AI 工作流编排可视化实验室
从 Dify 到 LangFlow，从节点编排到条件路由、从并行执行到人工审批——把 2026 年 AI 工作流引擎的核心机制以可交互 SVG 呈现。
01
DAG 工作流编排
有向无环图（DAG）定义节点执行顺序与数据依赖。点击节点观察数据流动。
02
节点类型体系
工作流节点分为：输入源、LLM 调用、工具执行、数据处理、条件判断、输出汇聚六大类。
输入源
文本/文件/API/Webhook
触发工作流启动
LLM 节点
Prompt + Model 调用
核心推理单元
工具节点
搜索/代码/数据库
外部能力扩展
逻辑节点
IF/ELSE/Switch/Loop
控制流分支
03
条件路由引擎
基于表达式引擎的动态路由：LLM 分类结果、变量比较、正则匹配决定下一节点。
04
并行执行与扇出扇入
扇出（Fan-Out）并行多个节点，扇入（Fan-In）汇聚结果。展示 Map-Reduce 模式在 AI 工作流中的应用。
扇出
1 → N 并行
同时调用多个 LLM/工具
扇入
N → 1 汇聚
合并/投票/排序
加速比
~3.5x
4路并行 vs 串行
05
RAG 管线编排
完整 RAG 工作流：查询改写 → 并行检索(向量+关键词) → 重排序 → 上下文压缩 → LLM 生成 → 引用标注。
06
人工审批节点
Human-in-the-Loop：工作流暂停等待人工审批，支持 approve/reject/modify 三种操作。
07
工作流平台对比
Dify / LangFlow / n8n / Flowise / Coze 在可视化编排、节点生态、部署方式上的多维度对比。
08
工作流可观测性
每个节点的执行耗时、Token 消耗、成功率、错误率全链路追踪。调整节点数观察瓶颈迁移。
总耗时
3.2s
端到端延迟
Token 消耗
4,250
总 Token 数
成功率
96.7%
节点级平均
瓶颈节点
LLM-3
耗时最长