llmflows

像画流程图一样构建 LLM 应用，每一步都清晰可控。

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署基础设施 🍴 复刻 35 🐛 待处理 19 👀 关注 10

GitHub ↗

GitHub 星标 ★ 709

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，可自行部署使用。

项目预览

项目数据

分类基础设施

开发团队stoyan-stoyanov

GitHubhttps://github.com/stoyan-stoyanov/llmflows

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型ai,chatgpt,gpt-4,llm,llm-inference,llmops,llms,machine-learning,openai,prompt-engineering,python,question-answering,vector-database

GitHub 星标★ 709

上线时间2023-06-26 00:00:00

代码更新2025-02-20

仓库体积37.0 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数4

项目介绍

LLMFlows 是一个用于构建大型语言模型（LLM）应用的 Python 框架，强调简单、明确和透明。它解决了 LLM 应用开发中常见的复杂性和不可控性问题，通过提供显式的数据流图和清晰的执行流程，让开发者能够精确控制提示词、模型调用和输出处理。核心能力包括：基于数据流的应用编排，支持链式调用和并行执行；内置提示词模板和变量管理；提供详细的执行日志和调试信息，增强应用的可观测性；支持与主流 LLM（如 OpenAI）集成，并预留了扩展接口。它适合需要精细控制 LLM 行为的开发者，帮助构建可维护、可测试的 LLM 应用。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 709

技术标签

ai chatgpt gpt-4 llm llm-inference

使用教程

难度：入门约 25 分钟部署方式：本地安装 4 步

环境要求

Python 3.9+
任一模型服务的 API Key

安装与启动步骤

1安装框架

纯 Python 包，没有额外系统依赖，虚拟环境里装完就能导入。
```
pip install llmflows
```
2配置模型密钥

框架本身不带模型，密钥通过环境变量注入，代码里只引用变量名，别写死在仓库里。
```
export OPENAI_API_KEY=sk-xxx
```
3定义 FlowStep

一个 FlowStep 就是一次模型调用加一段提示词模板，输入输出用字典串起来。
4串成 Flow 并运行

把多个 Step 按顺序接起来跑一遍，跑通后再加分支和并行。
```
python flow_demo.py
```