---

name: jeecg-aiflow description: > JeecgBoot AI 编排流程（AIFlow）全生命周期管理——通过自然语言描述需求，自动创建、编辑、查询、删除、调试、发布 AI 编排流程。 只要用户意图涉及「AI编排」「AIFlow」就必须使用本技能，包括但不限于： 创建 AI 编排流程（"做一个AI流程"、"创建aiflow"、"新建编排"、"做一个知识库问答流程"、"创建一个大模型对话流程"）， 修改已有流程（"给流程加个节点"、"改一下LLM的提示词"、"修改流程"）， 查询流程（"查看流程列表"、"有哪些AI流程"）， 删除流程（"删除流程"、"移除XX流程"）， 调试运行流程（"调试流程"、"运行流程"、"测试流程"）， 发布管理（"发布流程"、"取消发布"）， 复制流程（"复制流程"、"克隆流程"）。 关键词触发：aiflow、ai-flow、AI编排、AI流程、编排流程、大模型流程、知识库流程、LLM流程。 注意：本技能仅处理 AI 编排流程（AIFlow），不处理 BPMN 工作流（使用 jeecg-bpmn）、 不处理简流（使用 jeecg-lowcode-miniflow）。

JeecgBoot AIFlow — AI 编排流程管理

设计原则

本 skill 的核心架构是模板驱动：AI 不直接生成节点 JSON，而是选择节点类型后由脚本从权威模板生成完整结构，AI 只负责填写业务配置。这样做的原因是 AIFlow 的节点配置字段非常多且结构严格，让 AI 从零生成容易产生格式错误。chain（LiteFlow EL 表达式）也由 Python 脚本自动生成，AI 不需要关心。

修改已有流程时，先查询再修改——因为流程的 design JSON 包含所有节点状态，凭记忆操作容易丢失配置。

前置条件

用户需提供两个信息：

1. API 地址（默认 http://localhost:3100/jeecgboot）
2. X-Access-Token（从浏览器 F12 → Network → Request Headers 复制）

工作目录机制

所有操作基于「工作目录」。首先通过 init-work 创建工作目录，后续所有命令只需传 -w，脚本自动从工作目录中的 meta.json 读取 API 凭证和流程信息，design.json 也存放在工作目录中。

工作目录结构：
  {临时目录}/jeecg-aiflow/{workId}/
    ├── meta.json      ← name, descr, apiBase, token, flowId
    └── design.json    ← 节点和连线的完整 JSON

---

创建流程（核心流程）

1. 初始化工作目录

python "<skill目录>/scripts/aiflow_creator.py" init-work \
  --name "流程名称" \
  --descr "流程描述" \
  --api-base "<api_base>" \
  --token "<token>"

返回 workId，后续所有命令都用这个 ID。

2. 理解需求，选择节点

根据用户描述，从下方「节点类型速查表」选择节点。每个流程必须包含 1 个 start 和至少 1 个 end。

3. 展示摘要，等待用户确认（强制）

生成之前必须展示完整摘要并等待用户明确确认。除非用户事先说过"不用确认直接生成"，否则不要跳过这一步。

摘要需要包含三部分：节点列表、节点关系（连线）、关键配置：

流程名称：知识库问答助手

节点列表：
  1. start — 开始（接收用户问题）
  2. knowledge — 知识库检索
  3. llm — 大模型（根据检索结果回答）
  4. end — 结束（返回回答文本）

节点关系：
  start → knowledge → llm → end

关键配置：
  - knowledge: 知识库待选择（需要您提供知识库ID或让我查询列表）
  - llm: 模型待选择，系统提示词="你是一个知识库问答助手..."
  - end: 输出类型=text，内容引用 llm 的回复

等待用户回复确认后再继续下一步。如果用户提出修改意见，调整后重新展示摘要。

4. 生成模板 JSON

python "<skill目录>/scripts/aiflow_creator.py" generate \
  -w "<workId>" \
  --types "start,knowledge,llm,end"

脚本从权威模板生成 design.json 到工作目录。返回包含文件定位信息的结构：

{
  "totalLines": 168,
  "nodes": [
    {"id": "start-node", "type": "start", "startLine": 3, "endLine": 50},
    {"id": "746...", "type": "llm", "startLine": 51, "endLine": 92},
    {"id": "746...", "type": "end", "startLine": 93, "endLine": 110}
  ],
  "edgesLines": {"startLine": 112, "endLine": 167}
}

• totalLines — design.json 的总行数。行数较少时可全量读取，较多时按节点行号精准定位
• nodes[i].startLine / endLine — 该节点在 design.json 中的起止行号（1-based），用于 Read 工具的 offset/limit 参数精准读取单个节点
• edgesLines.startLine / endLine — edges 数组的起止行号，修改连线时精准定位
• generate、export、add-node、remove-node 命令都返回以上信息

5. 读取 JSON，编辑业务配置

利用返回的行号，用 Read 工具按需读取目标节点或 edges 片段，再用 Edit 工具修改。需要关注两类内容：

A. 业务配置（根据用户需求填写）

每种节点需要配置的核心字段：

节点	需要填写	用户未指定时怎么办
llm	model.modeId、model.params.model、系统提示词	查询模型列表让用户选择，modeId 取 value、params.model 取 text
knowledge	knowIds	查询知识库列表让用户选择
knowledgeWrite	knowIds、content	查询知识库列表让用户选择
switch	if[].conditions、if[].next、else.next	向用户询问判断条件
classifier	model.modeId、model.params.model、categories[].category、categories[].next、else.next	查询模型列表，modeId 取 value、params.model 取 text
varExtract	model.modeId、model.params.model、variables、success.next、fail.next	查询模型列表，modeId 取 value、params.model 取 text
loop	type、counted 时 maxLoopTimes、array 时 loopItemsParam	向用户询问循环方式
setLoopVar	targetField、sourceVar	根据循环变量定义填写
code	code 脚本内容	根据需求编写
http	http.url、http.method	向用户询问接口地址
sql	sql.dataSourceId、sql.outputSql	查询数据源列表让用户选择
tools	tools.pluginId、tools.toolName	向用户询问工具/MCP 选择
braveSearch	inputParams（搜索关键词）	根据需求绑定上游变量
reply	content	根据需求填写
end	outputType、outputContent	默认 text 类型即可
subflow	subflowId	查询子流程列表让用户选择

查询系统资源（不需要手动 init_api，通过 query 子命令自动从工作目录读取凭证）：

python "<skill目录>/scripts/aiflow_creator.py" query -w "<workId>" --resource models        # LLM 模型
python "<skill目录>/scripts/aiflow_creator.py" query -w "<workId>" --resource knowledge     # 知识库
python "<skill目录>/scripts/aiflow_creator.py" query -w "<workId>" --resource datasources   # 数据源
python "<skill目录>/scripts/aiflow_creator.py" query -w "<workId>" --resource subflows      # 子流程

start 和 end 是每个流程必有的节点，完整配置参考如下（无需查索引）：

start — 开始节点

进阶配置见 references/node-reference.md 的 start — 定时触发配置 章节，包含：cronTrigger 开关与 cronType 选择（minute/hour/day/custom）、cronExp 表达式生成规则、custom 对象结构（时/天/周/月的精细控制）。

inputParams 结构

字段	类型	默认值	说明
field	string	—	字段名（编程用）
name	string	—	显示名称
type	string	—	参数类型（见下表）
required	boolean	false	是否必填

固定的默认 inputParams（3 个）：

field	name	type	required
content	用户问题	string	false
history	历史记录	string[]	false
images	图片	picture	false

type 枚举值（开始节点支持 4 种）：

type 值	含义	对应 UI 控件
string	文本	Input 输入框
number	数值	InputNumber 数字框
picture	图片	图片上传
file	文件	文件上传

注意：图片字段的 field 必须命名为 images，否则 LLM 节点无法接收图片。

禁止使用数组类型：start 节点的 inputParams 只支持以上 4 种类型，不支持 string[]、object[] 等数组类型。如果流程需要数组输入（如 loop 的 array 迭代模式），应通过前置的 code 节点构造数组，而不是在 start 节点定义数组字段。

其他节点的 inputParams/outputParams 还可能使用 string[]、number[]、object[]、object、text、boolean 等扩展类型。

outputParams

无（开始节点没有输出参数）。

校验规则

条件	错误消息
cronTrigger.enabled=true 且存在 required 的 inputParam 未配置默认值	定时触发器：存在必填参数未配置默认值

特殊行为

• 固定 ID: start-node，不可修改
• 只有右侧锚点（无左侧输入）
• 不允许删除

end — 结束节点

options 字段

参数	类型	默认值	可选值	说明
outputType	string	'text'	'default' / 'text' / 'card'	输出类型
outputContent	string	''	支持变量引用	outputType='text' 时的返回文本
cardConfig	object|null	null	卡片配置对象	outputType='card' 时的卡片绑定

outputType 三种模式区别：

outputType	返回内容	使用场景
'default'	outputParams 中选择的变量（JSON 格式）	API 调用、子流程等需要结构化数据
'text'	outputContent 中配置的文本（支持 {{变量name}} 引用，需先在 outputParams 中绑定）	对话场景，返回自然语言文本
'card'	cardConfig 绑定的卡片	需要富文本/结构化卡片展示

校验规则

条件	错误消息
outputType='default' 且 outputParams 为空	输出变量: 必填
outputType='text' 且 outputContent 为空	返回文本不能为空
outputType='card' 且 cardConfig 为 null	需要绑定卡片

进阶配置见 references/node-reference.md 的 end — 进阶配置 章节，包含：cardConfig 卡片结构（outputType='card' 时的字段绑定）、作为子流程时各 outputType 的输出行为差异。

特殊行为

• 只有左侧锚点（无右侧输出）
• 一个流程至少需要 1 个 end 节点

使用要点：end 与 reply 的区别

end 是流程的最终输出，流程结束后只保留 end 节点的内容作为最终返回结果。需要给用户返回内容并结束流程时，必须用 end。

常见错误：用 reply 节点代替 end 节点来结束某个分支（如"商务问题直接回复请联系销售团队"）。reply 在流式传输时能看到内容，但流程最终结果中不会保留。正确做法是用 end 节点。

其他节点的完整字段说明在 references/node-reference.md — 修改具体字段前按下方索引表 Read 对应片段（只读该片段，不要全量读）：

!python ${CLAUDE_SKILL_DIR}/scripts/gen_node_options_index.py 2>/dev/null || echo '> （节点选项索引自动生成失败，请用 Grep 搜索 "## <节点type>" 定位 references/node-reference.md 中的对应章节）'

B. 流程结构（AI 自行填写）

1. 节点坐标 — 按以下常量布局：

常量	值	说明
节点宽度	332px	所有节点统一宽度
节点高度	62px	基准高度（switch/classifier 按分支数动态增长）
水平间距 X_GAP	400px	相邻节点左边缘间距
垂直间距 Y_GAP	180px	分支节点间垂直间距
起点坐标	(200, 300)	start 节点位置

线性流程：所有节点在同一行（y=300），x 依次 +400。

分支流程（switch/classifier/varExtract 有多个下游）：分支下游节点竖向排列，以父节点 y 为中心上下分散，相邻分支间距 ≥ Y_GAP(180px)。示例（switch 有 3 个分支）：

分支1 y = 300 - 180 = 120
分支2 y = 300           （与 switch 同行）
分支3 y = 300 + 180 = 480

防重叠规则：放置节点时，检查同一 x 列上已有节点，确保任意两个节点的 y 差值 ≥ Y_GAP(180px)。如果分支后的节点再次汇合（多条路径合并到同一个节点），汇合节点 y 取所有入边来源节点 y 的平均值。

2. 连线 edges — 描述节点间的连接关系

每条边必须包含 sourceAnchorId 和 targetAnchorId，否则前端渲染效果不一致。

每条边必须包含 id、pointsList 和 properties：

字段	类型	必填	说明
id	string	是	边的唯一标识，可用雪花ID或任意唯一字符串
pointsList	array	是	贝塞尔曲线控制点数组（见下方格式要求）
properties	object	是	固定 {"runStatus": ""}

pointsList 格式（严格要求，违反会导致前端 Cannot read properties of undefined (reading 'x') 报错）：

• base-edge（贝塞尔曲线边）必须恰好 4 个点：[源锚点, 源控制点, 目标控制点, 目标锚点]

  源锚点:    {x: 源节点.x + 332,       y: 源节点.y + 31}   // 节点右边缘中点
  源控制点:  {x: 源节点.x + 332 + 100,  y: 源节点.y + 31}   // 右偏移100px
  目标控制点: {x: 目标节点.x - 100,      y: 目标节点.y + 31}  // 左偏移100px
  目标锚点:  {x: 目标节点.x,            y: 目标节点.y + 31}   // 节点左边缘中点
  

  其中 332 = 节点宽度，31 = 节点高度(62) / 2。分支节点的源锚点 y 坐标需根据分支索引微调。

• base-line-edge（直线边，loop↔loopBody 专用）必须为空数组 []，不能省略字段

完整边示例（base-edge）：

{"id": "325590000000000001", "type": "base-edge", "sourceNodeId": "A", "targetNodeId": "B", "sourceAnchorId": "A_output", "targetAnchorId": "B_input", "pointsList": [{"x": 532, "y": 331}, {"x": 632, "y": 331}, {"x": 500, "y": 331}, {"x": 600, "y": 331}], "properties": {"runStatus": ""}}

完整边示例（base-line-edge）：

{"id": "325590000000000002", "type": "base-line-edge", "sourceNodeId": "loop1", "targetNodeId": "loop1_loopBody", "sourceAnchorId": "loop1_link_body", "targetAnchorId": "loop1_loopBody_link_loop", "pointsList": [], "properties": {"runStatus": ""}}

anchorId 规则：

• 普通出边：sourceAnchorId = "{sourceNodeId}_output"
• 普通入边：targetAnchorId = "{targetNodeId}_input"

分支节点的出边用专用 sourceAnchorId 替代 _output：

• switch: {id}_source_if（IF）、{id}_case_{n}（ELIF n≥2）、{id}_source_else（ELSE）
• classifier: {id}_case_{n}（分类 n≥1）、{id}_case_else
• varExtract: {id}_success、{id}_fail

并行分支：普通节点（非 switch/classifier）也可以有多条出边连接到不同下游，形成并行执行路径。多条出边都使用同一个 sourceAnchorId = "{nodeId}_output"，连到不同的 targetNodeId。并行路径可以汇合到同一个下游节点。

分支流程关键规则（必须遵守）：

1. 每个分支出口都必须有独立的边：switch 的 IF/ELIF/ELSE、classifier 的每个 category + ELSE、varExtract 的 success/fail，每个分支都必须有一条带对应 sourceAnchorId 的边连接到下游节点。不能遗漏任何分支（尤其是 ELSE），即使多个分支指向同一个目标节点也需要各自独立的边。
2. 分支出口的 next 字段必须和 edges 一致：switch 的 if[i].next/else.next、classifier 的 categories[i].next/else.next、varExtract 的 success.next/fail.next 必须填写，且值与 edges 中的 targetNodeId 一致。
3. 互斥分支汇合时用 varMerge：当 switch/classifier 的多个分支各自产出结果后需要汇合到同一个下游节点时，不要让下游节点直接分别引用各分支的输出变量（运行时只有一个分支执行，其他变量为空）。正确做法是在汇合处插入 varMerge 节点，将各分支的同类输出聚合为一个变量，下游节点引用聚合后的变量。

6. 提交保存

python "<skill目录>/scripts/aiflow_creator.py" submit -w "<workId>"

脚本自动从工作目录读取 meta.json（name, descr, apiBase, token）和 design.json，完成：校验 → 生成 chain → 创建/保存流程。

校验不通过时会返回具体错误列表，修改 design.json 后重新提交即可。

编辑已有流程时的校验错误处理：用户提供的原始流程可能本身就有校验问题（不是 AI 编辑造成的）。submit 失败时，AI 应分析错误列表，区分哪些是自己编辑引入的、哪些是原始流程就有的。如果全部是原始问题，告知用户"当前流程存在 N 个原有问题"并列出，询问是否需要修复。如果用户确认不修复，使用 --skip-validate 跳过校验直接保存：

python "<skill目录>/scripts/aiflow_creator.py" submit -w "<workId>" --skip-validate

--skip-validate 仅允许编辑已有流程（有 flowId）时使用，新建流程不允许跳过。

---

完整的端到端示例见 references/aiflow-operations.md 的「端到端示例」章节。

---

其他操作（查询、编辑、删除、复制、发布、调试）

创建以外的所有操作，阅读 references/aiflow-operations.md 获取完整指南。

编辑已有流程时 init-work 带 --flow-id 即可自动导出 design，无需单独 export：

python "<skill目录>/scripts/aiflow_creator.py" init-work \
  --name "流程名" --api-base "<url>" --token "<tk>" --flow-id "<id>"
# 返回 workId + nodes（含 startLine/endLine），用 Read/Edit 修改 design.json ...
python "<skill目录>/scripts/aiflow_creator.py" submit -w "<workId>"

该文档涵盖：流程列表查询、详情查询、编辑已有流程（含添加/删除/修改节点）、删除流程、复制流程、发布/取消发布、调试运行、子流程查询。

---

节点类型速查表

基础节点

类型	标签	用户说	说明
start	开始	开始、入口	流程入口，固定 ID: start-node
end	结束	结束、输出	流程出口，配置返回内容

AI 节点

类型	标签	用户说	说明
llm	大模型	大模型、LLM、AI对话、GPT、Claude	调用大语言模型
classifier	分类器	分类、意图识别	AI 意图分类，多分支
varExtract	变量提取器	变量提取、实体提取	LLM 提取结构化变量，双分支(success/fail)

知识库 & 记忆

类型	标签	用户说	说明
knowledge	知识库	知识库、RAG、检索	向量检索
knowledgeWrite	知识库写入	写入知识库	写入文本/文件
chatMemoryGet	记忆检索	记忆、长期记忆	检索应用记忆库
chatMemorySet	记忆写入	记住、写入记忆	写入应用记忆库

变量

类型	标签	用户说	说明
chatVarGet	变量读取	读取变量	读取会话变量
chatVarSet	变量赋值	设置变量	设置会话变量
varMerge	变量聚合	合并变量	聚合多个变量值

控制流

类型	标签	用户说	说明
switch	条件分支	条件判断、分支、如果	IF/ELIF/ELSE
loop	循环	循环、遍历	计数/无限/数组循环
subflow	子流程	子流程、调用流程	嵌套流程

执行节点

类型	标签	用户说	说明
code	脚本执行	代码、脚本	JS/Python/Groovy/Aviator
http	HTTP 请求	HTTP、接口调用	REST API 调用
sql	SQL自定义	SQL、数据库查询	SQL 执行
enhanceJava	Java 增强	Java增强	调用 Java 类
tools	工具调用	工具、MCP	外部工具/MCP
braveSearch	Brave搜索	搜索、网络搜索	网络搜索
reply	直接回复	直接回复、流式输出	仅用于流程执行过程中的中间输出（如开启 LLM 流式输出），流程结束后 reply 的内容会被丢弃
sysGetUserinfo	用户信息	用户信息、当前用户	获取登录用户信息

reply 与 end 的区别（重要）

• end：流程的最终输出，流程结束后保留为返回结果。
• reply：中间输出，流式传输时可见但流程结束后被丢弃。主要用于 LLM 流式输出和进度推送。
• 错误用法：用 reply 代替 end 来结束分支——最终结果为空。

详见 references/node-reference.md 中 reply 和 end 节点的使用要点。

循环节点联动机制（重要）

• 创建 loop 节点时，脚本自动创建 loopBody + 连接边，删除时级联删除。
• loopBody 是分组容器，循环体内子节点放在其中，children 数组记录子节点 ID。
• 循环体内最后一个子节点不连回 loopBody（否则 chain 死循环）。
• 如果下游节点引用循环变量，必须在 loop 的 outputParams 中声明（不引用则不需要）。
• 循环体内第一个子节点 x ≈ loop.x - 600，后续按 X_GAP 递增。

详见 references/node-reference.md 中 loop、loopBody、setLoopVar 节点的使用要点。

---

变量引用

变量引用由两部分组成，缺一不可：

A. 建立绑定（inputParams / outputParams）

在需要引用变量的节点的 inputParams（或 end 节点的 outputParams）中添加绑定条目，指明变量来自哪个节点的哪个字段：

{
  "field": "content",
  "name": "用户问题",
  "nodeId": "start-node",
  "type": "string"
}

• field — 来源节点的输出字段名（如 start 的 content、llm 的 text）
• name — 为这个变量起的显示名称（后续在文本中用 {{显示名称}} 引用）
• nodeId — 来源节点的 ID
• type — 变量类型
• isCustom（可选）— 布尔值，默认 false。设为 true 时表示使用自定义值而非上游节点引用，此时 nodeId 和 field 可为空
• customValue（可选）— 自定义值，isCustom=true 时生效。变量值直接取 customValue 而非从上游节点获取。用于固定值或默认值场景

B. 在文本中引用（用 name，不是 nodeId.field）

{{用户问题}}
{{回复内容}}

引用时使用的是绑定中定义的 name（显示名称），不是 nodeId.field。

完整示例

llm 节点引用 start 节点的用户输入：

// llm 节点的 inputParams 中建立绑定
"inputParams": [
  {"field": "content", "name": "用户问题", "nodeId": "start-node", "type": "string"}
]

// llm 节点的 messages[1].content 中引用
"content": "{{用户问题}}"

end 节点引用 llm 节点的回复：

// end 节点的 outputParams 中建立绑定
"outputParams": [
  {"field": "text", "name": "回复内容", "nodeId": "<llm节点ID>", "type": "string"}
]

// end 节点的 outputContent 中引用
"outputContent": "{{回复内容}}"

---

错误处理

错误	原因	解决
Token 过期 (401)	令牌失效	提示用户重新获取
design 校验不通过	节点配置缺失或连线有误	根据错误列表修改后重新提交
chain 生成失败	edges 连线结构有误	检查 sourceNodeId/targetNodeId 和分支锚点

---

脚本速查

所有命令通过 python "<skill目录>/scripts/aiflow_creator.py" <子命令> 执行。

子命令	用途	关键参数
init-work	创建工作目录	--name --api-base --token [--flow-id] [--descr]
generate	生成模板 design.json	-w <workId> --types
export	导出已有流程 design.json	-w <workId> [--flow-id]
add-node	插入新节点	-w <workId> --type --after
remove-node	删除节点	-w <workId> --node-id
submit	校验 + chain + 保存	-w <workId> [--skip-validate]
query	查询系统资源	-w <workId> --resource (models/knowledge/datasources/subflows)

其他脚本（被 aiflow_creator.py 内部调用，一般不需要直接使用）：

脚本	用途
scripts/aiflow_apis.py	API 封装层（Sign 签名 + HTTP 请求）
scripts/aiflow_utils.py	核心工具（节点生成、插入、删除、校验）
scripts/generate_chain.py	chain 生成器（被 submit 自动调用）

参考文档

文档	何时查阅
references/aiflow-operations.md	执行创建以外的操作（查询、编辑、删除、复制、发布、调试）时
references/node-reference.md	修改节点配置时（options 字段、校验规则、特殊行为与使用要点）
references/sync-guide.md	仅当用户要求同步节点配置/更新前后端变更时。正常工作流程不需要阅读（含 chain 生成器源码映射表）