简介
做 AI Agent 开发最头疼的几件事：调 prompt 调到想砸键盘、工作流出问题不知道挂在哪一步、对着 JSON 输出找 bug 找到眼瞎。PySpur 就是冲着这些痛点来的——一个可视化的 Agent 构建平台，拖拖拽拽就能搭工作流，迭代起来确实快不少。
核心功能
可视化编辑器：拖拽式界面，不用手写配置文件。每个节点的输入输出都能看到，调试比 print 大法省事多了。
一键部署：工作流搭完点一下就能发布成 API，云端本地都行。
人工审批节点：可以设置断点，等真人确认后才继续跑。适合内容审核、关键决策这类场景。
多模态处理：视频、图片、音频、文本、代码都能处理。
RAG 套件：文档解析、分块、向量化、向量库管理都有，搭知识库 Agent 比较方便。
循环调用：工作流里能写循环，Agent 可以反复调工具直到任务完成，不用自己写递归。
评估系统：用真实数据测 Agent 表现，有量化指标，不用靠"感觉好像行了"来判断。
100 多个 LLM 接入：OpenAI、Claude、国产模型都支持，换模型就是选个下拉框的事。
价格方案
| 方案 | 价格 | 说明 |
|---|---|---|
| 开源版 | 免费 | 全功能，自托管，Apache 2.0 许可证 |
| 云服务版 | 待公布 | 官方托管，定价还没出来 |
PySpur 是完全开源的，代码在 GitHub 上，自己部署不花一分钱。
官网链接：PySpur →
优缺点
| 优点 | 缺点 |
|---|---|
| 开源免费，代码能审计 | 中文资料少 |
| 调试体验不错 | 自己部署得有运维能力 |
| 支持的 LLM 厂商多 | 社区还在成长期 |
| Python 扩展方便 | 云托管版定价没出 |
| RAG、评估、部署都有 | 刚接触的人上手有门槛 |
适合谁用
推荐：
- 在做 AI Agent 的工程师
- 需要可视化调试复杂流程的团队
- 想私有化部署的企业
- 不想被单一 LLM 厂商绑定的开发者
不太适合：
- Python 都没写过的新手
- 只需要简单 Chatbot 的场景
- 不想折腾服务器的用户
使用教程
pip 安装（最快）
pip install pyspur
pyspur init my-project
cd my-project
pyspur serve --sqlite
打开 http://localhost:6080 就能看到编辑器界面。
Docker 部署
git clone https://github.com/PySpur-Dev/pyspur.git
cd pyspur
docker compose -f docker-compose.dev.yml up --build -d
上手流程
- 在 “API Keys” 里添加模型密钥（OpenAI 或其他）
- 点 “New Spur” 创建工作流
- 从左侧拖节点进来，连线
- 点运行，看每个节点的输出
- 根据结果调 prompt 或配置
- 测通了就部署成 API
实战案例：智能客服 Agent
一个客服 Agent 工作流大概长这样：
- 意图识别节点——调用 LLM 判断用户问什么
- 知识库检索——从向量库搜相关文档
- 回答生成——结合检索结果写回复
- 人工审核——低置信度的走人工审批
- 输出——返回答案
全程不用写代码，拖拽连线就行，哪一步出问题直接看节点输出就能定位。
总结
PySpur 是开源免费的，不存在"购买"这回事。但要考虑：
- 自己部署有服务器成本和维护时间
- 熟悉界面和概念大概需要 2-3 小时
- LLM API 调用费是主要支出
如果你的团队在搭 AI Agent，特别是那种步骤多、需要反复调试的，PySpur 值得花时间看看。开源免费加功能完整，同类工具里很难找到更好的了。
官网：PySpur → GitHub：PySpur-Dev/pyspur →