手动触发 → 固定步骤 → 固定输出



触发条件 → AI 决策 → 动态步骤 → 智能输出

AI 工作流平台核心能力：



- 定时任务



- 事件驱动（Webhook）



- 手动触发



- 计划调度



- 自然语言处理



- 图像识别



- 代码生成



- 数据分析



- API 集成



- 数据库集成



- 第三方服务集成



- 云端执行



- 本地执行



- 边缘执行

✅ 400+ 集成（Slack、GitHub、Google等）



✅ 强大的代码执行能力



❌ AI 能力需要配置外部服务



- 自托管：免费



- 云端：免费/付费（按执行次数）

// n8n 中的 AI 工作流



name: "Webhook",



type: "n8n-nodes-base.webhook",



parameters: {



path: "ai-process"



name: "AI Agent",



type: "@n8n/n8n-nodes-langchain.agent",



parameters: {



model: "gpt-4",



systemPrompt: "你是一个数据分析师..."



name: "Slack",



type: "n8n-nodes-base.slack",



parameters: {



channel: "#ai-results",



text: "={{ $json.analysis }}"

✅ 原生 LangChain 集成



✅ 强大的 Prompt 工程能力



❌ 主要面向 AI 场景



适用场景：AI 原生应用快速原型

LangFlow 架构



┌────────────────────────────────────────────┐



│              LangFlow UI                     │



│  （拖拽式可视化界面）                        │



├────────────────────────────────────────────┤



│           LangChain Core                     │



│  • Chains • Prompts • Memory                │



│  • Indexes • Agents • Tools                 │



├────────────────────────────────────────────┤



│           LLM Providers                      │



│  • OpenAI • Anthropic • Azure              │



│  • Hugging Face • 本地模型                  │



└────────────────────────────────────────────┘

# AutoGen 示例



from autogen import Agent, AssistantAgent, UserProxyAgent



# 创建助手 Agent



assistant = AssistantAgent(



name="coder",



system_message="你是一位Python专家，负责编写代码。"



user_proxy = UserProxyAgent(



name="user",



human_input_mode="NEVER"



# 创建另一个 Agent



reviewer = AssistantAgent(



name="reviewer",



system_message="你是一位代码审查专家。"



# 多 Agent 协作



groupchat = user_proxy.init_chat_group(



agents=[assistant, reviewer],



messages="编写一个Web爬虫并审查代码"

AutoGen 特点：



✅ 微软背书，质量有保证



✅ 多 Agent 协作能力强

# CrewAI 示例



from crewai import Agent, Task, Crew, Process



researcher = Agent(



role="研究员",



goal="提供最新的AI技术趋势",



backstory="你是一位资深技术研究员..."



writer = Agent(



goal="将研究内容转化为易读的文章",



backstory="你是一位专业科技作家..."



research_task = Task(



description="研究2026年AI最新进展",



agent=researcher



write_task = Task(



description="撰写文章",



agent=writer



crew = Crew(



agents=[researcher, writer],



tasks=[research_task, write_task],



process=Process.sequential



result = crew.kickoff()

✅ 面向应用开发，易上手



✅ 支持 RAG 和 Agent



- 自部署：免费



- 云端：免费/付费版

1. AI Chatbot



- 客服机器人



- 知识库问答



- 私人助手



- 自动化任务



- 多步骤工作流



3. Workflow



- 流程编排



- 条件分支



4. Text Generator



- 文章生成



- 内容创作

- 开箱即用



- 应用市场模板



- 无需编程



- 快速部署

// Flowise Chatflow 配置



"type": "chatOpenAI",



"params": {



"modelName": "gpt-4",



"temperature": 0.7



"type": "conversationalRetrievalQA",



"params": {



"vectoreStore": "Pinecone",



"retriever": "hybrid"



"type": "slack",



"params": {



"webhook": "https://hooks.slack.com/..."



{ "source": "chatOpenAI", "target": "conversationalRetrievalQA" },



{ "source": "conversationalRetrievalQA", "target": "slack" }

- 400+ 企业集成



- 开源自托管



- 高度可定制



- 成熟的社区

AutoGen 优势：



- 微软技术支持



- 强大的人机协作



- 高度可扩展



- 专注于 Agent 协作



- 角色定义清晰



- 易于理解和使用

FastGPT 优势：



- 专为知识库设计



- 支持复杂 RAG



- 开源免费



- 性能优秀

1. Dify（Docker 一键部署）



2. Flowise（Docker 支持）



3. n8n（Docker + 云端）



4. LangFlow（需要一定配置）



5. CrewAI（需要 Python 环境）



6. AutoGen（需要多组件配置）

假设：100人团队，3年周期



自托管：服务器成本 ~$3,000/年



人力维护：0.5 FTE ~$30,000/年



总计：~$99,000/3年



自托管：服务器成本 ~$2,000/年



人力维护：0.3 FTE ~$18,000/年



总计：~$60,000/3年



3. Coze Enterprise



实施费：一次性 $10,000



总计：~$28,000/3年

选择 AI 工作流平台的步骤：



Step 1: 明确需求



├── 需要哪些 AI 能力？



├── 集成哪些系统？



├── 用户技术能力？



Step 2: 评估限制



├── IT 基础设施？



Step 3: 原型测试



├── 选择 2-3 个候选



├── 用真实场景测试



└── 评估易用性和性能



Step 4: 最终选择

如果：非技术人员为主，需要快速上线



选择：Dify 或 Coze



如果：技术团队，追求灵活性



选择：n8n 或 AutoGen



如果：AI 原生应用，多 Agent 场景



选择：CrewAI 或 AutoGen



选择：FastGPT 或 Dify



如果：预算有限，需要自托管



选择：n8n + 自建 AI 能力