itwanger/PaiAgent

🔥轻量级的AI工作流编排系统，类似dify、n8n，全程使用Vibe Coding，AI工具为Qoder+CLI。涉及到的技术栈包括SpringAI、LangGraph4J、SSE、MinIO、DAG自定引擎等。

PaiAgent – 企业级可视化AI工作流编排平台

是什么

PaiAgent 是一个 自托管、全栈式平台，让您无需编写代码即可构建、调度和运行AI驱动的流水线。前端的拖拽式编辑器（ReactFlow）允许业务用户和开发者通过节点组合调用大语言模型（OpenAI、DeepSeek、阿里通义千问、智谱AI等）和辅助工具（TTS、数据I/O、自定义插件）。运行时，平台可选择使用经典的 DAG引擎（拓扑排序 + 循环检测）或 LangGraph4j状态图引擎 来执行图结构，支持更丰富的条件路由。

核心功能

功能	你将获得
零代码工作流设计	可视化画布、节点面板、参数面板 – 无需Java/TS即可组装流水线
双执行引擎	DAG 用于简单线性/分支流程；LangGraph4j 用于状态图、条件和动态路由 – 每个工作流可独立选择
统一LLM访问	Spring AI + Spring AI 阿里巴巴适配器通过统一的 `ChatClient` API 暴露 OpenAI 兼容、DeepSeek、Qwen、智谱AI 和 AIPing 模型
技能系统	在 `SKILL.md`（YAML前言 + Markdown）中声明式定义“技能”。技能自动注册、懒加载（摘要 → 详情 → 引用），并作为函数回调暴露给LLM，使模型可自主调用
可扩展节点模型	实现 `NodeExecutor`（或继承 `AbstractLLMNodeExecutor`）并注册，平台将自动在UI中暴露该节点
实时调试	服务器发送事件流将执行日志实时推送到侧边栏，显示每个节点的开始/成功/错误状态
持久化与监控	MySQL 存储工作流定义和运行日志；可选 MinIO 存储文件块；UI中可查看执行历史
内置工具节点	输入/输出、TTS（通义千问3 TTS、StepAudio），以及任意自定义服务的插件钩子

典型使用场景

领域	示例工作流
内容创作	生成文章草稿 → 翻译 → 优化润色 → 合成语音旁白
客户支持	捕获用户查询 → 路由至相应LLM（知识库）→ 生成回复 → 记录工单
数据处理	拉取原始文本 → LLM驱动实体提取 → 存储结果至数据库
媒体制作	脚本生成 → TTS → 将音频嵌入视频元数据
自动化	定期生成报告 → 发送邮件 → 归档PDF

架构概览

前端 (React 18 + TypeScript)
  └─ ReactFlow 画布，Ant Design UI，Zustand 状态

后端 (Spring Boot 3.4, Java 21)
  ├─ Controllers → Services → MyBatis-Plus DAOs
  ├─ 引擎层
  │   ├─ EngineSelector (dag ↔ langgraph)
  │   ├─ DAGParser (Kahn 拓扑排序，DFS 循环检测)
  │   └─ LangGraphWorkflowEngine (StateGraph，异步节点动作)
  ├─ 技能子系统 (SkillRegistry，渐进式加载，FunctionCallback)
  └─ AI模型层 (Spring AI + Spring AI 阿里巴巴，ChatClientFactory)

数据层
  ├─ MySQL (工作流定义，执行日志)
  └─ MinIO (可选块存储)

技术栈

层	技术	版本
前端	React, TypeScript, Vite, ReactFlow, Ant Design, Tailwind, Zustand	18.x / 5.x / latest
后端	Spring Boot, Java 21, MyBatis-Plus, FastJSON2, Maven	3.4.1 / 21+
AI集成	Spring AI (1.0.0-M5), Spring AI 阿里巴巴 (1.0.0-M6.1)	–
工作流引擎	自定义DAG引擎，LangGraph4j Core (1.1.5) + Spring AI桥接 (1.8.0-beta3)	–
存储	MySQL 8+, 可选 MinIO	–

快速入门

克隆

git clone https://github.com/itwanger/PaiAgent-one.git
cd PaiAgent-one

创建MySQL数据库 并运行 backend/src/main/resources 下的 schema.sql。
配置环境 – 将 backend/ 和 frontend/ 中的 .env.example 复制为 .env / .env.local，并填写数据库凭证、JWT密钥、MinIO密钥等。

运行后端

cd backend
./mvnw spring-boot:run   # 启动于 http://localhost:8084

运行前端

cd frontend
npm install
npm run dev               # 打开 http://localhost:5173

使用默认开发账户（admin / admin123）登录，或通过环境变量设置自定义账户。
创建工作流 – 拖拽一个 Input 节点、一个 OpenAI 节点、一个 TTS 节点和一个 Output 节点，连接它们，配置模型API密钥，点击 Debug 查看实时SSE日志。

发展路线图亮点

v1.1 – 条件IF/ELSE节点、循环（FOR/WHILE）节点、更多LLM提供商（Claude、Gemini、本地模型）、更多内置技能。
v1.5 – 子工作流调用、基于cron的调度、版本化工作流、模板市场、图像/视频处理节点。
v2.0 – 多租户RBAC、协作编辑、性能监控与告警、i18n、第三方插件市场。

谁会受益？

产品团队：无需深入ML代码即可构建AI增强功能。
企业：需要对LLM驱动自动化进行可控、可审计的流水线。
开发者：希望获得即插即用引擎来快速原型化复杂LLM编排（如RAG、工具调用、多模型路由）。

以上所有信息均直接取自仓库的README；未添加任何外部假设。