企业官网建设流程全解析

• 人工智能
• AI Agent
• 流程编排
• 后端
• 前端

PaiAgent 是一个基于 Spring Boot 3.4.1 + Java 21 + React 18 的企业级 AI 工作流可视化编排平台，通过拖拽式界面即可完成多模型、多工具节点的组合调度。本文以项目根目录 README.md 为主线，结合后端引擎、LangGraph4j 集成、Skills 技能系统与前端工作流 API 的真实源码，系统讲解其双引擎架构原理、技能系统设计与从零部署运行的完整实战流程。读完本文，你将掌握 PaiAgent 的 DAG / LangGraph 双引擎切换机制、SKILL.md 声明式技能定义与三级加载策略、SSE 实时调试链路，并能独立完成数据库初始化、环境变量配置、前后端启动与首个工作流的编排调试。

一、项目定位与核心价值

PaiAgent 定位为"企业级 AI 工作流可视化编排平台"，核心理念是让 AI 能力的组合与调度变得简单高效：开发者和业务人员无需编写代码，仅通过可视化拖拽即可构建复杂的 AI 处理流程，实现多种大模型的协同工作。其项目教程、用户使用指南与开发进度分别记录在 docs/USER_GUIDE.md、docs/PROGRESS.md 与 docs/SUMMARY.md 中。

项目的主要优势体现在六个方面：

• 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、智谱 GLM 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 前置声明式技能定义与三级渐进式加载；
• 灵活扩展：基于插件化设计（节点执行器工厂），轻松开发自定义节点；
• 实时调试：内置调试面板，支持 SSE 流式输出，可视化执行过程。

二、技术架构与选型

2.1 分层架构

README 给出完整的分层架构视图，自顶向下依次为：

┌─────────────────────────────────────────────────────────┐ │ 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) │ └─────────────────────────────────────────────────────────┘

2.2 技术栈详情

数据库初始化脚本与核心配置分别位于 backend/src/main/resources/schema.sql 与 backend/src/main/resources/application.yml。workflow表通过engine_type字段（默认dag）记录每个工作流使用的引擎类型，execution_record、execution_snapshot、execution_variable三张表分别承载执行记录、断点快照与执行变量（用于断点续执行）。

三、核心特性详解

3.1 可视化流程编辑器

基于 ReactFlow 构建的专业流程图编辑器，前端核心组件为 frontend/src/components/FlowCanvas.tsx（画布）、frontend/src/components/NodePanel.tsx（可拖拽节点面板）与 frontend/src/components/DebugDrawer.tsx（调试抽屉），支持节点拖拽、连线配置、参数编辑等完整功能。

3.2 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 系列模型（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）

schema.sql中预置的节点定义还包含step（阶跃星辰）、react_agent（ReAct Agent）与tts（超拟人音频合成）等节点，并给出了每个节点的input_schema/output_schema/config_schema（JSON Schema），例如 OpenAI 节点默认模型gpt-3.5-turbo、temperature 默认0.7。

3.3 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（tts节点默认模型qwen3-tts-flash、默认音色Cherry、默认采样率24000）；
• 输入/输出节点：灵活的数据输入输出；
• 条件分支节点：condition节点基于上游输出的 JSON 字段做条件判断，支持eq/neq/gt/gte/lt/lte/contains/notContains/startsWith/endsWith/isEmpty/isNotEmpty共 12 种操作符；
• 自定义扩展：基于统一接口开发专属节点。

四、DAG 工作流引擎机制（源码级解析）

4.1 工作流解析与执行流程

DAG 引擎的核心位于 backend/src/main/java/com/paiagent/engine/WorkflowEngine.java 与 backend/src/main/java/com/paiagent/engine/dag/DAGParser.java，其执行流水线为：

1. JSON 解析：WorkflowConfigParser.parse(flowData)将前端配置解析为WorkflowConfig对象（节点 + 边）；
2. 拓扑排序：DAGParser.parse(config)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，一旦发现立即抛出"工作流存在循环依赖,节点: xxx"异常；
4. 节点调度：按拓扑顺序依次执行节点，NodeExecutorFactory根据node.getType()分发到对应执行器；
5. 数据传递：resolveNodeInput会优先聚合所有已执行前驱节点的输出作为当前节点输入，否则回退到{input: inputData}；
6. 结果记录：保存每个节点的执行结果和日志，同时写入ExecutionSnapshot快照（供断点续执行）。

4.2 Kahn 拓扑排序与 DFS 循环检测

在DAGParser中，算法分三步实现：

• 构建依赖图：遍历边集合，构造dependencies（节点 → 其前置节点列表）与dependents（节点 → 其后继节点列表）；
• DFS 循环检测：借助visited与recStack（递归栈）两个集合做深度优先搜索，若递归过程中再次遇到递归栈中的节点即判定存在环；
• Kahn 拓扑排序：统计每个节点的入度，将所有入度为 0 的节点入队；每弹出一个节点，将其所有后继节点的入度减 1，减为 0 时入队。若最终排序结果数量小于节点总数，说明图中仍有环，抛出运行时异常。

// 节点执行器接口（简化自 backend/src/main/java/com/paiagent/engine/executor/NodeExecutor.java） public interface NodeExecutor { Map<String, Object> execute(WorkflowNode node, Map<String, Object> input) throws Exception; default Map<String, Object> execute(WorkflowNode node, Map<String, Object> input, Consumer<ExecutionEvent> progressCallback) throws Exception { return execute(node, input); } String getSupportedNodeType(); }

4.3 数据传递与条件分支路由

DAG 引擎支持一对多、多对一的连接方式，并自动检测循环依赖防止死锁。当执行到condition节点时，ConditionNodeExecutor 会在输出中写入__selectedBranch__字段（未匹配任何条件时为"default"），随后WorkflowEngine.markSkippedNodes依据条件节点出边的sourceHandle与选中分支的匹配关系，递归标记未选中分支下游的所有节点为跳过状态——只有所有入边都来自已跳过节点时才跳过，避免误伤多入边汇聚节点。

4.4 断点续执行

DAG 引擎还支持断点续执行：resumeExecution会根据执行快照找到第一个FAILED（或未完成）的节点作为恢复起点，支持通过ResumeExecutionRequest指定startNodeId、skipSuccessNodes（跳过已成功节点）与modifiedVariables（修改执行变量后重跑），执行变量表execution_variable记录用户修改过的变量及类型（STRING/NUMBER/BOOLEAN/JSON）。前端对应 API 封装在 frontend/src/api/workflow.ts 的resumeWorkflowExecution中，默认开启skipSuccessNodes: true与useSnapshotVariables: true。

五、LangGraph4j 状态图引擎机制

5.1 双引擎选择与路由

EngineSelector 根据工作流的engineType字段自动选择执行引擎：dag路由到WorkflowEngine，langgraph路由到LangGraphWorkflowEngine，未设置或为空时默认使用 DAG 引擎以确保向后兼容。两个引擎均实现统一的 WorkflowExecutor 接口（execute/executeWithCallback/getEngineType），因此引擎切换对上层 Controller 完全透明。

// 引擎路由逻辑（简化自 EngineSelector.selectEngine） // engineType = "dag" → WorkflowEngine（DAG 引擎） // engineType = "langgraph" → LangGraphWorkflowEngine // engineType = null → DAG 引擎（默认，向后兼容）

5.2 LangGraph4j 执行流程

LangGraphWorkflowEngine 的完整执行流程如下：

1. 配置解析：WorkflowConfigParser.parse将WorkflowConfig传入 GraphBuilder；
2. 状态图构建：GraphBuilder 将节点/边转换为 LangGraph4jStateGraph：为每个WorkflowNodeaddNode，为每条边addEdge，并通过查找"无前置节点的节点 / 无后继节点的节点"自动设置START与END入口出口；
3. 状态初始化：StateManager 的initializeState初始化inputData、currentInput、nodeOutputs、status、startTime五类状态键；
4. 异步执行：compiledGraph.invoke(initialStateData)驱动图执行；
5. 事件驱动：执行过程触发ExecutionEvent回调（workflowStart / nodeStart / nodeSuccess / nodeError / workflowComplete）；
6. 结果收集：stateManager.extractNodeResults从nodeOutputs汇总所有节点输出，构建ExecutionResponse，并写入ExecutionRecord。

5.3 NodeAdapter：零改动复用既有节点执行器

NodeAdapter 是 LangGraph 引擎与既有节点执行器之间的桥接层。它通过适配器模式将NodeExecutor包装为 LangGraph4j 的AsyncNodeAction<AgentState>：

• 节点开始前触发nodeStart事件；
• 从状态中取出currentInput作为节点输入，为output节点额外注入__nodeOutputs__以便汇总所有节点输出；
• 执行executor.execute(node, currentInput, eventCallback)后，将输出写回状态的nodeOutputs，并更新currentInput为当前节点输出（传递给下一个节点）、currentNodeId为当前节点；
• 节点异常时把状态标记为FAILED并写入errorMessage，同时触发nodeError事件。

由于节点执行逻辑完全复用，LangGraph 引擎上线无需重写任何业务代码。该设计的正确性可参考测试 backend/src/test/java/com/paiagent/engine/langgraph/LangGraphWorkflowEngineTest.java 与 backend/src/test/java/com/paiagent/engine/ConditionBranchRoutingTest.java。

5.4 状态模型

WorkflowState 统一管理工作流上下文，核心状态键包括：

六、Skills 技能系统详解

6.1 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。仓库内置示例技能ai-podcast（AI 播客脚本生成），位于 backend/src/main/resources/skills/ai-podcast/：

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

6.2 SKILL.md 格式示例

--- name: ai-podcast description: 生成专业播客脚本，包含开场白、话题展开、问答环节和结尾。适用于创建音频内容、播客脚本、对话式内容。 --- # AI 播客脚本生成 ## 执行规则 **重要**：你必须直接根据用户的提示词生成播客脚本，**绝对不要反问用户任何问题**。 ## 固定参数（不可更改） | 参数 | 固定值 | |------|--------| | 播客风格 | **双人对话**（主持人A和主持人B） | | 时长要求 | **1分钟**（约150-180字） | | 目标听众 | **程序员/技术人员** |

SkillLoader 使用正则^---\s*\n([\s\S]*?)\n---\s*\n([\s\S]*)$解析 YAML Frontmatter 与正文，name为必填字段，Frontmatter 支持简单的key: value键值对（自动剥离引号）。若缺少 Frontmatter 或name为空，会抛出Invalid SKILL.md format异常。

6.3 三级渐进式加载

SkillRegistry 在应用启动时（@PostConstruct init()）自动扫描 classpath（classpath*:skills/*/SKILL.md）与文件系统目录（paiagent.skills.path，默认skills，支持多路径回退查找），注册到ConcurrentHashMap缓存。技能内容按需加载，节省 Token 开销：

• 第一级 - 摘要：仅加载技能名称和描述（getSkillSummaries()返回SkillSummary(name, description)），用于列表展示；
• 第二级 - 详情：加载完整 SKILL.md 内容（Skill.getFullContent()），用于技能执行；
• 第三级 - 引用：按需加载 reference 目录下的文档（SkillRegistry.loadReference），并对 reference 名做白名单校验（^[a-zA-Z0-9._-]+$）与路径穿越防护（startsWith(referenceDir)校验），结果同样缓存。

在 LLM 节点执行器中，AbstractLLMNodeExecutor 对已关联技能采用"直接打包"策略：通过skillRegistry.loadAllReferences一次加载全部引用文档，再以Skill.getFullExecutionPrompt(references)生成完整执行 Prompt 嵌入系统提示词，避免 LLM 多轮函数调用，一次调用即可拿到全部上下文。

6.4 LLM Function 集成与 REST API

技能系统通过 Spring AIFunctionCallback暴露给大模型自主调用（LoadSkillDetailFunction的load_skill_detail与LoadSkillReferenceFunction的load_skill_reference），实现"渐进式披露"——大模型先看到技能摘要，需要时再调用函数拉取详情与引用文档。前端 SkillSelector 组件支持在工作流节点中选择并应用技能。

技能 REST API 由 SkillController 提供：

七、LLM 节点与多模型统一调用层

7.1 ChatClient 动态工厂

ChatClientFactory 根据节点配置在运行时动态实例化不同厂商的ChatClient，支持多租户场景下每个节点独立配置 API Key / API URL / 模型的能力。其核心设计：

• 提供商标识归一化：normalizeProvider将"open ai"、"通义千问"、"智谱"、"阶跃星辰"、"火山方舟"、"skyclaw"等别名统一映射为内部标识（openai/deepseek/qwen/step/zhipu/ai_ping/agnes/apifree/volcengine_agent_plan）；
• URL 智能归一化：normalizeBaseUrl自动剥离/v1/chat/completions、/v1后缀与尾部斜杠，兼容用户误填完整接口地址的情况；
• 定制 ChatModel：OpenAI 兼容厂商统一走OpenAiChatModel；apifree（SkyClaw）额外放宽text/plain响应类型；volcengine_agent_plan显式覆盖为/api/plan/v3/chat/completions路径；
• 函数注册：createClientWithFunctions通过builder.defaultFunctions(...)将 FunctionCallback 注册进 ChatClient。

// 动态创建 ChatClient（简化自 ChatClientFactory） ChatClient chatClient = chatClientFactory.createClientWithFunctions( provider, apiUrl, apiKey, model, temperature, functions); String response = chatClient.prompt().user(prompt).call().content();

7.2 AbstractLLMNodeExecutor 抽象基类

AbstractLLMNodeExecutor 采用模板方法模式，将 5 个 LLM 节点执行器的公共逻辑收敛到一处：配置提取（优先使用全局配置configId，回退节点级配置）→ 配置校验 → Skill 关联 → 系统提示构建 → 模板替换 → ChatClient 创建 → 三种执行模式（普通 / 流式 / 带函数调用，函数调用最多迭代 5 轮）→ Token 统计与输出构建。子类只需实现getNodeType()即可，例如OpenAINodeExecutor返回"openai"、DeepSeekNodeExecutor返回"deepseek"、QwenNodeExecutor返回"qwen"、ZhiPuNodeExecutor返回"zhipu"。

该执行器还支持 RAG 增强：当节点开启memoryEnabled或配置了knowledgeBaseId时，会先调用agentMemoryService.retrieve/knowledgeBaseService.searchRuntime召回记忆与知识库上下文（memoryTopK、knowledgeTopK默认 5，knowledgeScoreThreshold默认 0.2），拼接到用户提示词之前。

7.3 Prompt 模板处理

PromptTemplateService 统一处理{{variable}}模板变量替换与上下游节点参数引用映射，支持两种输入参数类型：

• input 静态值：直接从节点配置的value字段取值；
• reference 动态引用：从上游节点输出中按referenceNode（如llm_1.output，取.后段作为键名）动态取值，并兼容user_input存储为input键的旧格式。

// 模板替换示例 String userPrompt = promptTemplateService.processTemplate( config.getPromptTemplate(), config.getInputParams(), input);

八、SSE 实时流式调试

8.1 后端事件推送链路

ExecutionController 提供GET /api/workflows/{id}/execute/stream接口，基于SseEmitter（超时 300 秒）实现实时反馈。执行线程将Consumer<ExecutionEvent>回调注册给引擎，引擎在每个节点启动、成功、出错以及工作流完成时回调，控制器将事件按SseEmitter.event().name(event.getEventType()).data(event)推送给前端。

ExecutionEvent 定义了五类事件，字段包含eventType、nodeId、nodeName、status、message、data、timestamp：

8.2 前端 EventSource 消费

前端 frontend/src/api/workflow.ts 的executeWorkflowStream使用浏览器原生EventSource订阅上述事件，将每个事件实时渲染到 DebugDrawer 调试抽屉中，实现"输入文本 → LLM 生成 → TTS 合成 → 输出播放"全流程的可视化追踪。该接口还处理了鉴权失败（跳转登录页）与连接中断的兜底逻辑。

九、快速开始（一键启动指南）

9.1 环境要求

9.2 克隆项目与数据库初始化

git clone https://gitcode.com/javabetter/PaiAgent cd PaiAgent

创建数据库并导入初始化脚本（backend/src/main/resources/schema.sql 同时创建workflow、node_definition、execution_record、execution_snapshot、execution_variable、llm_global_config、agent_memory、mcp_tool_config、knowledge_base等表，并预置全部节点定义数据）：

mysql -u root -p

CREATE DATABASE paiagent DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

mysql -u root -p paiagent < backend/src/main/resources/schema.sql

9.3 配置环境变量

项目使用环境变量管理敏感配置，application.yml通过spring.config.import: optional:file:.env[.properties]与optional:file:backend/.env[.properties]自动导入.env文件。复制模板并编辑：

cd backend cp .env.example .env

# 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。application.yml中还内置了 JWT 密钥兜底逻辑——本地开发未配置JWT_SECRET时会自动生成临时强密钥，但生产环境务必显式配置。

9.4 启动后端服务

cd backend ./mvnw spring-boot:run

启动成功后控制台输出Started PaiAgentApplication in X.XXX seconds。后端服务地址为http://localhost:8084（默认端口，可在.env的SERVER_PORT或 application.yml 中修改）。项目内置spring-boot-devtools，修改代码触发编译后应用会自动热重启；启动后可访问http://localhost:8084/swagger-ui.html查看 API 文档。

9.5 启动前端服务

cd frontend cp .env.example .env.local npm install npm run dev

前端通过 Vite 环境变量VITE_API_BASE_URL连接后端，默认http://localhost:8084。启动成功后可看到：

➜ Local: http://localhost:5173/

前端不能直接读取 Spring Boot 的application.yml，因此若后端端口变化，需同步调整frontend/.env.local。

9.6 首次登录与快速演示

开发环境默认账户（可在.env中通过APP_AUTH_DEFAULT_USERNAME/APP_AUTH_DEFAULT_PASSWORD修改）：

⚠️ 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（将两个变量都设为空值即可禁用默认账户）。

创建第一个工作流的操作路径：

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，通过 SSE 实时查看执行结果。

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

十、节点扩展开发指南

方式一：开发普通工具节点。实现NodeExecutor接口，注册到 NodeExecutorFactory（工厂在构造时通过@Autowired List<NodeExecutor>自动收集所有执行器并按getSupportedNodeType()注册）：

public class CustomNodeExecutor implements NodeExecutor { @Override public Map<String, Object> execute(WorkflowNode node, Map<String, Object> input) { // 自定义逻辑 return output; } @Override public String getSupportedNodeType() { return "custom"; } }

方式二：开发 LLM 节点（推荐）。继承AbstractLLMNodeExecutor，自动获得 Spring AI 能力与配置提取、模板替换、流式输出等全部基础能力：

@Component public class CustomLLMNodeExecutor extends AbstractLLMNodeExecutor { @Override protected String getNodeType() { return "custom_llm"; } }

前端添加节点定义（在节点面板注册，参考 frontend/src/components/NodePanel.tsx）：

const customNode = { type: 'custom', label: '自定义节点', category: 'tool' };

十一、开发路线图

11.1 已完成功能（v1.0，当前完成度 98%）

• 基础架构搭建（Spring Boot + React + TypeScript）
• 用户认证系统（Token 认证 + AuthInterceptor 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 ChatClient 调用接口，支持 OpenAI 兼容协议
• Spring AI Alibaba 集成（v1.0.0-M6.1）：通义千问 DashScope 原生支持
• 多大模型节点：OpenAI / DeepSeek / 通义千问 / 智谱 / AIPing
• 工具节点：输入/输出、TTS 音频合成、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 管理与执行记录查询
• LangGraph4j 状态图引擎：StateGraph 第二执行引擎、EngineSelector 双引擎路由、NodeAdapter 零改动复用、StateManager 统一状态管理
• Skills 技能系统：YAML Frontmatter + Markdown 声明式定义、SkillRegistry 自动扫描缓存、三级渐进式加载、Spring AI FunctionCallback 集成、前端 SkillSelector、REST API
• 条件分支节点（IF/ELSE 逻辑）与断点续执行能力

11.2 规划中功能

• v1.1（近期）：循环执行节点（FOR/WHILE）、更多 LLM 节点（Claude、Gemini、本地模型）、更多内置技能、集成测试完善、执行性能监控
• v1.5（中期）：子工作流调用、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（远期）：多租户与权限管理、协作与分享、性能监控与告警、国际化支持、插件市场

十二、项目文档导航

PaiAgent 采用 MIT License 开源。如需深入了解引擎实现细节，可直接阅读 EngineSelector、DAGParser、LangGraphWorkflowEngine、SkillRegistry 与 ChatClientFactory 等核心源码，以及 LangGraphWorkflowEngineTest、ConditionNodeExecutorTest 等测试用例作为行为规范参考。

• 人工智能
• AI Agent
• 流程编排
• 后端
• 前端