使用场景

开发人员通过 OOMOL Studio 将 Python 代码片段与 API 服务连接，快速构建一个数据处理工作流，用于清洗和分析大规模数据集，从而提高工作效率。

数据科学家利用其内置的 AI 功能节点和大模型 API，结合 Python/JS 语言，构建一个数据分析工作流，生成直观的图表，帮助团队更好地理解数据趋势。

抖音用户使用 OOMOL Studio 将视频处理库封装为功能节点，通过拖放操作创建音视频处理工作流，自动化完成多语言字幕添加，提升内容创作效率。

产品特色

直观交互：通过简单的拖放操作和图形组件灵活配置节点参数，轻松构建工作流并预览多种常用数据类型。

预安装环境：无需安装 Python 或 Node.js，开箱即用。使用容器统一开发环境，支持跨系统共享工作流，并通过安全隔离保护本地环境和数据安全。

编程友好：内置 Python 和 Node.js，支持开源库安装。基于 VSCode，提供代码补全、高亮和 AI 提示。配备美观实用的工作流日志界面，便于调试。

社区共享：用户可将工作流和工具箱分享至 OOMOL 社区和 GitHub。官方将在 Oomol-lab GitHub 开源内置插件、常用工作流和运行容器。

多场景支持：原生支持使用 Python/JS 处理结构化数据并生成图表，同时支持非结构化数据的多媒体处理，如视频处理库封装和多语言字幕自动化等任务。

使用教程

访问 OOMOL 官网，下载适用于您设备的 OOMOL Studio 客户端（如 Windows x64、macOS Apple Silicon 或 macOS Intel Chip）。

安装完成后，启动 OOMOL Studio，进入主界面。

在主界面中，通过拖放操作选择所需的节点，如数据处理节点、AI 功能节点等，并根据需要配置节点参数。

将各个节点连接起来，构建您的工作流。您可以预览工作流的运行结果，查看是否符合预期。

如果需要调试工作流，可利用内置的工作流日志界面，查看日志信息并进行优化。

完成工作流构建后，您可以将其保存并分享至 OOMOL 社区或 GitHub，与其他用户交流学习。