llm-space

可视化调试AI Agent，失败回放+性能评估，一站式搞定。

llm-space 是一款本地优先的桌面应用，用于快速原型设计、调试和评估 AI Agent 应用。它解决了 Agent 开发过程中缺乏可视化调试工具、失败难以复现、性能评估困难等问题。核心能力包括：可视化编排 Agent 的每一步执行过程（harness step），支持失败回放以定位问题，并提供性能评估面板。它兼容本地模型和云端托管 Agent，采用 TypeScript 构建，界面直观，适合从原型到生产前的迭代。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1928

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队deer-flow

所属国家

官网地址https://deer-flow.github.io/llm-space

GitHubhttps://github.com/deer-flow/llm-space

定价模式free

价格说明开源桌面应用，本地优先，完全免费，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言TypeScript

技术栈/模型agent,deer-flow,develop,electrobun,harness,llm,llm-tools,managed-agents

GitHub 星标★ 1928

30天Star增速

HF 下载量

上线时间2026-06-28 00:00:00

最近更新2026-09-23 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：入门约 10 分钟部署方式：本地安装 6 步

环境要求

操作系统：可运行桌面应用的 Windows/macOS/Linux 环境
已安装 Bun（JavaScript 运行时与包管理器，替代 Node.js/npm）
（可选）安装 mise，用于复现 CI 使用的锁定工具链
已安装 Git，用于获取仓库源码

安装与启动步骤

1获取项目源码

从 GitHub 克隆仓库到本地，克隆完成后进入项目根目录，后续命令都在此目录执行。
```
git clone https://github.com/deer-flow/llm-space.git
cd llm-space
```
2安装 Bun 运行时

从源码构建必须先安装 Bun。README 指向 Bun 官方安装指南，按其页面说明完成安装并确认命令可用。
3安装项目依赖

在仓库根目录执行 bun install，安装前端与桌面端的全部 JS 依赖。
```
bun install
```
4（可选）用 mise 装依赖

若想使用 CI 完全一致的工具链，安装 mise 后执行该命令，会按 mise.lock 安装锁定版 Bun 并装好依赖。
```
mise run setup
```
5启动桌面应用

以本地开发模式启动桌面应用，用于调试 Agent 的每一步执行过程。
```
mise run dev
```
6构建 canary 版本

需要打包时执行该命令，产出 canary 发布版本。
```
mise run build:canary
```

如何确认成功

执行 mise run dev 后终端无报错，并弹出 LLM Space 桌面应用窗口，即可开始调试 Agent。

常见问题

Q：必须安装 Bun 吗？

A：是。README 明确说明从源码构建需先装 Bun，它是 Node.js 和 npm 的替代品，安装方式见 Bun 官方安装指南。

Q：不想自己编译怎么办？

A：仓库目录中有 Download 章节，可先访问官网 https://deer-flow.github.io/llm-space/ 或仓库页面获取预构建版本，无需自行编译。

Q：bun install 和 mise run setup 要都执行吗？

A：不必。普通安装执行 bun install 即可；想复现 CI 的锁定工具链，则安装 mise 并执行 mise run setup 代替。

Q：项目用什么语言写的？

A：使用 TypeScript 构建，属于 DeerFlow 的姊妹项目，专注于 Agent 的可视化编排、失败回放与性能评估。

注意事项

README 未给出端口、配置文件或环境变量说明，不要自行添加密钥或修改端口。
开发模式命令为 mise run dev；若未安装 mise，请按 README 指引先完成 mise 安装。
构建产物名称、输出路径 README 未说明，请以实际终端输出为准。

核心亮点

提供 Agent 执行步骤的完整可视化，让黑盒过程透明化。
支持失败回放，能快速定位和复现问题，提升调试效率。
本地优先设计，数据隐私好，同时支持云端 Agent 接入。

不足之处

项目较新，生态和文档可能不够完善。
性能评估功能可能相对基础，深度指标有限。

适用场景

AI Agent 原型快速验证与迭代。
Agent 执行链路的问题排查与失败分析。
对比不同 Agent 配置或模型的性能表现。

替代项目

LangSmith、Langfuse、AgentOps

项目介绍

llm-space 是智能体领域的开源项目，由 deer-flow 开发，是 2026 年新上线的项目。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,928）位列前 30%，在智能体分类中处于中上游。

近 42 天，它的 GitHub 星标从 1,586 增加到 1,928，净增 342。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-23。开源桌面应用，本地优先，完全免费，无付费版本。

它主要面向的使用场景是：AIAgent原型快速验证与迭代。同类可对比的替代方案包括 LangSmith、Langfuse、AgentOps。

上一篇：lemonai

下一篇：awesome-llm-agents