heym
可视化拖拽构建 AI 工作流，支持 MCP 工具调用、RAG 向量检索与人机协作审批
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
可视化拖拽构建 AI 工作流，支持 MCP 工具调用、RAG 向量检索与人机协作审批
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一个场景：你是一名独立开发者，正在构建一个 SaaS 产品，需要在用户注册时自动调用 AI 分析用户意图、在 Slack 中发送通知、更新 Notion 记录，同时还要监控 token 消耗和 API 调用成本。以往这个流程可能需要你手动拼接多个 API、写一堆胶水代码，还要处理各种边界情况。
Heym 做的事情，就是把这一切变成一个可视化拖拽的工作流。你不需要写一行代码，只需要把「AI 节点」「Webhook 触发器」「Slack 通知」等模块拖到画布上，用线条连起来，点击运行——整个自动化流程就完成了。
图1：Heym 开源 AI 工作流自动化平台
工作流自动化并不是新概念。Zapier、Make（原 Integromat）、n8n 早已是这个领域的玩家。但这些平台有一个共同问题：它们不是为 AI 原生应用设计的。
当你需要在工作流中嵌入一个 LLM 调用时，这些平台往往只能把它当作一个普通的「HTTP 请求」步骤处理——你需要手动处理 JSON 构造、token 管理、流式输出解析。更别提 RAG（检索增强生成）、MCP 工具调用、多 Agent 协作这些 AI 时代特有的需求了。
Heym 正是瞄准了这个空白。它从第一天起就把 AI 能力作为一等公民：内置 LLM 节点支持 OpenAI/Anthropic 兼容接口，内置 RAG 向量存储（基于 Qdrant），支持 MCP 协议的工具调用，还有专门的 Agent 节点和 Human-in-the-Loop（人机协作）审批节点。
项目的作者是 heymrun 团队，目前采用 MIT + Commons Clause 许可证（禁止直接商业销售SaaS服务），但完全开源可自托管。截至分析时，GitHub 获得约 607 颗星，社区活跃度较高。
Heym 提供两种构建工作流的方式，满足不同技术背景用户的需求。
如果你习惯用自然语言描述任务，Heym 内置的 AI Assistant 可以接收一段提示词，自动生成对应的 workflow DAG（有向无环图）。这本质上是一种 LLM-based workflow synthesis——给定高层意图，AI 自动拆解任务步骤并选择合适的节点类型。对于快速验证想法、或者非技术人员来说，这种方式特别友好。
对于需要精细控制的场景，Heym 提供了完整的拖拽式画布。底层基于 Vue Flow（Vue.js 的流程图库），支持：
图2：Heym 可视化工作流画布，支持拖拽式节点编排
图3：节点属性面板，支持配置 LLM 参数、MCP 工具、超时等
Heym 的架构采用标准的 前后端分离 设计，前后端各自独立部署，通过 REST API 通信。
后端基于 Python 3.11+ / FastAPI，使用 SQLAlchemy 2.0 + asyncpg 实现异步数据库访问，数据库为 PostgreSQL。主要技术栈：
| 组件 | 技术选型 | 作用 |
|---|---|---|
| Web 框架 | FastAPI + Uvicorn | 高性能 ASGI 服务 |
| 数据库 | PostgreSQL 16 + SQLAlchemy 2.0 | 结构化数据持久化 |
| 异步 ORM | asyncpg | 异步数据库驱动 |
| 缓存/消息 | Redis + RabbitMQ | 会话缓存、任务队列 |
| 向量存储 | Qdrant | RAG 检索 |
| LLM 集成 | OpenAI SDK（兼容接口） | LLM 调用 |
| AI Agent | MCP (Model Context Protocol) | 工具/Agent 调用框架 |
| 浏览器自动化 | Playwright | 网页自动化节点 |
| 文档处理 | pypdf、python-docx、Pillow | RAG 数据摄取 |
| 认证 | JWT + bcrypt | 用户认证 |
| 可观测性 | OpenTelemetry + OTLP | 分布式追踪 |
| 任务调度 | croniter | Cron 触发器 |
后端的核心执行引擎是 workflow_executor.py，负责任务调度和节点执行。mcp_tool_executor.py 处理 MCP 工具调用，python_tool_executor.py 则在沙箱中执行用户上传的 Python 代码片段（通过 Docker 容器隔离）。
值得注意的是，后端的依赖管理使用了 uv（现代 Python 包管理器，比 pip 快 10-100 倍），但 pyproject.toml 中仍然使用标准 hatchling 构建系统，兼容性良好。
前端基于 Vue 3 + TypeScript + Vite，UI 框架采用 Tailwind CSS，状态管理使用 Pinia。核心库包括：
@vue-flow/core）：工作流画布引擎playwright test / playwright test --uibun.lock）前端开发服务默认运行在 4017 端口，生产环境通过 Docker 多阶段构建生成优化后的静态资源。
┌─────────────────────────────────────────────┐
│ heym_network (bridge) │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │Frontend │ │ Backend │ │PostgreSQL│ │
│ │(Vite/Docker)│ │(FastAPI) │ │ │ │
│ │ :4017 │ │ :10105 │ │ :5432 │ │
│ └──────────┘ └──────────┘ └──────────┘ │
│ │ │
│ ┌─────┴─────┐ │
│ │ Redis │ RabbitMQ │
│ └──────────┘ │
└─────────────────────────────────────────────┘
Docker Compose 中后端容器配置了 shm_size: 2gb（共享内存，用于 Playwright 等需要大内存的节点）。
Heym 深度集成了 MCP（Model Context Protocol） 协议。MCP 是一种让 LLM 与外部工具交互的标准协议，Anthropic 在 2024 年底开源了 SDK。Heym 支持：
mcp_session.py 管理每个工作流执行会话的 MCP 连接上下文这意味着你可以在 Heym 中构建一个 Agent 工作流：LLM 节点根据用户输入决定调用哪些 MCP 工具（类似 OpenAI 的 function calling），工具结果返回给 LLM，LLM 继续决策，直到任务完成。
有些自动化流程不能完全交给 AI 自动执行——比如涉及支付、审批、敏感操作的步骤。Heym 提供了 hitl_service.py（HITL 服务），支持在工作流中插入人工审批节点：
这种设计在企业级工作流中非常实用，比如「AI 初审 → 人工复核 → 自动执行」的三段式审批流。
Heym 内置了完整的 RAG 管道：
file_processor.py / doc_index.py）：支持 PDF、Word、Excel、图片（OCR via Pillow）embedding.py）：调用 OpenAI text-embedding-3-small 等模型vector_store.py / qdrant_pool.py）：Qdrant 向量数据库reranker.py）：支持重排序提升检索质量企业级工作流最怕「跑起来了但不知道在干什么」。Heym 通过 OpenTelemetry SDK 集成了完整的可观测性：
通过 HEYM_OTEL_ENABLED=true 环境变量开启，配合 HEYM_OTEL_TRACES_SAMPLER_RATIO 控制采样率。
AI 工作流有一个独特需求：每次 LLM 调用都要花钱。Heym 内置了 token 成本追踪：
llm_pricing.py：维护 OpenAI/Anthropic 各模型的最新定价llm_pricing_sync.py：定期同步官方定价表dashboard_data.py：聚合展示 token 消耗和成本这样你可以在 Dashboard 中直观看到每个工作流、每个用户的 AI 消耗，防止意外超支。
Heym 提供两种部署方式：
方式一：Docker 一键部署（推荐）
git clone https://github.com/heymrun/heym.git
cd heym
cp .env.example .env
# 编辑 .env，填入 SECRET_KEY、ENCRYPTION_KEY 等
docker-compose up -d
访问 http://localhost:4017，首次注册账号即可使用。docker-compose 包含 PostgreSQL、Redis、RabbitMQ，后端和前端自动构建。
方式二：本地开发
# 后端
cd backend
uv sync
uv run uvicorn app.main:app --reload --port 10105
# 前端（另一个终端）
cd frontend
bun install
bun run dev
前端开发服务器默认 4017 端口，通过 Vite proxy 代理到后端 10105。
Heym 是纯 CPU 运行的工作流引擎，不需要 GPU。最低配置：
如果要跑 Playwright 节点（浏览器自动化），建议更多内存。Docker Compose 中后端容器已配置 2GB 共享内存。
Heym 最适合以下场景：
Heym 使用 MIT + Commons Clause 双重许可证。Commons Clause 的核心限制是：禁止将该软件作为 SaaS 服务直接向第三方收费。如果你想基于 Heym 构建商业 SaaS 产品，需要联系作者获得商业授权。
这对个人使用和内部企业自托管没有问题，但对想用 Heym 打造商业 SaaS 的开发者来说是一个法律风险。
虽然 Heym 和 n8n 都支持可视化工作流，但定位有显著差异：
如果你需要的是连接各种 SaaS 工具做业务流程自动化，n8n 更合适。如果你要构建 AI Agent 流水线，Heym 更合适。
虽然 Docker 一键部署降低了门槛，但 Heym 的后端依赖链较长（PostgreSQL + Redis + RabbitMQ + 可选 Qdrant + 可选 Jaeger），对没有容器化运维经验的用户来说，生产环境的高可用配置、备份策略、日志管理都需要自行处理。
Heym 代表了一个趋势：AI 工作流的民主化。
过去，构建一个完整的 AI Pipeline（触发器 → RAG 检索 → LLM 推理 → 工具调用 → 输出）需要至少掌握 FastAPI、向量数据库、LLM API 调用、异步任务队列等多个技术领域。Heym 将这些能力封装成可拖拽的节点，让非 AI 工程师也能构建复杂的 AI 自动化流程。
GitHub 上关于 ai-agents 和 workflow-automation 的话题持续增长，Heym 正是这一交叉领域的代表性项目。其对 MCP 协议的快速采纳（mcp>=1.27.0 依赖）也体现了项目团队对新兴标准的敏感度。
Heym 是一个面向 AI 原生场景的可视化工作流自动化平台，核心优势在于：
如果你需要一个可以自托管、支持 AI Agent 工作流、带有可视化界面的平台，Heym 是一个值得关注的选择。
图4：Heym 工作流创建演示gif
图5：Heym 技能（Skill）构建演示gif
图6：Heym 登录界面