01
为什么值得拆解
AI 工作流编排
RAG 知识库
多模型适配
运行日志与观测
02
产品主流程
- 01
创建应用并选择应用类型
- 02
配置模型、提示词或工作流
- 03
连接知识库与外部工具
- 04
调试运行结果并查看日志
- 05
发布为 Web 应用或 API
03
系统架构分层
L1
应用配置层
统一管理提示词、变量、模型参数、知识库和发布设置。
L2
编排执行层
将可视化节点转换为可追踪的工作流执行过程。
L3
模型接入层
通过供应商适配器连接不同模型与推理服务。
L4
运营观测层
记录调用日志、反馈、成本和应用运行表现。
04
已验证技术栈
系统层技术或平台作用
Web 前端TypeScript
负责工作流编辑、应用配置与运营界面。
应用后端Python
承载模型调用、工作流执行和业务 API。
数据与队列PostgreSQL、Redis
保存业务配置并处理异步任务和缓存。
交付方式Docker Compose
官方仓库提供面向自托管的快速启动方式。
05
从零开发的建议顺序
01
MVP · 完成单模型对话应用
交付：提示词配置、调试和 API 发布
02
阶段 2 · 加入知识检索
交付：文档导入、切分、检索与引用
03
阶段 3 · 引入工作流编排
交付：节点编辑器、运行状态和错误处理
04
阶段 4 · 补齐平台运营能力
交付：日志、反馈、权限和使用量统计
06
关键取舍
平台抽象降低了 AI 应用门槛，但复杂场景仍需要理解模型、检索和工具调用边界。
多模型兼容提升灵活性，也带来参数差异、成本核算和回归测试压力。
07