itwanger

PaiAgent

<div align="center"> # PaiAgent **企业级 AI 工作流可视化编排平台** 通过拖拽式界面快速构建、编排和执行 AI 工作流，让 AI 能力组合更简单 [](LICENSE) [](https://www.oracle.com/java/) [](https://spring.io/projects/spring-boot) [](https://spring.io/projects/spring-ai) [](https://java2ai.com) [](https://github.com/bsorrentino/langgraph4j) [](https://reactjs.org/) [](https://www.typescriptlang.org/) [快速开始](#-快速开始) • [功能特性](#-核心特性) • [技术架构](#-技术架构) • [使用文档](./USER_GUIDE.md) • [开发进度](./PROGRESS.md) </div> --- ## 📖 项目简介 PaiAgent 是一个**企业级的 AI 工作流可视化编排平台**，让 AI 能力的组合和调度变得简单高效。通过直观的拖拽式界面，开发者和业务人员都能快速构建复杂的 AI 处理流程，无需编写代码即可实现多种大模型的协同工作。      ### 💡 为什么选择 PaiAgent？ - **🎯 零代码编排**：可视化拖拽界面，无需编程即可构建复杂 AI 工作流 - **🚀 双引擎驱动**：自研 DAG 引擎 + LangGraph4j 状态图引擎，按需切换，兼顾简洁与复杂场景 - **🔌 多模型统一**：基于 Spring AI 框架，统一接入 OpenAI、DeepSeek、通义千问等主流大模型 - **🧠 Skills 技能系统**：内置提示词工程技能框架，支持 YAML 前缀声明式技能定义，三级渐进式加载 - **🛠️ 灵活扩展**：基于插件化设计，轻松开发自定义节点满足个性化需求 - **🐛 实时调试**：内置调试面板，支持 SSE 流式输出，可视化执行过程 - **📦 开箱即用**：完整的前后端解决方案，快速部署到生产环境 ### 项目教程  我已经放到技术派上了，[点击这里](https://paicoding.com/column/14/1)查看详细教程（限时免费）。  第一期我更新了五篇教程，有想学习的同学可以跟着这个项目冲。 - [搭建PaiAgent脚手架](https://paicoding.com/column/14/1) - [节点配置](https://paicoding.com/column/14/2) - [LLM节点开发](https://paicoding.com/column/14/3) - [超拟人音频节点](https://paicoding.com/column/14/4) - [工作流实时推送](https://paicoding.com/column/14/5) 第二期我更新了三篇教程，分别是写简历、面试题和LangGraph4J。 - [写简历](https://paicoding.com/column/14/6) - [面试题](https://paicoding.com/column/14/7) - [LangGraph4J](https://paicoding.com/column/14/8) ## ✨ 核心特性 ### 可视化流程编辑器 基于 ReactFlow 构建的专业流程图编辑器，支持节点拖拽、连线配置、参数编辑等完整功能。 ### 多大模型节点支持 基于 **Spring AI + Spring AI Alibaba** 框架统一接入： - **OpenAI 节点**：GPT-5 等模型（Spring AI OpenAI 接口） - **DeepSeek 节点**：国产大模型（OpenAI 兼容接口） - **通义千问节点**：阿里云千问系列（Spring AI Alibaba DashScope 原生支持） - **智谱 AI 节点**：GLM 系列模型（OpenAI 兼容接口） - **AIPing 节点**：第三方模型代理（OpenAI 兼容接口） ### 工具节点生态 - **TTS 音频合成**：支持通义 Qwen3 TTS 与阶跃星辰 StepAudio 的超拟人语音生成 - **输入/输出节点**：灵活的数据输入输出 - **自定义扩展**：基于统一接口开发专属节点 ### DAG 工作流引擎 - **拓扑排序**：基于 Kahn 算法的节点调度 - **循环检测**：DFS 深度优先搜索防止死循环 - **数据流转**：节点间智能数据传递机制 - **执行监控**：完整的执行日志和结果记录 ### LangGraph4j 状态图引擎（新增） - **状态图编排**：基于 LangGraph4j 的 StateGraph 构建复杂工作流，支持条件分支与动态路由 - **双引擎切换**：通过 EngineSelector 按 `engineType` 字段自动路由到 DAG 或 LangGraph 引擎，向后兼容 - **异步节点执行**：NodeAdapter 将现有 NodeExecutor 适配为 AsyncNodeAction，无需重写业务逻辑 - **状态管理**：StateManager 统一管理工作流上下文，支持 inputData、nodeOutputs、globalContext - **事件回调**：执行过程中触发 ExecutionEvent，实时反馈每个节点的启动、成功和异常 ### Skills 技能系统（新增） - **声明式技能定义**：通过 SKILL.md + YAML Frontmatter 定义技能名称、描述和执行规则 - **三级渐进式加载**：摘要（名称+描述）→ 详情（完整 SKILL.md）→ 引用文档（reference 子目录），按需加载节省 Token - **技能注册中心**：SkillRegistry 应用启动时自动扫描 classpath 和文件系统，缓存到 ConcurrentHashMap - **LLM Function 集成**：通过 LoadSkillDetailFunction / LoadSkillReferenceFunction 暴露为 Spring AI FunctionCallback，让大模型自主调用技能 - **REST API 支持**：提供技能列表查询、详情获取、引用文档加载等接口 - **前端技能选择器**：SkillSelector 组件支持在工作流中选择和应用技能 ## 🎯 应用场景 | 场景类别 | 具体应用 | 适用对象 | |---------|---------|----------| | 📝 内容生成 | 批量文章生成、多语言翻译、内容改写润色 | 内容创作者、营销团队 | | 💬 智能客服 | 多轮对话流程、意图识别与智能响应 | 客服团队、产品经理 | | 📊 数据处理 | 文本分析、信息抽取、数据清洗转换 | 数据分析师、研发团队 | | 🎵 音视频处理 | 语音合成、字幕生成、音频转写 | 内容团队、教育行业 | | ⚙️ 流程自动化 | 报告生成、邮件自动回复、定时任务 | 运营团队、企业用户 | ## 🏗️ 技术架构 ### 系统架构 ``` ┌─────────────────────────────────────────────────────────┐ │ 前端层 (Frontend) │ │ React 18 + TypeScript + ReactFlow + Ant Design │ │ • 可视化编辑器 • 节点面板 • 调试工具 │ └────────────────────┬────────────────────────────────────┘ │ REST API / SSE ┌────────────────────┴────────────────────────────────────┐ │ 应用层 (Backend) │ │ Spring Boot 3.4.1 + Java 21 │ │ • Controller • Service • Interceptor │ └────────────────────┬────────────────────────────────────┘ │ ┌────────────────────┴────────────────────────────────────┐ │ 核心引擎层 (Engine) │ │ • EngineSelector: 引擎路由（DAG / LangGraph） │ │ • DAGParser: 拓扑排序 + 循环检测 │ │ • LangGraph4j: 状态图编排 + 条件路由 │ │ • SkillRegistry: 技能注册中心 + 渐进式加载 │ │ • NodeExecutor: 节点执行器工厂 │ └────────────────────┬────────────────────────────────────┘ │ ┌────────────────────┴────────────────────────────────────┐ │ AI 模型层 (Spring AI) │ │ • Spring AI: OpenAI/DeepSeek/智谱 等兼容接口 │ │ • Spring AI Alibaba: 通义千问 DashScope 原生支持 │ │ • ChatClientFactory: 统一的 ChatClient 动态工厂 │ └────────────────────┬────────────────────────────────────┘ │ ┌────────────────────┴────────────────────────────────────┐ │ 数据层 (Data & Storage) │ │ • MySQL: 工作流配置、执行记录 │ │ • MinIO: 文件存储 (可选) │ └─────────────────────────────────────────────────────────┘ ``` ### 技术栈详情 <table> <tr> <td><b>层级</b></td> <td><b>技术选型</b></td> <td><b>版本要求</b></td> <td><b>说明</b></td> </tr> <tr> <td rowspan="6"><b>前端</b></td> <td>React</td> <td>18.x</td> <td>现代化 UI 框架</td> </tr> <tr> <td>TypeScript</td> <td>5.x</td> <td>类型安全保障</td> </tr> <tr> <td>Vite</td> <td>5.x</td> <td>高性能构建工具</td> </tr> <tr> <td>ReactFlow</td> <td>最新版</td> <td>专业流程图库</td> </tr> <tr> <td>Ant Design + Tailwind CSS</td> <td>-</td> <td>企业级 UI 组件</td> </tr> <tr> <td>Zustand</td> <td>最新版</td> <td>轻量级状态管理</td> </tr> <tr> <td rowspan="6"><b>后端</b></td> <td>Spring Boot</td> <td>3.4.1</td> <td>企业级 Java 框架</td> </tr> <tr> <td>Java</td> <td>21+</td> <td>LTS 长期支持版本</td> </tr> <tr> <td>MyBatis-Plus</td> <td>3.5.5</td> <td>增强版 ORM 框架</td> </tr> <tr> <td>Spring AI</td> <td>1.0.0-M5</td> <td>AI 模型统一调用框架</td> </tr> <tr> <td>Spring AI Alibaba</td> <td>1.0.0-M6.1</td> <td>通义千问 DashScope 原生支持</td> </tr> <tr> <td>MySQL</td> <td>8.0+</td> <td>关系型数据库</td> </tr> <tr> <td>FastJSON2</td> <td>最新版</td> <td>高性能 JSON 库</td> </tr> <tr> <td>MinIO</td> <td>可选</td> <td>对象存储服务</td> </tr> <tr> <td rowspan="7"><b>核心引擎</b></td> <td>自研 DAG 引擎</td> <td>-</td> <td>工作流编排核心（拓扑排序 + 循环检测）</td> </tr> <tr> <td>LangGraph4j Core</td> <td>1.1.5</td> <td>状态图工作流引擎</td> </tr> <tr> <td>LangGraph4j Spring AI</td> <td>1.8.0-beta3</td> <td>LangGraph4j 与 Spring AI 集成桥接</td> </tr> <tr> <td>Skills 技能系统</td> <td>-</td> <td>声明式提示词工程框架</td> </tr> <tr> <td>EngineSelector</td> <td>-</td> <td>双引擎动态路由选择</td> </tr> <tr> <td>Spring AI ChatClient</td> <td>-</td> <td>统一 AI 模型调用接口</td> </tr> <tr> <td>ChatClientFactory</td> <td>-</td> <td>动态创建不同模型客户端</td> </tr> </table> ## 📁 项目结构 ``` PaiAgent-one/ ├── backend/ # Spring Boot 后端服务 │ ├── src/main/ │ │ ├── java/com/paiagent/ │ │ │ ├── engine/ # 🎯 工作流引擎（核心） │ │ │ │ ├── WorkflowEngine.java # 工作流编排引擎 │ │ │ │ ├── EngineSelector.java # 双引擎路由选择器 │ │ │ │ ├── dag/DAGParser.java # 拓扑排序+循环检测 │ │ │ │ ├── langgraph/ # 🆕 LangGraph4j 引擎 │ │ │ │ │ ├── LangGraphWorkflowEngine.java # LangGraph 执行引擎 │ │ │ │ │ ├── WorkflowState.java # 状态模型 │ │ │ │ │ ├── builder/GraphBuilder.java # StateGraph 构建器 │ │ │ │ │ ├── adapter/NodeAdapter.java # AsyncNodeAction 适配器 │ │ │ │ │ └── state/StateManager.java # 状态管理器 │ │ │ │ ├── skill/ # 🆕 Skills 技能系统 │ │ │ │ │ ├── Skill.java # 技能数据模型 │ │ │ │ │ ├── SkillRegistry.java # 技能注册中心 │ │ │ │ │ ├── SkillLoader.java # SKILL.md 解析器 │ │ │ │ │ ├── LoadSkillDetailFunction.java # FunctionCallback: 加载详情 │ │ │ │ │ └── LoadSkillReferenceFunction.java # FunctionCallback: 加载引用 │ │ │ │ ├── llm/ # LLM 调用层（Spring AI） │ │ │ │ │ ├── ChatClientFactory.java # ChatClient 动态工厂 │ │ │ │ │ ├── PromptTemplateService.java # 提示词模板处理 │ │ │ │ │ └── LLMNodeConfig.java # LLM 节点配置 │ │ │ │ ├── executor/ # 节点执行器 │ │ │ │ │ ├── NodeExecutor.java # 执行器接口 │ │ │ │ │ ├── NodeExecutorFactory.java # 工厂模式 │ │ │ │ │ └── impl/ # 具体实现 │ │ │ │ │ ├── AbstractLLMNodeExecutor.java # LLM 抽象基类 │ │ │ │ │ ├── InputNodeExecutor.java │ │ │ │ │ ├── OutputNodeExecutor.java │ │ │ │ │ ├── OpenAINodeExecutor.java │ │ │ │ │ ├── DeepSeekNodeExecutor.java │ │ │ │ │ ├── QwenNodeExecutor.java │ │ │ │ │ ├── ZhiPuNodeExecutor.java │ │ │ │ │ ├── AIPingNodeExecutor.java │ │ │ │ │ └── TTSNodeExecutor.java │ │ │ │ └── model/ # 数据模型 │ │ │ ├── controller/ # REST API 接口层 │ │ │ ├── service/ # 业务逻辑层 │ │ │ ├── mapper/ # MyBatis-Plus 数据访问层 │ │ │ ├── entity/ # 数据库实体 │ │ │ ├── dto/ # 数据传输对象 │ │ │ ├── config/ # 配置类 │ │ │ ├── interceptor/ # 拦截器（认证） │ │ │ └── common/ # 通用工具 │ │ └── resources/ │ │ ├── application.yml # 应用配置 │ │ ├── schema.sql # 数据库初始化脚本 │ │ └── skills/ # 🆕 技能资源目录 │ │ └── ai-podcast/ # 示例技能：AI 播客脚本生成 │ │ ├── SKILL.md # 技能定义（YAML + Markdown） │ │ └── reference/ # 引用文档 │ │ ├── script-template.md │ │ └── voice-guide.md │ └── pom.xml # Maven 依赖配置 │ ├── frontend/ # React 前端应用 │ ├── src/ │ │ ├── components/ # 🎨 核心组件 │ │ │ ├── FlowCanvas.tsx # ReactFlow 流程编辑器 │ │ │ ├── NodePanel.tsx # 可拖拽节点面板 │ │ │ ├── DebugDrawer.tsx # 调试抽屉面板 │ │ │ ├── AudioPlayer.tsx # 音频播放器 │ │ │ └── SkillSelector.tsx # 🆕 技能选择器 │ │ ├── pages/ # 页面组件 │ │ │ ├── LoginPage.tsx # 登录页 │ │ │ ├── MainPage.tsx # 工作流列表页 │ │ │ └── EditorPage.tsx # 工作流编辑器页 │ │ ├── store/ # Zustand 状态管理 │ │ │ ├── authStore.ts # 用户认证状态 │ │ │ └── workflowStore.ts # 工作流编辑状态 │ │ ├── api/ # API 调用层 │ │ ├── utils/ # 工具函数 │ │ └── App.tsx # 应用入口 │ ├── package.json # NPM 依赖配置 │ └── vite.config.ts # Vite 构建配置 │ ├── docs/ # 📚 项目文档 │ ├── README.md # 项目概览（当前文件） │ ├── USER_GUIDE.md # 用户使用指南 │ ├── PROGRESS.md # 开发进度追踪 │ ├── SUMMARY.md # 项目技术总结 │ ├── AGENTS.md # AI Agent 开发指引 │ └── mermaid.md # 架构可视化图表 │ └── .gitignore # Git 忽略配置 ``` ## 🚀 快速开始 ### 环境要求 在开始之前，请确保您的开发环境满足以下要求： | 工具 | 版本要求 | 说明 | |------|---------|------| | Java | 21+ | 推荐使用 OpenJDK 或 Oracle JDK | | Node.js | 18+ | 包含 npm 包管理器 | | MySQL | 8.0+ | 数据库服务 | | Maven | 3.8+ | Java 项目构建工具 | ### 一键启动指南 #### 步骤 1：克隆项目 ```bash git clone https://github.com/yourusername/PaiAgent-one.git cd PaiAgent-one ``` #### 步骤 2：配置数据库 **2.1 创建数据库** ```bash mysql -u root -p ``` ```sql CREATE DATABASE paiagent DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci; ``` **2.2 导入初始化脚本** ```bash mysql -u root -p paiagent < backend/src/main/resources/schema.sql ``` **2.3 配置数据库连接（环境变量方式）** 本项目使用环境变量管理敏感配置，**请勿将真实凭证提交到 Git**。 复制后端环境变量模板并编辑： ```bash cd backend cp .env.example .env ``` 编辑 `backend/.env` 文件，设置你的数据库密码和其他配置： ```bash # 必填：数据库密码（生产环境必须使用强密码） MYSQL_PASSWORD=your_strong_password_here # 其他配置按需修改 MYSQL_HOST=localhost MYSQL_PORT=3306 MYSQL_USERNAME=root MYSQL_DATABASE=paiagent # JWT 密钥（生产环境必须修改！） JWT_SECRET=your_jwt_secret_key_minimum_32_characters # MinIO 凭证（如使用对象存储） MINIO_ACCESS_KEY=your_access_key MINIO_SECRET_KEY=your_secret_key ``` > **安全提示**： > - `.env` 文件已加入 `.gitignore`，不会提交到版本库 > - `.env.example` 是配置模板，不包含真实敏感信息 > - 生产环境建议通过系统环境变量或配置中心注入 #### 步骤 3：启动后端服务 ```bash cd backend ./mvnw spring-boot:run ``` ✅ 后端服务启动成功后，您将看到： ``` Started PaiAgentApplication in X.XXX seconds ``` 后端服务地址：`http://localhost:8084`（可在 `.env` 中通过 `SERVER_PORT` 修改） #### 步骤 4：启动前端服务 打开新的终端窗口： ```bash cd frontend cp .env.example .env.local ``` 如需修改前端连接的后端地址，编辑 `frontend/.env.local`： ```bash VITE_API_BASE_URL=http://localhost:8084 ``` 然后启动前端： ```bash npm install npm run dev ``` ✅ 前端服务启动成功后，您将看到： ``` ➜ Local: http://localhost:5173/ ``` #### 步骤 5：首次登录 **开发环境默认账户**（可在 `backend/.env` 中修改）： | 配置项 | 默认值 | 说明 | |--------|--------|------| | 用户名 | `admin` | 通过 `APP_AUTH_DEFAULT_USERNAME` 配置 | | 密码 | `admin123` | 通过 `APP_AUTH_DEFAULT_PASSWORD` 配置 | > **⚠️ 安全提示**： > - 默认账户仅用于开发测试，生产环境必须修改或禁用 > - 首次登录后请立即修改密码（功能待实现） > - 可通过环境变量 `APP_AUTH_DEFAULT_USERNAME` 和 `APP_AUTH_DEFAULT_PASSWORD` 自定义 > - 将两个变量都设为空值可禁用默认账户（需配合用户注册功能使用） #### 步骤 6：访问应用 - 后端端口在 [application.yml](/Users/itwanger/Documents/GitHub/PaiAgent-one/backend/src/main/resources/application.yml#L1) 中配置，当前默认值是 `8084` - 前端通过 Vite 环境变量 `VITE_API_BASE_URL` 连接后端，默认示例见 [`frontend/.env.example`](/Users/itwanger/Documents/GitHub/PaiAgent-one/frontend/.env.example) - 前端不能直接读取 Spring Boot 的 `application.yml`，所以如果后端端口变化，需要同步调整 `frontend/.env.local` ### 🎬 快速演示 创建您的第一个工作流： 1. **登录系统**：使用默认凭证登录 2. **创建工作流**：点击「新建工作流」按钮 3. **拖拽节点**：从左侧节点面板拖拽「输入节点」→「OpenAI节点」→「输出节点」到画布 4. **连接节点**：按顺序连接各个节点 5. **配置参数**：点击 OpenAI 节点，配置 API Key 和提示词 6. **执行调试**：点击「调试」按钮，查看执行结果 示例：文本转语音工作流 ``` [输入节点] → [OpenAI节点] → [TTS节点] → [输出节点] 输入文本 生成脚本 语音合成 播放音频 ``` ## 🗺️ 开发路线图 ### ✅ 已完成功能 (v1.0) - ✅ 基础架构搭建（Spring Boot + React + TypeScript） - ✅ 用户认证系统（Token 认证 + 拦截器） - ✅ 可视化流程编辑器（ReactFlow 集成） - ✅ DAG 工作流引擎（拓扑排序 + 循环检测） - ✅ **Spring AI 框架集成**（v1.0.0-M5） - 统一的 ChatClient 调用接口 - 支持 OpenAI 兼容协议（OpenAI/DeepSeek/智谱/AIPing） - ✅ **Spring AI Alibaba 集成**（v1.0.0-M6.1） - 通义千问 DashScope 原生支持 - 阿里云 Qwen 系列模型接入 - ✅ 多大模型节点支持 - OpenAI 节点（GPT 系列） - DeepSeek 节点 - 通义千问节点 - 智谱 AI 节点 - AIPing 节点 - ✅ 工具节点实现 - 输入/输出节点 - TTS 音频合成节点 - 音频播放器组件 - ✅ SSE 实时流式输出（调试抽屉 + 日志输出 + 结果展示） - ✅ 工作流 CRUD 管理 - ✅ 执行记录查询 - ✅ **LangGraph4j 状态图引擎集成** - 基于 LangGraph4j StateGraph 的第二执行引擎 - EngineSelector 双引擎路由，支持按工作流切换 - NodeAdapter 适配器，零改动复用已有节点执行器 - StateManager 统一状态管理 - ✅ **Skills 技能系统** - YAML Frontmatter + Markdown 声明式技能定义 - SkillRegistry 自动扫描加载 + ConcurrentHashMap 缓存 - 三级渐进式加载（摘要→详情→引用文档） - Spring AI FunctionCallback 集成，LLM 可自主调用技能 - 前端 SkillSelector 技能选择器组件 - REST API 支持技能列表、详情、引用文档查询 **当前完成度：98%** 🎉 ### 🚧 规划中功能 (v1.1 - v2.0) **v1.1 版本（近期）** - 🔄 条件分支节点（IF/ELSE 逻辑） - 🔁 循环执行节点（FOR/WHILE 循环） - 📝 更多 LLM 节点接入（Claude、Gemini、本地模型） - 🧠 更多内置技能（文档摘要、代码审查、数据分析等） - 🧪 集成测试完善 - 📊 执行性能监控 **v1.5 版本（中期）** - 🔗 子工作流调用（工作流复用） - ⏰ 定时任务调度（Cron 表达式） - 📦 工作流版本管理（Git 风格） - 🎨 工作流模板市场 - 🖼️ 更多工具节点（图像处理、文档解析、Web爬虫） **v2.0 版本（远期）** - 👥 多租户与权限管理 - 🤝 协作与分享功能 - 📈 性能监控与告警 - 🌍 国际化支持（多语言） - 🔌 插件市场（第三方节点） ## 📚 项目文档 | 文档类型 | 文档链接 | 说明 | |---------|---------|------| | 📖 使用指南 | [USER_GUIDE.md](./USER_GUIDE.md) | 详细使用说明和最佳实践 | | 📊 开发进度 | [PROGRESS.md](./PROGRESS.md) | 项目开发阶段和完成情况 | | 📝 项目总结 | [SUMMARY.md](./SUMMARY.md) | 技术选型和实现总结 | | 📋 完成报告 | [PROJECT_COMPLETION_REPORT.md](./PROJECT_COMPLETION_REPORT.md) | 项目交付报告 | | 🏗️ 架构设计 | [mermaid.md](./mermaid.md) | 系统架构可视化图表 | | 🤖 开发指南 | [AGENTS.md](./AGENTS.md) | AI Agent 开发指引 | ## 🔧 核心功能详解 ### 工作流编排 **节点类型** - **输入节点**：接收外部输入数据，作为工作流的起点 - **输出节点**：输出工作流执行结果，作为工作流的终点 - **LLM 节点**：调用大语言模型进行文本生成、理解等任务 - **工具节点**：执行特定功能，如 TTS 语音合成、图像处理等 **连线规则** - 节点之间通过有向边连接，表示数据流向 - 支持一对多、多对一的连接方式 - 自动检测循环依赖，防止死锁 ### DAG 引擎机制 **工作流解析流程** 1. **JSON 解析**：将前端配置解析为 WorkflowConfig 对象 2. **拓扑排序**：使用 Kahn 算法确定节点执行顺序 3. **循环检测**：DFS 深度优先搜索检测循环依赖 4. **节点调度**：按拓扑顺序依次执行节点 5. **数据传递**：上游节点输出作为下游节点输入 6. **结果记录**：保存每个节点的执行结果和日志 **数据传递机制** ```java // 节点执行器接口 public interface NodeExecutor { Map<String, Object> execute(WorkflowNode node, Map<String, Object> input); } // LLM 节点通过 Spring AI ChatClient 统一调用 ChatClient chatClient = chatClientFactory.createClient(nodeType, apiUrl, apiKey, model, temperature); String response = chatClient.prompt().user(prompt).call().content(); ``` ### LangGraph4j 引擎机制 **引擎选择与路由** EngineSelector 根据工作流的 `engineType` 字段自动选择执行引擎，默认使用 DAG 引擎以确保向后兼容： ```java // 引擎路由：根据 engineType 自动选择 EngineSelector.execute(workflowConfig); // engineType = "dag" → DAGWorkflowEngine // engineType = "langgraph" → LangGraphWorkflowEngine // engineType = null → DAGWorkflowEngine（默认） ``` **LangGraph4j 执行流程** 1. **配置解析**：将 WorkflowConfig 传入 GraphBuilder 2. **状态图构建**：GraphBuilder 将节点/边转换为 LangGraph4j StateGraph，支持条件分支 3. **状态初始化**：StateManager 初始化 inputData、nodeOutputs、globalContext 4. **异步执行**：NodeAdapter 将现有 NodeExecutor 适配为 AsyncNodeAction，复用已有业务逻辑 5. **事件驱动**：执行过程触发 ExecutionEvent 回调（start / success / error） 6. **结果收集**：汇总所有节点输出，返回 ExecutionResponse ### Skills 技能系统详解 **技能文件结构** 每个技能是一个独立目录，包含 SKILL.md 主文件和可选的 reference 子目录： ``` skills/ └── ai-podcast/ ├── SKILL.md # 技能主文件（YAML Frontmatter + Markdown） └── reference/ # 引用文档目录 ├── script-template.md # 脚本模板 └── voice-guide.md # 语音风格指南 ``` **SKILL.md 格式示例** ```yaml --- name: ai-podcast description: 生成专业播客脚本，双人对话形式 --- # AI 播客脚本生成 ## 执行规则 1. 生成自然流畅的双人对话 2. 包含开场白、主体内容、Q&A、结束语 ... ``` **三级渐进式加载** - **第一级 - 摘要**：仅加载技能名称和描述，用于列表展示 - **第二级 - 详情**：加载完整 SKILL.md 内容，用于技能执行 - **第三级 - 引用**：按需加载 reference 目录下的文档，节省 Token 开销 **Skills REST API** | 方法 | 路径 | 说明 | |------|------|------| | GET | `/api/skills` | 获取所有技能摘要列表 | | GET | `/api/skills/{name}` | 获取指定技能详细内容 | | GET | `/api/skills/{name}/references/{ref}` | 获取技能引用文档 | ### 节点扩展开发 **方式一：开发普通工具节点** 1. **实现 NodeExecutor 接口** ```java public class CustomNodeExecutor implements NodeExecutor { @Override public Map<String, Object> execute(WorkflowNode node, Map<String, Object> input) { // 自定义逻辑 return output; } } ``` 2. **注册到工厂** ```java NodeExecutorFactory.register("custom", new CustomNodeExecutor()); ``` **方式二：开发 LLM 节点（推荐）** ```java // 继承 AbstractLLMNodeExecutor，自动获得 Spring AI 能力 @Component public class CustomLLMNodeExecutor extends AbstractLLMNodeExecutor { @Override protected String getNodeType() { return "custom_llm"; } } ``` 3. **前端添加节点定义** ```typescript const customNode = { type: 'custom', label: '自定义节点', category: 'tool' }; ``` ## 💼 项目亮点（简历版） **项目名称**：PaiAgent - 企业级 AI 工作流编排平台 **项目描述**：基于可视化流程编辑器的 AI Agent 工作流平台，支持用户通过拖拽方式编排多种大模型（DeepSeek、通义千问等）和工具节点，使用自研 DAG 引擎按拓扑顺序执行工作流，实现复杂 AI 任务的自动化编排与执行。 **技术栈**：Java 21、Spring Boot 3.4.1、Spring AI 1.0.0、LangGraph4j 1.8.0 **核心职责**： - 基于 Spring AI 框架重构 LLM 通信层，采用工厂模式+模板方法模式设计 ChatClientFactory 动态工厂和 AbstractLLMNodeExecutor 抽象基类，将 5 个 LLM 节点执行器的重复代码从 800+行精简至 75 行 - 设计动态 ChatClient 创建机制，支持运行时根据工作流节点配置（apiKey/apiUrl/model）动态实例化不同厂商的 ChatClient，实现多租户场景下每个节点独立配置的能力 - 抽取 PromptTemplateService 公共服务，统一处理 `{{variable}}` 模板变量替换和上下游节点参数引用映射，支持 input 静态值和 reference 动态引用两种参数类型 - 基于 Spring AI 的 Flux 响应式流实现 LLM 流式输出，通过 SSE 实时推送生成进度到前端，配合现有 ExecutionEvent 事件机制，用户可实时查看 AI 生成过程 - 集成 LangGraph4j 状态图引擎作为第二执行引擎，设计 EngineSelector 路由机制实现双引擎按需切换；通过 NodeAdapter 适配器模式将现有节点执行器桥接为 AsyncNodeAction，零改动复用全部业务逻辑 - 设计并实现 Skills 技能系统，采用 YAML Frontmatter + Markdown 声明式定义技能，三级渐进式加载（摘要→详情→引用文档）优化 Token 消耗；通过 Spring AI FunctionCallback 机制让大模型自主发现和调用技能 ## 🤝 贡献指南 我们欢迎所有形式的贡献，包括但不限于： - 🐛 提交 Bug 报告 - 💡 提出新功能建议 - 📝 改进文档 - 🔧 提交代码修复 - ⭐ Star 项目支持我们 ### 参与方式 1. **Fork 本仓库** 2. **创建特性分支** (`git checkout -b feature/AmazingFeature`) 3. **提交更改** (`git commit -m 'Add some AmazingFeature'`) 4. **推送到分支** (`git push origin feature/AmazingFeature`) 5. **开启 Pull Request** ### 代码规范 - **后端**：遵循阿里巴巴 Java 开发手册 - **前端**：遵循 Airbnb React/JSX 风格指南 - **提交信息**：使用约定式提交（Conventional Commits） ## 💬 社区与支持 ### 获取帮助 - 📬 **GitHub Issues**：[问题反馈和功能建议](https://github.com/yourusername/PaiAgent-one/issues) - 💭 **GitHub Discussions**：[技术讨论和经验分享](https://github.com/yourusername/PaiAgent-one/discussions) - 📖 **官方文档**：查看 [USER_GUIDE.md](./USER_GUIDE.md) 获取完整使用指南 ### 联系方式 - **项目维护者**：[@itwanger](https://github.com/itwanger) - **邮箱**：项目相关问题请通过 GitHub Issues 提交 ## 📄 许可证 本项目采用 [MIT License](LICENSE) 开源协议。 ## 🌟 致谢 感谢所有为本项目做出贡献的开发者！ --- <div align="center"> **如果这个项目对您有帮助，请点击 ⭐ Star 支持我们！** [⬆ 回到顶部](#paiagent-one) </div>