在AI大模型技术迅猛发展的当下，"智能体（Agent）"已从概念走向企业实际应用，成为破解流程效率瓶颈、打通系统数据壁垒的核心工具。
而企业级智能体平台的选型，往往陷入『开源灵活但不稳定』与『商业可靠但成本高』的两难。
但讯飞星辰开源的 astron-agent（星辰Agent） ——这款号称"企业级、商业友好"的Agentic Workflow开发平台，可完美解决这些难题。
它有几个特别硬的点：
- • 商业友好 Apache 2.0 协议，企业上来就能用
- • 真实企业级能力：高可用、集群、模型统一管理、权限、监控…全都具备
- • 工具生态丰富，RPA 原生融合
- • 图形化编排 + 代码并存，既适合企业，也适合我这种个人开发者
我不想每次写几百行 Python 代码来进行功能实现、联调执行，但一个可视化界面对生产力提升就非常明显了。
通过最直观的拖拽节点+连线方式，就能快速构建可落地的 Agent 应用，同时还能利用第三方插件、知识库、数据库来增强 Agent 能力。
下面我们直接上手来看一看，通过项目部署+Agent搭建看看 astron-agent 是否能轻松跑通。
安装指南
astron-agent本地部署是完全没问题的，推荐基于Docker的方式可快速搭建：
# 克隆项目
git clone https://github.com/iflytek/astron-agent.git
# 进入 astronAgent 目录
cd docker/astronAgent
# 复制环境变量配置
cp .env.example .env
# 环境变量配置
vim .env
然后就可以在 .env 文件中找到 PLATFORM\_APP\_ID 等配置项，将其修改为你自己的配置信息即可。
相关的配置信息用户可以自行去讯飞开放平台申请即可，如果之前申请过即可直接更新到环境变量中即可。
上述环境变量信息也可以参考以下文档找到：
https://www.xfyun.cn/doc/platform/quickguide.html
这些准备工作完成以后，执行以下Docker命令启动所有服务（包括了 Casdoor 认证服务 ）：
docker compose -f docker-compose-with-auth.yaml up -d
整个拉取镜像的过程可能需要些时间，过程中也可能拉取失败，多执行几次继续拉取，Docker 会自动跳过已经拉取成功的镜像。
待所有容器服务都启动完成后，我们接下来就可以通过http://localhost/ 来访问 Web 服务，其中默认登录用户名为 admin，默认密钥为 123。（ http://localhost:8000 为Casdoor认证服务站点）
登录之后，我们就能看到『星辰Agent』的控制台页面了。
这就是在本地或服务器部署完成后的正式界面。
如果需要启动 RagFlow 知识库服务和修改 Casdoor 身份验证，更多信息请参考以下链接：
https://github.com/iflytek/astron-agent/blob/main/docs/DEPLOYMENT\_GUIDE\_zh.md
搭建智能体工作流
在正式使用 Astron-Agent 之前，我们还需要添加大模型 ，才能正常使用。
点击页面左侧的『模型管理』 ，然后点击页面右上角的『新建模型』 添加新模型。（这里可添加任何兼容 OpenAPI 的模型供应商。）
这里我先以DeepSeek V3大模型为例【大家如果想接入讯飞星辰自家的大模型API，可以到讯飞星辰 MaaS 平台上申请免费额度（或讯飞星辰开放平台获取）】，然后填写以下必填信息即可：
点击『提交』，就能看到刚提交的模型已经添加成功了，后续在构建智能体/工作流时就能使用该模型了。
既然最关键的大模型已经就绪了，我们就可以通过 Astron Agent 平台来正式构建应用了。
之前，我不论是在工作过程中还是学习新知识时，都会书写一些临时的学习笔记/工作记录，但是时间一久不仅查找困难，理解当时记得那些内容更是头大。
所以如果能将这些零散的『学习笔记/工作记录』组织成系统化的知识结构，更容易理解和记忆。
关键流程节点如下：
- • 解析原始笔记文本
- • 核心LLM Agent，重构笔记内容
- • 生成结构化的知识卡片
工作流如下 ：
用户输入原始笔记 -> 借助AI大模型重构笔记，并输出指定格式-> 定义卡片模板，填充内容 -> 输出知识卡片
这里就借助 Astron Agent 平台 帮助我们搭建一个学习笔记&工作记录整理为结构化知识卡片的工作流。
首先点击左侧菜单栏的『创建』 按钮，在弹出的悬浮窗口中我们选择进阶的『工作流创建』 。
这种工作流采用了"可视化流程编排+低代码配置"模式，支持拖拽操作，通过连线来进行上下流程的联动，从而完成流程设计，灵活性非常高。
对于高级开发者，平台还支持自定义节点开发，通过Java或Python编写节点逻辑，打包后上传至平台即可复用，兼顾了低代码的效率和定制化的灵活性。
点击**『工作流创建』** 后，可以选择自定义创建，也可以导入我创作好的工作流直接使用。
我这里选择『自定义创建』，然后会跳转到『工作流编排』界面，你可以通过左侧的工具、大模型、知识库、插件 等各种节点，拖动到右侧画布中进行编辑、连线，从而完成你想要实现的 AI 应用的业务逻辑。
整个流程通过一段时间搭建+调试已经跑通了，如果遇到问题我们可以通过右上角『调试』按钮测试整个工作流，也可以点击单个节点，测试某个节点是否能正常工作。
所有节点中主要还是大模型节点的，需配置好大模型、用户提示词（或系统提示词）以及输出参数。
而后在结束节点根据事先设计调试好的知识卡片模板 进行相关输出变量填充。
最终呈现效果如下：
工作流一切调试完毕后，还可以将其发布到智能体广场或发布为智能体API。（像我这个就不适合发布为API，就直接发布为智能体）
然后所有人就都可以在智能体广场上看到并使用你发布的智能体。
整个过程非常简单，只需要拖拽填写一些必要参数，就能实现。当然我这个工作流还是偏简单的，特容易上手。如果你不想这样来来回回一步步拖拽、填写参数及指令，也可以直接导入我编排好的工作流，直接导入.yml 文件即可。
相关的工作流文件搭建成果已经开源，其源文件存放在 docker/astronAgent 文件夹下。
写在最后
通过 Astron-Agent 搭建及实际Agent体验，可以发现如今开发AI应用不止于开发者群体，即使是编程小白也可轻松上手，并创作出不弱于高级开发工程师的应用。
作为一款企业级开源Agent平台，Astron-Agent的出现会使其生态更加丰富，模型支持、工具集成、行业模板等方面将持续完善。
对于企业而言，选择Astron-Agent不仅是引入一款工具，更是接入一个可持续进化的AI基座，能够快速响应业务变化，实现智能体的规模化落地。
当然它也有可优化的地方，比如目前内置的智能体、插件模板还比较少。但作为刚开源不久的项目，能有这样的完成度已经非常惊艳。
最后再放一次Astron-Agent项目地址：
GitHub：https://github.com/iflytek/astron-agent
感兴趣的朋友或你的团队有相关需求，可以去试试，相信会和我一样被它的实力圈粉！
如果本文对您有帮助，也请帮忙点个 赞👍 + 在看 哈！❤️
在看你就赞赞我！