花120亿，我从零写了一款 AI 可视化工作流，轻松搭建各种Agent应用
2026年，AI应用进入深水区。所有人都在说" Agent是未来 "，但当我们真正想搭一个能跑的AI工作流时，就会发现—— 好用的工具要么太重，要么太弱，要么很难去二次开发扩展 。
于是我决定自己造一个, 当然, 也借助了AI Coding的能力 。
全程我花了15天, 120亿token , 从构思到技术选型再到技术落地, 总成本大概8000元左右 。(以个人的标准来算的, 相对来说比较真实) 当然目前的版本还在持续迭代, 也希望有更多好的建议 。
这个项目所有源码我会免费提供了 《 AI全栈学习小册 》的Plus版用户, 欢迎找我索要源码~
1一个困扰我很久的问题
在过去的几年里，我做过头部AI公司的架构师，也主导过GitHub近万Star的开源项目，也孵化过服务500+ 企业的零代码AI产品。在这些经历中，有一件事反复困扰我： AI工作流的调试体验太差了。
- 在 n8n 里，我们跑一个 LLM 节点，出错了只能看日志来推测原因；
- 在 Dify 里，工作流的复杂编排能力只在商业版中能用；
- Flowise 更适合做原型，但离生产差了一个量级；
- Coze 相对来说比较全面，但是定制化有一定线制，我们始终依赖第三方框架, 而很难做企业级的定制化 。
这就是我做Smart Flow的起点。
让整个工作流搭建尽可能简单, 同时让企业和第三方应用更好地能接入, 就是我做这个项目最核心的目标 。
我的设想是, 对于小白用户, 我们不需要手动搭建工作流, 只需要一句话, AI就能帮我们自动生成AI工作流: 这个功能我已经实现了, 当然目前相对来说跑通了流程, 后面还会持续优化 。
接下来先换个方向, 聊聊我做之前的一些思考 。
2想清楚“不做什么”
动手之前，我花了整整两周做竞品分析。不是那种"列个功能对比表"的机械式分析，而是把n8n、Dify、Flowise、LangFlow、Coze Studio全部跑一遍，甚至读了部分核心源码。
结论如下：
| 产品 | 做对了什么 | 缺了什么 |
|---|---|---|
| n8n | 400+ 集成，社区庞大 | AI 是后加的，调试相对黑盒 |
| Dify | RAG 强，模型管理完善 | 工作流能力弱，不支持自定义代码 |
| Flowise | 快速原型，轻量部署 | 不适合生产，权限控制弱 |
| Coze | 功能全面，企业级 | 商业产品，定制化受限 |
这些产品都很优秀，但它们都有一个共同的盲区： 没有把"开发者体验"当作第一优先级 。
所以我给自己定了三条“不做”：
- 不做万能平台：不追求 400 个集成，先把 AI 工作流的核心链路做到极致
- 不做纯无代码：保留代码节点的完整能力，开发者不该被可视化绑住手脚
- 不做重部署：不依赖 Postgres、Redis，一条命令就能跑起来
这样能保证我能足够聚焦的做好核心能力, 并保证产品价值得到满足 。
3Smart Flow 的五个“不一样”
想清楚边界后，我开始定义Smart Flow的差异化能力。
1 企业级画布能力，不做玩具型交付
考虑了市面上多款开源项目, 我最后选了FlowGram——和Coze同源的画布引擎。
它的优势在于: 自由布局、对齐吸附、缩略图导航、动态端口，都是开箱即用的。不用自己从零造轮子，而且提供了可定制的能力接口。
2 行业首创的调试体验
这是我觉得对开发者比较友好的部分。
单步执行、条件断点、变量快照、Mock测试——这些在传统IDE里标配的能力，在AI工作流领域几乎没人做过, 我把它设计在了工作流搭建引擎上, 这样在搭建工作流的测试环节, 可以一键追溯问题原因。
同时, 在搭建好工作流后, 我们可以一键运行测试:
运行之后我们可以看到每一步的执行数据, 帮助我们分析问题:
3 代码与可视化双向同步
“Visual when you want it, code when you need it.” 不是一句口号。在Smart Flow里，节点卡片支持右键菜单以及右键菜单的扩展, 同时点击节点之后, 可以唤醒属性配置面板, 对节点进行详细的逻辑配置:
4 零配置，一条命令启动
整个项目我采用SQLite存储，无需安装数据库。只需要npm run dev一条命令，就能把项目前后端全跑起来。
企业可以轻松完成离线部署, 同时数据库支持无损迁移 。对于企业自身的业务诉求, 可以毫无压力的基于这套轻量化架构来二次开发扩展 。
5 从搭建到使用的全链路闭环
具体的闭环使用流程如下: AI生成工作流 → 保存编辑 → 发布为Agent → 对话页直接使用Smart Flow的设计哲学, 不是搭完就结束，而是搭完就能用。
如下是基于某一个工作流生成的对话Agent界面:
工作流不再是躺在画布上的流程图，而是可以直接对话的智能体。
4技术选型思考
作为架构师，我深知技术选型不应该"跟风"，而要选"最合适的"。下面分享一下我采用的技术栈, 给大家做一个参考: 前端： React 18 + Vite + TypeScript + Tailwind CSS + Zustand没有用Next.js，因为这是一个SPA场景，不需要SSR的复杂度。状态管理选择Zustand而不是Redux，是因为状态逻辑足够简单，不需要太重的方案。
后端：NestJS + TypeORM + SQLite NestJS的模块化架构天然适合这种多领域系统（工作流、执行引擎、Agent、触发器等……）。SQLite的好处在于—— 零配置、单文件、可备份 ，对开发者和小型部署场景来说，这是最好的方案, 如果想迁移MySQL或者其他数据库, 它也能通过模型接口一键迁移, 来满足企业级场景需求。
画布：FlowGram这是整个产品的技术基石。企业级画布引擎，经过了Coze这样的大规模产品验证，相对来说更可靠, 经过我的对比测试, FlowGram对于有技术实力的团队, 还是非常友好的。
5从 0 到 1 的打磨
Smart Flow不是一天建成的。从第一行代码到现在，我经历了8个版本的迭代：
- v0.1 – v0.3：核心画布 + 6 类基础节点 + 执行引擎，跑通最小闭环
- v0.4：触发器系统（Webhook + 定时任务），让工作流脱离手动运行
- v0.5：模型管理 + 多供应商支持，从 OpenAI 到 DeepSeek 到通义千问全部适配
- v0.6：产品价值升级——4 大场景模板 + 5 个 AI 原生节点 + 属性面板重构优化
- v0.7：工作流调试器——单步执行、条件断点、变量快照、Mock 测试
- v0.8：AI 对话生成工作流 + Agent 管理闭环，从搭建到使用的全链路闭环
每一个版本都不是闭门造车，而是基于真实使用场景来驱动的。
比如调试器是因为我自己调试工作流时经常会遇到很多未知的问题Bug, 所以为了更好的DeBug, 我做了这个功能；
Agent闭环是因为我发现用户搭完工作流之后, 没有"用的地方", 所以我就索性做了Agent对话模式, 让做好的工作流可以通过对话的方式Work起来。
6完整的统计监控模块
统计模块会统计工作流运行调用的数据, 以及失败的节点, 性能消耗, 每日趋势等, 全方面帮助大家掌握自己的Agent的运行情况 。
7写给同样在做AI应用的各位读者
如果大家也在做AI应用，或者正在考虑做一个开源项目，我想分享几点我的体会：
💡 第一，先想清楚"为谁做"。
不要试图做一个让所有人满意的产品。
Smart Flow明确选择"开发者"作为目标用户，这意味着我们会放弃一些非技术用户的便利性，换取开发者最在意的调试能力、代码掌控力和部署灵活性。(虽然这个点我个人来说不认同)
💡 第二，差异化不是功能多，而是"价值差异化"。
n8n有400个集成，我们不需要做到401个。我们把精力放在"开发者调试体验"这个没人做好的点上，这才是真正的差异化。
💡 第三，找到你的前100个用户,持续迭代。
因为真实用户会逼着你在写每一行代码前都多想一步：这段代码实现的功能真的有价值吗？这个接口别人能扩展吗？这个架构别人能维护吗？
Smart Flow它还不完美，但每一行代码都有存在的价值。
如果你也觉得AI工作流应该有更友好的方式， 欢迎留言反馈、加入我们来一起把它做得更好。
这个项目所有源码我会免费提供了 《 AI全栈学习小册 》的Plus版用户, 欢迎订阅并找我索要源码~