AI-Flow：开源可视化 AI 工作流编排平台

当设计师开始"拼装"大模型：AI-Flow 如何让 AI 工作流像搭积木一样简单

凌晨两点，独立开发者小李盯着屏幕发呆。他刚刚接到一个需求：用户上传一张产品图，自动用 GPT-4o 识别产品内容，再用 Stable Diffusion 生成配套的宣传海报，最后把结果发到 Slack 频道。如果用传统方式，这需要写 API 调用、处理图片格式、写回调逻辑——至少折腾两三天。

但有了 AI-Flow，他拖拽了三个节点，连上 API Key，五分钟后第一个 demo 就跑通了。

这就是 AI-Flow 想要解决的问题：让 AI 工作流的编排，变得和画流程图一样直观。

项目背景：从个人工具到开源社区

AI-Flow 由开发者 DahnM20 创建于 2023 年 5 月，GitHub 仓库目前已积累 288 Stars、52 个 Fork。项目的核心定位是一个开源的多模型 AI 工作流可视化编排工具，允许用户在浏览器中通过拖拽节点的方式，连接多个 AI 模型 API，构建复杂的 AI 处理管道。

随着 AI 模型生态的快速分化——GPT 系列、Claude、Stable Diffusion、FLUX、Replicate 生态中的数百个模型——开发者面临的最大挑战不再是"模型能力不够"，而是"如何高效组合多个模型完成真实任务"。AI-Flow 正是从这个痛点切入，将工作流编排能力下沉到开源社区，让每个有 API Key 的用户都能快速实验。

截至目前，项目已发布 v0.11.3 版本，最后一次提交为 2026 年 5 月底，说明项目仍在活跃维护。

核心功能：拖拽之间，多模型协同

AI-Flow 的界面基于 React 构建，提供了完整的可视化工作流编辑器。用户可以在画布上添加不同类型的节点，每个节点代表一个 AI 操作单元。

支持的模型与服务商

AI-Flow 集成了多个主流 AI 服务商，核心支持包括：

OpenAI：GPT-4o、GPT-4.1、o1/o3/o4 推理模型、TTS 语音合成，覆盖文本生成、图像理解、多模态输入等场景。
Stability AI：Stable Diffusion 3.5、SDXL、Stable Video Diffusion（视频生成）等图像和视频模型。
Replicate：FLUX.1 系列（包括 Kontext、Pro 等变体）、Imagen 4、Veo 3、Lyria 2 等最新模型，通过 Replicate API 一站式接入。
Anthropic Claude：通过 claude_anthropic_processor.py 扩展节点接入。
Deepseek：通过 deepseek_processor.py 接入。
OpenRouter：通过 open_router_processor.py 提供统一网关。

节点类型设计

后端的 processors/components 目录揭示了丰富的能力节点：

核心节点（core） 覆盖了最常用的处理场景：

input_processor：用户输入节点，接收文本或文件
llm_prompt_processor：LLM 提示词处理，驱动 GPT/Claude 等文本模型
gpt_vision_processor：图像理解节点，调用 GPT-4o 的视觉能力
file_processor：文件处理，支持 PDF、视频等多媒体内容解析
dall_e_prompt_processor：DALL·E 图像生成
stable_diffusion_stabilityai_prompt_processor：Stable Diffusion 提示词处理
replicate_processor：Replicate 模型通用处理器
youtube_transcript_input_processor：YouTube 字幕抓取 + 后续 AI 分析
url_input_processor：从 URL 抓取内容供后续处理

扩展节点（extension） 提供了更多高级能力：

openai_reasoning_processor：OpenAI o1/o3 等推理模型处理
openai_text_to_speech_processor：文本转语音
document_to_text_processor：文档内容提取（PDF、Word 等）
http_get_processor：调用外部 HTTP API
stabilityai_generic_processor：Stability AI 通用处理器
stable_diffusion_three_processor：SD3 系列模型

并行与实时监控

工作流引擎支持节点并行执行——当多个节点之间无数据依赖时，系统会自动并行调度，显著提升整体处理速度。执行过程中，用户可以实时监控每个节点的输入、输出和执行状态，支持调试和迭代。

技术架构：前后端分离，微服务设计

AI-Flow 采用前后端分离架构，技术栈如下：

层级	技术	说明
前端	React 18 + TypeScript	基于 Vite 构建，Mantine UI 组件库
拖拽引擎	react-dnd + react-grid-layout	负责节点拖拽和画布布局
动画	Framer Motion	交互动效
国际化	i18next	多语言支持（英文、法文等）
后端	Flask + Flask-SocketIO	REST API + WebSocket 实时通信
异步任务	eventlet + 线程池/进程池	`green_pool_task_manager.py`、`thread_pool_task_manager.py`
AI SDK	LangChain + OpenAI SDK + Anthropic SDK	统一调用多个 AI 服务
依赖管理	Poetry	Python 后端包管理
容器化	Docker + Docker Compose	多阶段构建，前端 Nginx 托管
浏览器自动化	Playwright	支持网页抓取和自动化操作节点

前后端通信机制

后端通过 Flask-SocketIO 实现 WebSocket 双向通信，前端实时接收工作流执行状态。REST API 负责工作流的 CRUD 操作，WebSocket 负责流式输出和进度推送。这种设计特别适合 AI 模型调用——LLM 输出通常是流式的，需要实时推送而非轮询。

工作流存储与执行

工作流支持导入/导出（JSON 格式），方便分享和备份。任务管理模块（task_manager.py）负责调度，可选线程池或进程池执行，适应不同规模的并发需求。

部署体验：Docker 一键启动，门槛极低

AI-Flow 提供了开箱即用的 Docker 部署方案，这是项目的一大亮点。

容器化支持

项目在 packages/backend/Dockerfile 和 packages/ui/Dockerfile 中分别定义了后端和前端的镜像构建流程：

后端：基于 python:3.9，安装了 Playwright 浏览器支持（playwright install chromium），以及系统依赖（build-essential、libpq-dev、ssl 等）。
前端：基于 node:21 构建 React 应用，最终用 nginx:1.21 托管静态资源，采用多阶段构建优化镜像体积。

根目录 docker/docker-compose.yml 将前后端服务整合在一起，只需：

git clone https://github.com/DahnM20/ai-flow.git
cd ai-flow/docker
docker-compose up

启动后访问 http://localhost 即可使用 Web UI。

硬件与前置要求

硬件：无需 GPU，纯 CPU 运行即可。内存建议 4GB 以上，磁盘 2GB。
前置：Docker + Docker Compose + Git（用于拉取仓库）。
API Key：用户需自行准备各服务商的 API Key（OpenAI、Replicate、Stability AI 等），在 .env 文件中配置。

与商业版的差距

AI-Flow 提供开源版（MIT 许可证）和云端 Pro 版（app.ai-flow.net）。开源版功能已经相当完整，但 Pro 版额外提供：

子工作流与循环：支持嵌套工作流和循环迭代，适合复杂自动化场景
API 触发：通过 HTTP API 触发工作流执行，适合集成到其他系统
第三方集成：Google Search、Airtable、Zapier、Make 等
专业客服支持

对于大多数个人开发者和小型团队，开源版已经能够满足日常工作需求。

行业意义与局限性

意义

AI-Flow 代表了一种趋势：AI 能力编排工具的下沉。在过去，只有企业才能负担复杂的 AI 管道建设；现在，任何持有 API Key 的开发者都可以在浏览器中快速实验多模型组合。这种民主化的工具链对于 AI 应用创新具有重要推动作用。

从 GitHub 数据看，项目保持了稳定更新（v0.11.3，2026年5月活跃），社区反馈积极。

局限性

依赖外部 API：没有内置模型推理能力，完全依赖第三方 API，存在成本和可用性风险。
无本地模型支持：不能接入 Ollama、vLLM 等本地推理引擎。
复杂工作流调试困难：当节点数量增多时，实时监控界面可能不够直观。
无版本控制：导出的 JSON 工作流文件缺乏版本管理能力。

总结

AI-Flow 是一个实用性强、部署简单、社区活跃的开源 AI 工作流编排工具。它不是要取代专业 MLOps 平台，而是为 AI 爱好者提供了一个低门槛的多模型实验场——用拖拽替代编码，让创意快速落地。对于想快速验证"GPT + 图像生成 + 外部 API"组合方案的开发者来说，AI-Flow 值得一试。

数据来源：GitHub 仓库（stars 288, forks 52, 最新版本 v0.11.3, 最后提交 2026-05-26）

AI-Flow：开源可视化 AI 工作流编排平台

当设计师开始"拼装"大模型：AI-Flow 如何让 AI 工作流像搭积木一样简单

但有了 AI-Flow，他拖拽了三个节点，连上 API Key，五分钟后第一个 demo 就跑通了。

这就是 AI-Flow 想要解决的问题：让 AI 工作流的编排，变得和画流程图一样直观。

项目背景：从个人工具到开源社区

截至目前，项目已发布 v0.11.3 版本，最后一次提交为 2026 年 5 月底，说明项目仍在活跃维护。

核心功能：拖拽之间，多模型协同

AI-Flow 的界面基于 React 构建，提供了完整的可视化工作流编辑器。用户可以在画布上添加不同类型的节点，每个节点代表一个 AI 操作单元。

支持的模型与服务商

AI-Flow 集成了多个主流 AI 服务商，核心支持包括：

OpenAI：GPT-4o、GPT-4.1、o1/o3/o4 推理模型、TTS 语音合成，覆盖文本生成、图像理解、多模态输入等场景。
Stability AI：Stable Diffusion 3.5、SDXL、Stable Video Diffusion（视频生成）等图像和视频模型。
Replicate：FLUX.1 系列（包括 Kontext、Pro 等变体）、Imagen 4、Veo 3、Lyria 2 等最新模型，通过 Replicate API 一站式接入。
Anthropic Claude：通过 claude_anthropic_processor.py 扩展节点接入。
Deepseek：通过 deepseek_processor.py 接入。
OpenRouter：通过 open_router_processor.py 提供统一网关。

节点类型设计

后端的 processors/components 目录揭示了丰富的能力节点：

核心节点（core） 覆盖了最常用的处理场景：

input_processor：用户输入节点，接收文本或文件
llm_prompt_processor：LLM 提示词处理，驱动 GPT/Claude 等文本模型
gpt_vision_processor：图像理解节点，调用 GPT-4o 的视觉能力
file_processor：文件处理，支持 PDF、视频等多媒体内容解析
dall_e_prompt_processor：DALL·E 图像生成
stable_diffusion_stabilityai_prompt_processor：Stable Diffusion 提示词处理
replicate_processor：Replicate 模型通用处理器
youtube_transcript_input_processor：YouTube 字幕抓取 + 后续 AI 分析
url_input_processor：从 URL 抓取内容供后续处理

扩展节点（extension） 提供了更多高级能力：

openai_reasoning_processor：OpenAI o1/o3 等推理模型处理
openai_text_to_speech_processor：文本转语音
document_to_text_processor：文档内容提取（PDF、Word 等）
http_get_processor：调用外部 HTTP API
stabilityai_generic_processor：Stability AI 通用处理器
stable_diffusion_three_processor：SD3 系列模型

并行与实时监控

技术架构：前后端分离，微服务设计

AI-Flow 采用前后端分离架构，技术栈如下：

层级	技术	说明
前端	React 18 + TypeScript	基于 Vite 构建，Mantine UI 组件库
拖拽引擎	react-dnd + react-grid-layout	负责节点拖拽和画布布局
动画	Framer Motion	交互动效
国际化	i18next	多语言支持（英文、法文等）
后端	Flask + Flask-SocketIO	REST API + WebSocket 实时通信
异步任务	eventlet + 线程池/进程池	`green_pool_task_manager.py`、`thread_pool_task_manager.py`
AI SDK	LangChain + OpenAI SDK + Anthropic SDK	统一调用多个 AI 服务
依赖管理	Poetry	Python 后端包管理
容器化	Docker + Docker Compose	多阶段构建，前端 Nginx 托管
浏览器自动化	Playwright	支持网页抓取和自动化操作节点

前后端通信机制

工作流存储与执行

部署体验：Docker 一键启动，门槛极低

AI-Flow 提供了开箱即用的 Docker 部署方案，这是项目的一大亮点。

容器化支持

项目在 packages/backend/Dockerfile 和 packages/ui/Dockerfile 中分别定义了后端和前端的镜像构建流程：

后端：基于 python:3.9，安装了 Playwright 浏览器支持（playwright install chromium），以及系统依赖（build-essential、libpq-dev、ssl 等）。
前端：基于 node:21 构建 React 应用，最终用 nginx:1.21 托管静态资源，采用多阶段构建优化镜像体积。

根目录 docker/docker-compose.yml 将前后端服务整合在一起，只需：

git clone https://github.com/DahnM20/ai-flow.git
cd ai-flow/docker
docker-compose up

启动后访问 http://localhost 即可使用 Web UI。

硬件与前置要求

硬件：无需 GPU，纯 CPU 运行即可。内存建议 4GB 以上，磁盘 2GB。
前置：Docker + Docker Compose + Git（用于拉取仓库）。
API Key：用户需自行准备各服务商的 API Key（OpenAI、Replicate、Stability AI 等），在 .env 文件中配置。

与商业版的差距

AI-Flow 提供开源版（MIT 许可证）和云端 Pro 版（app.ai-flow.net）。开源版功能已经相当完整，但 Pro 版额外提供：

子工作流与循环：支持嵌套工作流和循环迭代，适合复杂自动化场景
API 触发：通过 HTTP API 触发工作流执行，适合集成到其他系统
第三方集成：Google Search、Airtable、Zapier、Make 等
专业客服支持

对于大多数个人开发者和小型团队，开源版已经能够满足日常工作需求。

行业意义与局限性

意义

从 GitHub 数据看，项目保持了稳定更新（v0.11.3，2026年5月活跃），社区反馈积极。

局限性

依赖外部 API：没有内置模型推理能力，完全依赖第三方 API，存在成本和可用性风险。
无本地模型支持：不能接入 Ollama、vLLM 等本地推理引擎。
复杂工作流调试困难：当节点数量增多时，实时监控界面可能不够直观。
无版本控制：导出的 JSON 工作流文件缺乏版本管理能力。

总结

数据来源：GitHub 仓库（stars 288, forks 52, 最新版本 v0.11.3, 最后提交 2026-05-26）

ai-flow

社区活跃度

AI-Flow：开源可视化 AI 工作流编排平台

当设计师开始"拼装"大模型：AI-Flow 如何让 AI 工作流像搭积木一样简单

项目背景：从个人工具到开源社区

核心功能：拖拽之间，多模型协同

支持的模型与服务商

节点类型设计

并行与实时监控

技术架构：前后端分离，微服务设计

前后端通信机制

工作流存储与执行

部署体验：Docker 一键启动，门槛极低

容器化支持

硬件与前置要求

与商业版的差距

行业意义与局限性

意义

局限性

总结

社区活跃度

AI-Flow：开源可视化 AI 工作流编排平台

当设计师开始"拼装"大模型：AI-Flow 如何让 AI 工作流像搭积木一样简单

项目背景：从个人工具到开源社区

核心功能：拖拽之间，多模型协同

支持的模型与服务商

节点类型设计

并行与实时监控

技术架构：前后端分离，微服务设计

前后端通信机制

工作流存储与执行

部署体验：Docker 一键启动，门槛极低

容器化支持

硬件与前置要求

与商业版的差距

行业意义与局限性

意义

局限性

总结