放世界中具有更好的泛化能力。
- 预训练模型和微调支持：提供了预训练的基础模型检查点，可用于微调。同时，也提供了针对不同机器人平台和任务的微调模型检查点，可直接在目标机器人上运行。
- 推理和微调示例：提供了预训练模型推理和微调的代码示例，方便用户快速上手。
- PyTorch 支持：除了原有的 JAX 版本，还提供了 π₀ 和 π₀.₅ 模型的 PyTorch 实现。
代码架构特点
- 模块化设计：通过配置文件管理数据处理和训练参数，方便用户根据自己的需求进行定制。
- 易于扩展：提供了详细的示例代码和文档，用户可以根据自己的数据集和任务进行扩展。
优势
- 丰富的模型选择：提供多种类型的模型，满足不同用户的需求。
- 预训练模型和微调支持：节省了用户的训练时间和资源。
- 详细的文档和示例：方便用户快速上手和进行二次开发。
- PyTorch 支持：增加了模型的可扩展性和兼容性。
可能的应用场景
- 机器人操作：如抓取、搬运等任务。
- 机器人导航：根据环境信息和语言指令进行导航。
- 机器人学习：作为基础模型进行进一步的研究和开发。
环境要求
- GPU 要求：运行模型需要 NVIDIA GPU，不同模式对内存的要求不同，具体如下：
- 推理：> 8 GB，如 RTX 4090。
- 微调（LoRA）：> 22.5 GB，如 RTX 4090。
- 微调（Full）：> 70 GB，如 A100 (80GB) / H100。
- 操作系统：仅支持 Ubuntu 22.04。
安装步骤
- 克隆仓库并更新子模块：
git clone --recurse-submodules git@github.com:Physical-Intelligence/openpi.git
# 或者如果你已经克隆了仓库
git submodule update --init --recursive- 使用
uv管理 Python 依赖：
GIT_LFS_SKIP_SMUDGE=1 uv sync
GIT_LFS_SKIP_SMUDGE=1 uv pip install -e .- 也可以使用 Docker 进行安装，具体步骤见 Docker Setup。
模型检查点
- 基础模型：提供 π₀、π₀ - FAST 和 π₀.₅ 的基础模型检查点，可用于微调。
- 微调模型：提供针对不同机器人平台和任务的微调模型检查点，可直接在目标机器人上运行。
推理和微调示例
- 推理：提供了预训练模型推理的代码示例，可在 example notebook 中进行测试。
- 微调：以在 LIBERO 数据集 上微调 π₀.₅ 模型为例，详细介绍了数据转换、训练配置和推理的步骤。