$ loading_
把已部署的 LLMGraph 无代码工作流作为 MCP 工具调用，用于聊天、RAG 与自动化。
复制安装指令，让 AI 自动完成配置 · 推荐新手
请帮我安装 askskill 上的 "io.github.abahocodes/llmgraph" MCP 服务： 执行：claude mcp add 'io-github-abahocodes-llmgraph' -- npx -y @llmgraph/mcp-server
请调用已部署的 LLMGraph 聊天工作流，基于我们的产品信息回答：这个产品适合哪些用户？请输出 3 条要点。
返回由已部署聊天工作流生成的简明回答，概括目标用户群体。
请使用已部署的 LLMGraph RAG 工作流回答：我们的退款政策是什么？如果知识库里有依据，请一并给出。
返回基于知识库检索结果生成的答案，并尽量附上依据内容。
请调用已部署的 LLMGraph 自动化工作流，处理一条新的客户反馈，并输出执行结果摘要。
返回自动化流程的处理结果或摘要，说明任务是否已执行。
开发者可以把已部署的 LLMGraph 无代码工作流暴露为 MCP 工具，让智能助手直接调用聊天、RAG 或自动化能力。这样无需重写核心流程。
研究员或产品团队可以调用已部署的 RAG 工作流，围绕已有知识库进行问答。适合把既有检索增强流程接入新的 AI 使用场景。
当团队已经在 LLMGraph 中配置好自动化流程后，可通过该 MCP 工具从对话里直接触发执行。适合把自然语言入口连接到现有自动化任务。
它用于把已部署的 LLMGraph 无代码大模型工作流作为 MCP 工具调用。原始描述提到支持聊天、RAG 和自动化流程。
根据给定描述，支持 chat、RAG 和 automations。更具体的工作流能力与参数请见源码仓库。
已知前置条件是需要有已部署的 LLMGraph 工作流可供调用。其余安装方式、认证要求或运行环境在给定素材中未说明，见源码仓库。
基于代码与文档构建知识图谱，支持仓库问答与实现方案规划。
基于 NestJS 与 LangGraph 搭建 MCP 服务，执行工具并编排多模型代理工作流。
为 AI 代理提供知识图谱查询与 Shell 委派，提升自动化效率并显著降低 token 消耗。
让大模型代理通过 FastAPI 暴露的 MCP 工具安全编排下游微服务。
通过自然语言调用 Langflow API，快速构建、管理与运行 AI 工作流。
为 AI 提供结构化代码上下文与依赖图，帮助高效理解代码库并减少令牌消耗。