Новый проект
deer-flow/llm-space
Настольная среда для создания, трассировки, отладки и оценки LLM-агентов с локальным хранением потоков, настроек и ключей.
- Stars
- ★ 1.7k ↗ +111 за 7 дней
- Forks
- ⑂ 182
- Язык
- TypeScript
- Статус
- В канале 1 янв. 1 г.
AI-разбор
LLM Space — настольное приложение для разработчиков, которые создают и проверяют приложения на базе LLM-агентов. Оно позволяет версионировать промпты, системные сообщения, инструменты и параметры моделей, наблюдать каждый вызов модели и запуск инструмента внутри агентского цикла, а затем воспроизводить прошлые запуски для поиска ошибок. В проект входят общий пакет с типами, логикой агентного цикла и хранением потоков, а также настольное приложение на Electrobun с интерфейсом React, Tailwind CSS и shadcn/ui. Для построения агентов используется Pi Agent Core, а отдельный режим генерации помогает создавать промпты и инструменты и превращать поток в запускаемого агента LangGraph. Данные и ключи API хранятся на локальном компьютере, однако приложение собирает ограниченный объём анонимных данных об использовании; поддерживаются только macOS, версии для Apple Silicon и Intel.
Разработчики LLM-приложений, инженеры по агентным системам, исследователи и команды, которым нужны локальная среда для прототипирования, детальной диагностики и сравнительной оценки поведения агентов.
Что внутри
- Создание и версионирование промптов, системных сообщений, инструментов и настроек моделей.
- Трассировка каждого вызова модели и запуска инструмента в процессе работы агента.
- Воспроизведение запусков из истории и пошаговая отладка сбоев.
- Оценка производительности агента между разными запусками.
- Локальное хранение потоков в виде файлов и сохранение данных между редакциями приложения.
- Генерация промптов и инструментов с помощью ИИ, включая экспорт потока в запускаемого агента LangGraph.
Где применять
- Разработка прототипов LLM-агентов и быстрый подбор промптов, инструментов и параметров моделей.
- Поиск причин сбоев в агентском цикле с помощью трассировки и повторного пошагового запуска.
- Сравнение качества и производительности агента на серии тестовых запусков.
- Отладка и развитие DeerFlow и других приложений, использующих агентные сценарии.
- Локальная работа с потоками и ключами API на компьютерах разработчиков macOS.
Темы