fim-ai/fim-one

[!TIP] ☁️ Überspringen Sie die Einrichtung — testen Sie FIM One in der Cloud. Eine verwaltete Version ist unter cloud.fim.ai verfügbar — kein Docker, keine API-Schlüssel, keine Konfiguration. Melden Sie sich an und beginnen Sie innerhalb weniger Sekunden, Ihre Systeme zu verbinden. Früher Zugriff, Feedback willkommen.

https://github.com/user-attachments/assets/8a0e1136-ffbc-4950-86bd-b2f8884214af

---

Übersicht

Große Unternehmen betreiben eine Vielzahl von Systemen, die nicht miteinander kommunizieren — ERP, CRM, OA, HR, Finanzen, Datenbanken, IM-Plattformen in verschiedenen Regionen. FIM One ist die All-in-One-Agent-Plattform, die jedes System, das Sie bereits betreiben, mit einem Agent-Kern verbindet — globale SaaS auf der einen Seite, der vollständige China-Stack (Feishu, WeCom, DingTalk, DM, Kingbase usw.) auf der anderen. Ein Gehirn. Jedes System. Global SaaS × China Stack.

Modus	Was es ist	Zugriff
Standalone	Universeller KI-Assistent — Suche, Code, KB	Portal
Copilot	KI eingebettet in die Benutzeroberfläche eines Host-Systems	iframe / widget / embed
Hub	Zentrale KI-Orchestrierung über alle verbundenen Systeme	Portal / API

graph LR
    ERP <--> Hub["🧠 FIM One Agent Core"]
    Database <--> Hub
    Lark <--> Hub
    Hub <--> CRM
    Hub <--> OA
    Hub <--> API[Custom API]

Screenshots

Dashboard — Statistiken, Aktivitätstrends, Token-Nutzung und schneller Zugriff auf Agenten und Gespräche.

Agent Chat — ReAct-Reasoning mit mehrstufigen Tool-Aufrufen gegen eine verbundene Datenbank.

DAG Planner — LLM-generierter Ausführungsplan mit parallelen Schritten und Live-Statusverfolgung.

Demo

Agenten verwenden

Planer-Modus verwenden

Schnelleinstieg

Docker (empfohlen)

git clone https://github.com/fim-ai/fim-one.git
cd fim-one

cp example.env .env
# Edit .env: set LLM_API_KEY (and optionally LLM_BASE_URL, LLM_MODEL)

docker compose up --build -d

Öffnen Sie http://localhost:3000 — beim ersten Start erstellen Sie ein Admin-Konto. Das war's.

docker compose up -d          # start
docker compose down           # stop
docker compose logs -f        # view logs

Lokale Entwicklung

Voraussetzungen: Python 3.11+, uv, Node.js 18+, pnpm.

git clone https://github.com/fim-ai/fim-one.git && cd fim-one

cp example.env .env           # Edit: set LLM_API_KEY

uv sync --all-extras
cd frontend && pnpm install && cd ..

./start.sh dev                # hot reload: Python --reload + Next.js HMR

Befehl	Was wird gestartet	URL
./start.sh	Next.js + FastAPI	localhost:3000 (UI) + :8000
./start.sh dev	Dasselbe, mit Hot Reload	Dasselbe
./start.sh dev:api	Nur API, Entwicklungsmodus (Hot Reload)	localhost:8000
./start.sh dev:ui	Nur Frontend, Entwicklungsmodus (HMR)	localhost:3000
./start.sh api	FastAPI nur (headless)	localhost:8000/api

Für die Produktionsbereitstellung (Docker, Reverse Proxy, unterbrechungsfreie Updates) siehe das Deployment-Handbuch.

Hauptfunktionen

Grenzüberschreitende Konnektivität

• Drei Bereitstellungsmodi — Eigenständiger Assistent, eingebetteter Copilot oder zentraler Hub – derselbe Agentenkern.
• Jedes System, ein Muster — APIs, Datenbanken und MCP-Server verbinden. Aktionen werden automatisch als Agent-Tools registriert, einschließlich Authentifizierungsübergabe. Meta-Tools zur progressiven Offenlegung reduzieren den Token-Verbrauch über alle Tool-Typen hinweg um mehr als 80 %.
• Datenbank-Connectoren — PostgreSQL, MySQL und in China verbreitete Unternehmensdatenbanken (DM, KingbaseES, HighGo), die von den meisten globalen Plattformen nicht erreicht werden können. Schema-Introspektion und KI-gestützte Annotation.
• Drei Wege zum Erstellen — OpenAPI-Spezifikation importieren, Builder per KI-Chat verwenden oder MCP-Server direkt verbinden.

Planung & Ausführung

• Dynamische DAG-Planung — LLM zerlegt Ziele zur Laufzeit in Abhängigkeitsgraphen. Keine hartcodierten Workflows.
• Parallele Ausführung — Unabhängige Schritte laufen parallel via asyncio; automatische Neuplanung bis zu 3 Runden.
• ReAct-Agent — Strukturierte Reasoning-and-Acting-Schleife mit automatischer Fehlerwiederherstellung.
• Agent-Harness — Produktionsreife Ausführungsumgebung: ContextGuard für 5-schichtige Token-Budget-Verwaltung, Progressive-Disclosure-Meta-Tools zur Kontrolle der Tool-Oberfläche und Self-Reflection-Schleifen zur Bekämpfung von Zieldrift.
• Hook-System — Deterministische Durchsetzung außerhalb der LLM-Schleife. Erste Implementierung: FeishuGateHook sperrt sensible Tool-Aufrufe hinter einer manuellen Genehmigungskarte, die in eine Feishu-Gruppe gepostet wird. Erweiterbar auf Audit-Logging, Read-Only-Mode-Guards und Rate Limits (v0.9).
• Content-Guardrails — Dreischichtige Sicherheit: Tool-Permission-Hooks (Aktionen), Credential-/SSRF-/MCP-Auth-Checks (Protokolle) und Content-Guardrails (Ein-/Ausgabetext). Standard-Jailbreak-Phrase-Detektor bricht die Runde ab, bevor der LLM aufgerufen wird, spart Token und zeigt eine klare Blockierungsmitteilung im Chat. Output-Guardrails optional via FIM_GUARDRAILS_OUTPUT.
• Auto-Routing — Klassifiziert Anfragen und leitet zum optimalen Modus weiter (ReAct oder DAG). Konfigurierbar via AUTO_ROUTING.
• Extended Thinking — Chain-of-Thought für OpenAI o-Serie, Gemini 2.5+, Claude.
• Prompt-Cache-Observability — Anthropic Prompt-Cache read/create Token-Zählungen pro Runde erfasst, in der Chat-done-Payload angezeigt und protokolliert, damit Operatoren Cache-Hits verifizieren und Relaystationen erkennen können, die den Rabatt nicht berücksichtigen.

Workflow & Tools

• Visual workflow editor — 12 node types, drag-and-drop canvas (React Flow v12), import/export as JSON.
• Smart file handling — Hochgeladene Dateien werden automatisch in den Kontext eingebunden (klein) oder können bei Bedarf über das Tool read_uploaded_file gelesen werden. Intelligente Dokumentverarbeitung: PDF-, DOCX- und PPTX-Dateien erhalten Vision-fähige Verarbeitung mit Extraktion eingebetteter Bilder, wenn das Modell Vision unterstützt. Der intelligente PDF-Modus extrahiert Text aus textreichen Seiten und rendert gescannte Seiten als Bilder.
• Universal document conversion — Das integrierte Tool convert_to_markdown konvertiert PDF / Word / Excel / PowerPoint / HTML / Bilder / Audio / Outlook .msg / EPUB / YouTube-Transkripte in sauberes Markdown über Microsoft MarkItDown. Vision-fähige LLMs führen OCR auf eingebetteten Bildern und gescannten Seiten durch — funktioniert mit Claude, Gemini, Bedrock und jedem von LiteLLM unterstützten Provider, ohne Provider-spezifischen Adapter-Code.
• Pluggable tools — Python, Node.js, Shell-Ausführung mit optionalem Docker-Sandbox (CODE_EXEC_BACKEND=docker).
• V4A patch editing — Über find_replace hinaus können Agenten Zeilen-Hunk-Patches mit unscharfer Whitespace-Anpassung über file_ops.apply_patch anwenden — robust für mehrzeilige Änderungen, wo exakte Substring-Übereinstimmung fehleranfällig wäre.
• Full RAG pipeline — Jina embedding + LanceDB + hybrid retrieval + reranker + inline [N] citations. Vision-fähige Ingestion leitet gescannte PDFs und in Office eingebettete Bilder durch das Standard-Vision-LLM des Arbeitsbereichs zur OCR.
• Tool artifacts — Rich outputs (HTML previews, files) rendered in-chat.

Messaging Channels (v0.8)

• Org-scoped IM bridge — BaseChannel Abstraktion für ausgehende Nachrichten über Slack, Microsoft Teams, Discord, Feishu (Lark), WeCom und DingTalk. Erste Implementierung wird mit Feishu ausgeliefert; Slack / Teams / WeCom / Email stehen auf der v0.9 Roadmap.
• Fernet-verschlüsselte Anmeldedaten — App-Secrets und Verschlüsselungsschlüssel sind im Ruhezustand verschlüsselt; jeder eingehende Callback ist signaturverifiziert.
• Interaktive Genehmigungskarten — Channel-native GateHook (heute Feishu, nächstes Slack/Teams) postet eine Approve / Reject Karte in Ihre Gruppe, wenn ein sensitiver Tool-Aufruf ausgelöst wird; das Tool blockiert, bis ein Gruppenmitglied ein Urteil bestätigt. Human-in-the-Loop-Genehmigung ohne Custom-Workflow-Engine.
• Konfigurierbare Genehmigungsweiterleitung pro Agent — Drei Modi (Auto / Inline only / Channel only) mit Approver-Scope-Selector (initiator / agent owner / any org member). Ein Audit-Pfad speichert approver_user_id und decided_at, unabhängig davon, ob das Urteil aus dem Chat oder aus dem Channel kam. Der Auto-Modus fällt auf Inline zurück, wenn kein Channel verknüpft ist, sodass Agents immer eine echte Genehmigungserfahrung erhalten.
• Task-Completion-Benachrichtigungen — Langfristig laufende ReAct- oder DAG-Agents können eine Zusammenfassungskarte an den Channel der Organisation pushen, wenn die Arbeit abgeschlossen ist. Konfigurierbar pro Agent in Settings → Agent → Notifications.
• Browse-and-Pick UI — Keine rohen Channel-IDs aus der Vendor-Konsole kopieren; das Portal ruft die API der IM-Plattform auf und zeigt einen Gruppenpicker.

Plattform

• Multi-Mandant — JWT-Authentifizierung, Organisationsisolation, Admin-Panel mit Nutzungsanalytics und Connector-Metriken. Multi-Worker-Unterstützung via WORKERS=N mit Redis-Interrupt-Broker für Worker-übergreifendes Relay.
• Marketplace — Intelligente Systeme, Connectors, Knowledge Bases, Skills und Workflows veröffentlichen und abonnieren.
• Globale Skills (SOPs) — Wiederverwendbare Betriebsverfahren, die für jeden Benutzer geladen werden; progressiver Modus reduziert Tokens um ~80%.
• Stripe-Abrechnung & Pro-Benutzer-Kontingente — Optionales Pro-Plan-Upgrade via Stripe Checkout + Customer Portal. Kontingent-Kette (Pro-Benutzer-Überschreibung → Plan-Tier → Systemstandard) mit 0 für unbegrenzt. Admin-Feature-Flag steuert die gesamte Pipeline; private Bereitstellungen ohne Stripe bleiben sauber.
• Evaluation Center — Test-Dataset-Verwaltung, parallele Eval-Läufe mit LLM-bewerteten Urteilen, Pro-Fall-Viewer für Bestanden/Nicht bestanden/Latenz/Token-Ergebnisse mit Auto-Polling.
• Gesprächswiederherstellung — Synthetische tool_result-Zeilen bleiben nach unterbrochenen Turns erhalten; Clients verbinden sich automatisch wieder mit unterbrochenen SSE-Streams via /chat/resume mit exponentiellem Backoff und einem „Verbindung wird wiederhergestellt…"-Indikator.
• 6 Sprachen — EN, ZH, JA, KO, DE, FR. Übersetzungen sind vollständig automatisiert — ein einziges Glossar steuert jeden LLM-Übersetzungsaufruf (JSON, MDX, README), Pre-Commit-Hook lehnt manuelle Änderungen an generierten Locale-Dateien ab.
• Assistent für die erste Einrichtung, dunkles/helles Design, Befehlspalette, Streaming SSE, DAG-Visualisierung.

Tiefere Einblicke: Architektur · Hook-System · Channels · Ausführungsmodi · Warum FIM One · Wettbewerbslandschaft

Architektur

graph TB
    subgraph app["Application Layer"]
        a["Portal · API · iframe · Feishu · Slack · WeCom · DingTalk · Teams · Email · Contract Systems · Custom Webhooks"]
    end
    subgraph mid["FIM One"]
        direction LR
        m1["Connectors<br/>+ MCP Hub"] ~~~ m2["Orch Engine<br/>ReAct / DAG"] ~~~ m3["RAG /<br/>Knowledge"] ~~~ m5["Hook System<br/>+ Channels"] ~~~ m4["Auth /<br/>Admin"]
    end
    subgraph biz["Business Systems"]
        b["ERP · CRM · OA · Finance · Databases · Contract Mgmt · Custom APIs"]
    end
    app --> mid --> biz

Jeder Connector und jeder Channel ist eine standardisierte Brücke — der Agent weiß nicht und kümmert sich nicht darum, ob er mit SAP, einem benutzerdefinierten Vertragssystem oder einer Feishu-Gruppe spricht. Das Hook-System führt Plattformcode außerhalb der LLM-Schleife für Genehmigungen, Audits und Rate Limits aus; Channels übermitteln ausgehende Benachrichtigungen und Genehmigungskarten an externe IM-Plattformen. Weitere Informationen finden Sie unter Connector-Architektur, Hook-System und Channels.

Konfiguration

FIM One funktioniert mit jedem OpenAI-kompatiblen Anbieter:

Anbieter	LLM_API_KEY	LLM_BASE_URL	LLM_MODEL
OpenAI	sk-...	(Standard)	gpt-4o
DeepSeek	sk-...	https://api.deepseek.com/v1	deepseek-chat
Anthropic	sk-ant-...	https://api.anthropic.com/v1	claude-sonnet-4-6
Ollama (lokal)	ollama	http://localhost:11434/v1	qwen2.5:14b

Minimale .env:

LLM_API_KEY=sk-your-key
# LLM_BASE_URL=https://api.openai.com/v1   # default
# LLM_MODEL=gpt-4o                         # default
JINA_API_KEY=jina_...                       # unlocks web tools + RAG

Vollständige Referenz: Umgebungsvariablen

Tech Stack

Layer	Technology
Backend	Python 3.11+, FastAPI, SQLAlchemy, Alembic, asyncio
Frontend	Next.js 14, React 18, Tailwind CSS, shadcn/ui, React Flow v12
AI / RAG	OpenAI-kompatible LLMs, Jina AI (embed + search), LanceDB
Database	SQLite (dev) / PostgreSQL (prod)
Messaging	BaseChannel Abstraktion (Slack, Teams, Discord, Feishu/Lark, WeCom, DingTalk), Fernet-verschlüsselte Anmeldedaten, HMAC-Signaturverifizierung
Infra	Docker, uv, pnpm, SSE Streaming

Entwicklung

uv sync --all-extras          # install dependencies
pytest                         # run tests
pytest --cov=fim_one           # with coverage
ruff check src/ tests/         # lint
mypy src/                      # type check
bash scripts/setup-hooks.sh    # install git hooks (enables auto i18n)

Roadmap

Siehe die vollständige Roadmap für Versionshistorie und geplante Funktionen.

Häufig gestellte Fragen

Häufig gestellte Fragen zu Bereitstellung, LLM-Anbietern, Systemanforderungen und mehr – siehe Häufig gestellte Fragen.

Beitragen

Wir freuen uns über Beiträge aller Art — Code, Dokumentation, Übersetzungen, Fehlerberichte und Ideen.

Pioneer Program: Die ersten 100 Mitwirkenden, deren PR zusammengeführt wird, werden als Gründungsbeiträger mit permanenten Credits, einem Badge und prioritärer Issue-Unterstützung anerkannt. Mehr erfahren →

Schnelllinks:

• Beitragsleitfaden — Setup, Konventionen, PR-Prozess
• Entwicklungskonventionen — Typsicherheit, Tests und Code-Qualitätsstandards
• Good First Issues — kuratiert für Anfänger
• Offene Issues — Fehler & Feature-Anfragen

Sicherheit: Um eine Sicherheitslücke zu melden, öffnen Sie bitte ein GitHub Issue mit dem Tag [SECURITY]. Für vertrauliche Meldungen kontaktieren Sie uns über Discord DM.

Aktivität

Mitwirkende

Vielen Dank an diese wunderbaren Menschen (Emoji-Schlüssel):

Tao An 💻 🚧 🎨 📖 📆 🤔 🚇 🐛 ⚠️

Teo Gonzalez Collazo 💻 ⚠️

Houx. 💻 🐛

Chenying Wang 💻

Joshua Medvinsky 🛡️

Aryan singh Bhadoria 🐛 📖 ⚠️ 💻

alexcastgonz 🐛 📖 ⚠️ 💻

Dieses Projekt folgt der all-contributors -Spezifikation. Beiträge jeder Art sind willkommen!

Über FIM

FIM One wird von FIM entwickelt. FIM ist eine gemeinsame Marke zweier unabhängiger Unternehmen: FIM Labs Pte. Ltd. (Singapur) und Beijing FIM Network Technology Co., Ltd. (Peking, gegründet 2013).

Lizenz

FIM One Source Available License. Dies ist keine von der OSI genehmigte Open-Source-Lizenz.

Erlaubt: interne Nutzung, Änderung, Verteilung mit intakter Lizenz, Einbettung in nicht konkurrierende Anwendungen.

Eingeschränkt: Multi-Tenant-SaaS, konkurrierende Agent-Plattformen, White-Labeling, Entfernung von Branding.

Für Anfragen zur kommerziellen Lizenzierung öffnen Sie bitte ein Issue auf GitHub.

Siehe LICENSE für vollständige Bedingungen.

---