banner
banner
banner
NEWS LETTER

AI 应用知识体系(三):工作流引擎与协同编辑

Scroll down

本篇是系列第 3 篇,讲工作流引擎架构和协同编辑。

六、工作流与 AI 应用引擎架构

本章是全篇的架构核心:所有「AI 应用平台 / 低代码 / 扣子类产品」的骨架,都是编辑器 + 执行器 + 协议。

6.1 三种平台形态

形态 实现方式 示例
无代码平台 把多个 action 串联执行,即 action flow,在前端页面自动执行,也称内存型工作流 / 内存流程引擎 Glide
低代码平台 借助工作流编排,涉及触发器、代码执行器、数据查询器、循环节点等 Retool
AI 应用生成引擎 生成式 AI 应用引擎(在传统工作流上叠加 LLM、Agent、插件、知识库) Coze、Dify
  • 无代码:glide
  • 低代码:retool
  • AI 应用生成引擎:coze
  • 本地部署:Dify(见 §3.5)

流程引擎的本质:自动化管理和执行既定的业务流程,涵盖自动化处理、批处理、AI 生成详细过程。
三大核心功能:

  1. 工作流流程建模(编辑器)
  2. 任务调度:异步处理、前后依赖、变量上下文
  3. 集成外部系统、插件化构建流程功能生态

6.2 常见工作流类型

  • 线性流(Sequential):最简单的逻辑,节点按 A → B → C 顺序执行。
  • 有向无环图(DAG):AI Agent 最常见的形态,允许分支与回合,但严禁形成环路(会死循环)。
  • 状态机驱动流(State Machine):侧重状态流转(审批通过、驳回、待补件),每个节点是一个状态,连线即触发动作。

6.3 节点体系

核心节点

节点 作用 配置要点
start 节点 工作流起点,由外部事件或用户输入触发 字段类型(文本/段落/下拉/数字)、变量名称、显示名称、最大长度、是否必填
模型节点 调用生成式 AI 模型做生成或理解 选择模型与参数(温度、Top P、存在惩罚、频率惩罚、最大标记、回复格式、停止序列)、上下文、提示词、记忆(记忆窗口)、输出变量
知识检索节点(可选) 检索已有知识库 查询变量(自动带入 start 变量)、知识库(选一篇或一个文件夹)、输出变量
条件节点 分支控制 if 区域可加多个条件;else 区域直接显示描述词
代码执行节点 自定义逻辑 输入变量(初始两个「名 / 值」,可增删改)、代码编辑器(可直接使用输入变量)、输出变量(变量名 + 类型)
直接回答节点 相当于当前最后节点,但仍可继续下一步 回复文本域可拿到所有回复节点的字段
更多节点 模板转换、变量聚合器、参数提取器、迭代、问题分类器、HTTP 请求(可写入飞书多维表格等) —

扩展节点类型(平台生态视角)

  • 插件节点:调用外部插件完成集成型任务(天气查询、支付处理)。
  • 业务逻辑节点:执行条件判断或复杂算法(如选择支付时触发支付流程)。
  • 子工作流节点:把一个工作流嵌套进另一个工作流,支持递归调用,提升可重用性。
  • 结束节点:所有任务执行完毕,返回最终结果。

交互细节:每个节点连接下一节点时,右键可拿到当前节点可连接的所有节点(即类型校验后的候选集)。

6.4 数据协议与 DSL

两大构成要素

  • 节点(Node):定义功能。
  • 边(Edge):定义来源(from / source)与目的(to / target),约束节点关系与流程。

DSL(Domain Specific Language) 领域特定语言,可与 AST(Abstract Syntax Tree) 结合使用。

假设有三个节点:触发器 trigger、新建标签页 newTab、滚动执行器 scroll,从左往右连接成有向无环图。

1
2
3
4
5
6
7
8
9
10
11
const dsl = {
nodes: [
{ id: 'trigger1', type: 'common', data: { node_type: 'trigger' } },
{ id: 'newTab1', type: 'common', data: { node_type: 'newTab' } },
{ id: 'scroll1', type: 'common', data: { node_type: 'scroll' } },
],
edges: [
{ id: 'edge1', source: 'trigger1', target: 'newTab1' },
{ id: 'edge2', source: 'newTab1', target: 'scroll1' },
],
}

协议设计四要求:数据兜底、降级、扩展、升级。

6.5 编辑器技术选型

选型方向 代表库 优点 缺点 适用场景
原生 SVG React-Flow / X6 矢量不失真,易用 CSS 控制样式,DOM 节点易绑事件 节点过多(数千)时有性能瓶颈 首选:中小型 AI 工作流、低代码平台
Canvas LogicFlow / LiteGraph 性能上限极高,适合超大规模节点 开发成本高,节点交互需手算坐标(Hit Testing) 大型工业监控、超复杂逻辑链路
纯 DOM / HTML 自研 上手最快,可用原生拖拽 API 连线算法(SVG Line)极难写,维护成本高 简单的垂直线性审批流

面试建议:以 React-Flow 或 AntV X6 为切入点,强调其高度可定制的插件系统与成熟生态。

工作流开发的四个细节

  1. 数据结构定义 → 引擎数据协议设计(兜底、降级、拓展、升级)。
  2. 引擎实现:Canvas、SVG、自研框架 三选一。
  3. 节点 / 边定义与灵活拓展 → 物料体系灵活接入,基于插件化 / 微内核机制(可对接远程插件市场、MCP)。
  4. 编辑器协同 + 执行引擎实现:协同用 CRDT / OT 解决冲突;执行要处理建图、遍历、异步、日志、错误收集。

6.6 执行器:内存型 vs 服务型

维度 内存型工作流(In-memory) 服务型工作流(Service-based)
执行环境 浏览器端或单个 Node.js 进程内存 分布式微服务集群
状态存储 随进程结束释放,瞬时性 数据库持久化(MySQL / Redis),支持断点续传
适用场景 前端低代码预览、轻量 AI 助手、单纯数据转换 复杂审批流(需人工参与)、长时耗任务、支付链路
核心挑战 内存溢出与性能:节点过多导致浏览器卡死 幂等性与重试:节点执行一半服务宕机如何恢复

内存型执行机制

  • 顶层设计:典型的事件驱动模型。
  • 运行逻辑:引擎把整个 Graph 加载进内存,通过递归或循环消费任务队列。
  • 关键点:快照同步(每行执行完直接更新 UI 状态)、轻量化(无需考虑网络延迟,节点间数据传递用引用或简单 Copy)。

服务型执行机制

  • 顶层设计:任务队列 + 状态机持久化(类似 Temporal、Camunda 的简化版)。
  • 运行逻辑:
    1. 任务解耦:引擎把待执行节点推入消息队列(RabbitMQ / Redis)。
    2. Worker 消费:不同 Worker 认领任务并执行,结果写回数据库。
    3. 状态脱水与复活:需要「人工审批」的节点,引擎把流程挂起(Wait),上下文脱水(Serialize)入库,触发后再复活(Hydrate)。
  • 关键点:必须处理分布式事务与超时重试。

6.7 执行器实现:从最小闭环到生产可用

① 最小实现(内存型)

编辑器 + 执行器都在前端时,三步走:

  1. 约定流程协议(节点与边的 JSON 数据)。
  2. 编辑器编排工作流数据。
  3. 开发执行器:从前到后按序执行,后面的节点可以拿到前面节点的上下文,通过链表串联。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
async function executeWorkflow(nodeId: string) {
const node = getNode(nodeId) // 通过节点 ID 获取节点
switch (node.type) {
case 'API_CALL': {
const response = await callAPI(node.endpoint, node.params)
return response
}
case 'UI_UPDATE': {
updateUI(node.data)
// 如果需要对 node.data 里的节点再做处理,可以进一步按节点类型分发执行
switch (node.data.type) {
case 'COPY':
navigator.clipboard.writeText('123')
break
case 'SEND_EMAIL':
// 调用发邮件的 API
break
case 'NOTIFICATION':
// 通知函数
break
}
return 'UI updated'
}
default:
return 'Node type not recognized'
}
}

② 生产级三项增强

1)完全稳定可靠的日志系统(基于异步实现)
在每个节点执行前后记录:节点开始时间、输入与输出数据(敏感数据需加密或遮盖)、执行状态(成功 / 失败)、错误信息。

2)上下文变量池

  • 在整个流程执行期间保持全局有效,存储所有必要的状态信息。
  • 内容包括输入数据、计算结果、外部调用响应等。
  • 每个节点执行时,执行器按需从池中取数据或更新数据。

3)错误处理机制

  • 全局错误捕获:兜住所有未处理错误并记录相关信息。
  • 节点级错误处理:每个节点可定义自己的错误策略,如 API 报错重试。
  • 错误通知:关键节点出错时通知管理员或用户。
  • 错误恢复:可恢复错误(如网络请求)设计重试机制。

6.8 平台级架构:以 Coze 为例

从「单体作坊」到「工业化生产线」
开源的 coze-studio 用 Docker Compose 把所有功能打包在一起,适合快速体验和中小团队;要支撑大型企业或公有云,必须转向云原生、微服务化架构。

设计理念:「一个中心,四大体系」

  • 一个中心:AI 编排与执行引擎(AI Orchestration & Execution Engine)——平台心脏,负责解析和运行由节点(Nodes)与边(Edges)组成的业务流程图(Workflow DAG)。
  • 四大体系:
    • a. 应用构建体系:面向开发者,提供极致体验的前端编排界面、调试工具与版本管理。
    • b. 插件生态体系:平台能力扩展的基石,通过标准化 SDK、市场和沙箱环境,赋能开发者贡献工具。
    • c. 多租户与数据管理体系:企业级服务基座,负责用户、组织、权限、数据隔离与知识库向量管理。
    • d. 可观测与运维体系:日志、监控、告警与成本分析。

微服务拆分(服务间推荐 gRPC 内部通信,API Gateway 统一对外提供 RESTful / GraphQL)

服务 职责 与 coze-studio 的对应关系
API 网关 所有外部请求的统一入口,负责鉴权、路由、限流、协议转换。选型:Kong、Traefik、Spring Cloud Gateway —
用户与租户中心 用户、组织(租户)、角色权限(RBAC),登录注册、SSO 单点登录 coze-studio 只有简单的用户概念,需增强为企业级多租户模型
Bot 配置中心 核心 CRUD:Bot 的创建/读取/更新/删除,含人设(Prompt)、插件配置、工作流静态定义(通常是一个大 JSON) coze-server 中处理数据库交互的大部分逻辑
插件市场服务 插件生命周期:注册、审核、发布、版本控制与发现;存插件元信息(manifest:名称、描述、输入输出 schema) —
数据与向量管理服务 解耦底层数据库,对上层提供统一数据访问;内部封装 PostgreSQL(业务)与 PGVector / Milvus(向量);负责知识库文档的切分、向量化、存储 —
AI 编排与执行引擎 无状态计算服务:接收 Bot 配置中心传来的工作流 DAG,负责实时执行、状态追踪与结果返回。性能与稳定性的关键 —

6.9 前端编排 + 后端执行的关键难点

前端编排引擎:本质是一个面向 AI 工作流的、可视化的 DAG 编辑器。

  1. 状态管理与交互:用户拖拽节点(工具、LLM、判断逻辑)并连线,实时构建复杂图结构。需要强大的状态管理方案(Redux Toolkit、Zustand)维护完整数据结构——每个节点的位置、配置与连接关系。
  2. 图结构序列化:点击「调试」或「发布」时,前端必须把可视化图序列化成后端执行引擎能理解的标准 JSON,描述拓扑结构与每个节点的具体参数。
  3. 实时调试反馈:调试模式下后端逐节点执行时,前端要实时高亮当前节点并显示输入输出。这要求前后端建立长连接(WebSocket 或 SSE),由后端主动推送执行状态与日志。

后端流式节点执行引擎:整个架构的「技术之巅」。用 for 循环按序执行是天真实现,低效且无法处理流式输出。工业级引擎必须解决:

  1. DAG 解析与执行调度:拿到工作流 JSON 后先做拓扑排序,确定执行顺序,并识别可并行执行的分支。
  2. 异步非阻塞 I/O:几乎所有节点(调 LLM、调 API、查数据库)都是 I/O 密集型,引擎必须完全异步非阻塞(Node.js 事件循环,或 Go 协程)。
  3. 流式处理(Streaming):LLM 节点不能等全部生成完再返回。
    • 调用大模型时明确要求流式返回(如 OpenAI API 的 stream: true)。
    • 引擎收到的是数据流而非完整响应。
    • 通过 WebSocket / SSE 把每个数据块(token)实时转发给前端,实现打字机效果。
    • 同时把数据块拼接成完整输出,作为下一节点的输入。
  4. 安全沙箱(Sandbox):执行社区开发者贡献的代码片段或插件时,绝不能在主服务直接运行。
    • 方案一(重隔离):为每个任务动态启动轻量 Docker 容器,隔离最好但冷启动慢。
    • 方案二(轻隔离):WebAssembly(WASM),启动极快、安全性高,是很有前景的方向。

工程化闭环五步:① 定义 DSL → ② 编辑层(状态管理 + 插件化架构)→ ③ 执行器(拓扑排序与动态调度、沙箱隔离)→ ④ AI 特化设计(变量提取与上下文流转、流式输出)→ ⑤ 测试与工程化闭环。

6.10 沙箱的两层理解

  • 记忆方式: 通过费曼学习法,记住一个,根据另一个进行推导。
  • 微前端沙箱(如 qiankun 的三种 sandbox):legacy sandbox、proxy sandbox、snapshot sandbox,目的在样式隔离、JS 隔离。
  • 系统级沙箱:目的是系统环境隔离,保证执行安全性。deepagent 涉及文件操作、bash 执行、shell 提权,必须做隔离。
  • 服务端隔离强度排序:Docker 容器(强隔离、冷启动慢)→ WASM(轻隔离、启动快)→ vm2 / isolated-vm(进程内隔离,性能好但需谨慎使用)。

七、协同编辑

协同系统的中级目标是维护多方数据的一致性。
本文只关注上层的数据同步与冲突处理;下层传输与持久化不是重点,可用 WebSocket 或其他方案替代。
编辑器内核选型:重量级代码编辑器(VS Code、Trae)用 Monaco Editor,其余多选 TipTap。

7.1 协同场景盘点

产品形态 协同数据特征 技术组合
协同文档(飞书文档、Notion) 带格式的、流式文本内容 TipTap(视图层)+ Yjs(数据模型)+ y-websocket(通信层)
协同代码编辑器(VS Code、Trae) 纯文本,对性能、语法高亮、开发体验要求极高 CodeMirror + Yjs + y-codemirror.next + y-websocket
可视化图表编辑器 结构化图表配置 智能协同可视化编辑引擎
在线白板(博思白板、飞书画板) 画布元素、层级、位置 画布引擎 + CRDT
协同视频编辑器(剪映) 时间轴轨道、片段属性 时间轴模型 + CRDT
多维表格(飞书云表格) 单元格、行列结构、公式 类 Skia/Canvas 渲染 + CRDT + 公式引擎
数字孪生低代码(DataWind) 组件树、场景图、节点属性 Vue3 + WebAssembly + VanillaJS
协同 AI 应用引擎(扣子) DAG 节点与边、配置 图协议 + CRDT

7.2 编辑器内核与格式化实现的三种路线

竞品参考

  • 飞书文档、Notion:丰富的文本格式、多媒体嵌入、实时协作;可用快捷命令(/、@)快速插入不同类型的块(Block)。
  • Google Docs、Word Online:复杂文档编辑能力——文本格式化、插图、撤销重做、表格与绘图。
  • Quill、Draft.js:开源富文本编辑器,可二次开发自定义方案,支持插件扩展与丰富 API。

文档编辑的核心清单
基础编辑、文本格式化、多媒体插入(图片、视频、@提及、引用跳转)、undo/redo(含 Ctrl+Z)、跨浏览器兼容、协作(协同)、AI 赋能。

① contenteditable 属性
在任意容器上设置该属性即可变为可编辑容器;可编辑容器内也可内嵌多个容器,不想编辑的部分设为 contenteditable="false"。

② 路线一:浏览器 execCommand(小白级,过时 / 即将废弃)

  • document.execCommand 是浏览器 API,用于在 HTML 文档中执行与内容相关的命令。
  • 缺点:兼容性差、可维护性差。

③ 路线二:Selection + Range + Compiler(大神级)

  • 单独用 selection(获取当前选中内容)+ range(精确操作选中内容)时会发现:每点击一下就被新的标签包裹。Compiler 负责切换——判断当前内容是否已有修饰标签,是则还原,否则添加修饰。
  • 大部分编辑器都提供编译器:Markdown / MDX 有 hyper,TipTap 类基于 JSONContent 结构。取舍:
    1. 基于 Markdown:性能更好、约束更强。
    2. 基于 JSONContent:特性更灵活,自定义节点更便捷(如 TipTap custom node)。
  • 内容 → 可存储格式 → 再解析回来:实现 JSON 与 HTML 双向转换,可参考 html2json。
    • HTML 转 JSON:递归遍历 DOM 元素,构建结构化 JSON。
    • JSON 转 HTML:从 JSON 数据生成 HTML 字符串,支持富文本格式。

④ 通用数据协议
用 Schema / DSL / 协议数据承载整个应用的物料体系,参考 BlockSuite。

7.3 个性化需求:@ 提及与 / 命令补全

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
document.querySelector('.editor-content').addEventListener('input', function (e) {
const inputText = (e.target as HTMLElement).innerText

if (inputText.endsWith('/')) {
showCommandMenu(e.target)
}
if (inputText.endsWith('@')) {
showMentionMenu(e.target)
}
})

function showCommandMenu(target: EventTarget | null) {
console.log('显示命令菜单')
}

function showMentionMenu(target: EventTarget | null) {
console.log('显示提及菜单')
}

其他常见个性化能力

  • 协同光标:前端用 WebSocket 实时通信,每个客户端收发光标位置与编辑内容;后端 WebSocket 服务器接收消息并广播给其他客户端,保证编辑状态一致。其他方案:Yjs 等。
  • 知识图谱:graph、d3 forceGraph(力导向图)。
  • 历史记录栈与 Undo/Redo:用命令模式 + 历史栈管理用户操作,把命令对象压栈;撤销时弹出最后一个命令对象并调用 undo,重做时调用 redo。
  • 跨浏览器兼容:不同浏览器对 Range/Selection 的实现差异,是编辑器落地的主要坑之一。

7.4 协同架构:协议先行

协同前置,协议先行。

① 传输协议:WS、Socket.IO(下层也可用 WebRTC)。

② 协同数据分两类

  1. 交互式数据(业务无关):头像、光标位置。
  2. 核心业务数据:文档内容、图结构、单元格数据。

③ 数据冲突与两大理论

  • OT(Operation Transformation,操作转换):Google Docs、Etherpad 使用。集中式,强依赖中心服务器。
  • CRDT(Conflict-free Replicated Data Type,无冲突复制数据类型):分布式友好,天然支持 P2P 与离线编辑。
    • 进一步分类:面向状态的(state-based)、面向操作的(op-based)。

④ 协同方案对比

  • Yjs:基于 CRDT,支持实时同步与冲突处理,生态最成熟。
  • Automerge:偏 OT 思路,支持同步与冲突处理,但实时编辑体验较弱。
  • 附录:CRDT 论文及实现方案

⑤ 服务层与存储

  • 服务层:Node、NestJS、Redis、Kafka + ClickHouse(数据量大时使用)。
  • 数据库:PostgreSQL(AI 向量化用 pgvector)。

⑥ OT 的工作原理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
sequenceDiagram
participant A as 客户端A
participant S as 中心服务器
participant B as 客户端B

A->>S: 发送操作 OpA (基于 V1)
Note over S: 校验版本, 执行 OpA, 版本变为 V2
S-->>A: 确认 OpA
S-->>B: 广播 OpA

B->>S: 发送操作 OpC (基于 V1)
Note over S: 冲突! 当前为 V2, 收到基于 V1 的 OpC
Note over S: 转换操作: OpC' = Transform(OpC, OpA)
Note over S: 执行 OpC', 版本变为 V3
S-->>B: 确认 OpC'
S-->>A: 广播 OpC'

⑦ CRDT 的工作流程

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
sequenceDiagram
participant A as 客户端A (CRDT)
participant S as 消息中继服务器 (可选)
participant B as 客户端B (CRDT)

Note over A: 用户插入 X, 生成 UpdateA
A->>S: 发送 UpdateA
S->>B: 转发 UpdateA
Note over B: 应用 UpdateA, 与本地状态合并

Note over B: 与此同时,用户插入 Y, 生成 UpdateB
B->>S: 发送 UpdateB
S->>A: 转发 UpdateB
Note over A: 应用 UpdateB, 与本地状态合并

Note over A,B: 最终 A 和 B 的文档状态完全一致

⑧ 架构师决策:OT vs CRDT

特性 OT CRDT
核心思想 转换操作以适应上下文 设计可自动合并的数据结构
复杂度 实现极度复杂,尤其在转换函数 理论相对简单,实现门槛低
架构 强依赖中心化、有状态的服务器 天然支持去中心化、P2P、离线编辑
服务端 逻辑重,是系统核心 逻辑轻,通常是无状态的消息中转
性能 理论上元数据开销小 理论上元数据开销大(Yjs 已高度优化)
生态 Google Docs、Zoho、Etherpad Yjs、Figma、Apple Notes、Automerge

结论:首选 CRDT。 OT 虽然强大,但在追求敏捷开发、高可用性和优秀离线体验的今天,已显得有些不合时宜。

7.5 Yjs 实战

① 协同原理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
flowchart TB
subgraph ClientA["Client A"]
TA[TipTap Editor] --> YA[Y.Doc]
YA --> WA[Websocket Provider]
end
subgraph ClientB["Client B"]
TB[TipTap Editor] --> YB[Y.Doc]
YB --> WB[Websocket Provider]
end
subgraph Backend["Backend Server"]
NS[Node.js + WebSocket]
PL{Persistence Layer}
DB[(Database)]
NS -->|Periodically saves| PL
PL --> DB
end
WA <-->|WebSocket| NS
NS -->|Broadcasts updates| WA
NS -->|Broadcasts updates| WB
WB <-->|WebSocket| NS

② Yjs 的五个重要特性

  1. 核心数据结构:Item 与双向链表。
  2. 全局唯一 ID + 逻辑时钟。
  3. 冲突解决:确定性排序规则。
  4. 删除即标记(Tombstones)。
  5. 性能优化:Struct 与高效二进制编码。

③ CRDT 的优缺点

  • 优点:
    • 实现简单:相比 OT,核心逻辑更简单,无需编写复杂转换函数。
    • 天生去中心化:完美支持 P2P 与离线编辑,离线修改联网后无冲突合并。
    • 服务端逻辑轻:通常只扮演无状态的消息中转站。
  • 缺点:
    • 元数据开销:为保证可合并性需存额外元数据,理论上比 OT 占更多内存(Yjs 已做大量优化)。
    • 意图保留问题:极端场景无法完美保留「真实意图」——「剪切一段文本再粘贴到别处」会被看作「删除一串字符」+「插入一串字符」。绝大多数场景不构成问题。

④ 最小可运行代码(文档协同)

前端主页面:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
import React, { ChangeEvent, useEffect, useState } from "react"
import * as Y from "yjs"
import { WebsocketProvider } from "y-websocket"

// 要实现无冲突数据,需要借助 Yjs 存储数据并处理冲突
const doc = new Y.Doc()
// 传输与协同:new WebsocketProvider(地址, 房间名, 绑定的 doc)
const provider = new WebsocketProvider('ws://localhost:1234', "collaborate-editor", doc)

provider.awareness.on('change', () => {
// 可获取头像、光标的变化
})

const yText = doc.getText("content")

export const CollaborateEditor = () => {
const [content, setContent] = useState('')

useEffect(() => {
provider.on('status', (event: unknown) => {
console.log('状态:', event)
})
provider.on('sync', (isSynced: boolean) => {
console.log('同步:', isSynced)
setContent(yText.toString())
})
}, [])

const handleChange = (ev: ChangeEvent<HTMLTextAreaElement>) => {
const val = ev.target.value
setContent(val)

// 先删后追加
yText.delete(0, yText.length)
yText.insert(0, val) // 关键在光标的位置
}

return <textarea value={content} onChange={handleChange} />
/**
* 编辑器部分选型说明:
* 1. 单纯用 contenteditable 实现富文本编辑,需要自己维护数据缓冲区(没有 onChange)
* 2. 用 textarea,可直接从 onChange 拿到用户输入
*/
}

后端服务:

1
2
3
4
5
6
7
8
9
10
11
12
// dependencies: ws 与 y-websocket
import { WebSocketServer } from 'ws'
import { setupWSConnection } from 'y-websocket/bin/utils'

const PORT = 1234
const wss = new WebSocketServer({ port: PORT })

wss.on('connection', (ws) => {
setupWSConnection(ws, wss)
})

console.log("yjs-docs-server is running on port", PORT)

⑤ 结构化数据的承载方式

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
// 基于 JSON 描述的 Block 数据结构
const blocks = [
{
type: 'heading',
level: 1,
content: 'Welcome to Feishu Docs',
},
{
type: 'paragraph',
content: [{ type: 'text', text: '这是一个段落' }],
},
{
type: 'code',
content: [{ type: 'text', text: 'console.log("hello world")' }],
},
{
type: 'list',
items: [{ type: 'text', text: 'Rich text' }],
},
]

存入 Yjs Doc 时的类型选择:

  • 复杂数据:Y.Array、Y.XmlFragment
  • 富文本:Y.XmlElement、Y.XmlFragment
  • 常用按需:Y.Text、Y.Array、Y.Map

⑥ 协同文档落地五步

  1. 平台数据协议统一。
  2. 存储到 Yjs Doc。
  3. 增量数据变化 → 同步。
  4. 传输:WS、Socket.IO、WebRTC。
  5. 协同双通道:光标/头像(awareness)+ 内容数据(document)。

⑦ TipTap 协同依赖清单

依赖 作用
@tiptap/react TipTap 的 React 组件:渲染、事件处理
@tiptap/core 核心:节点 Node、修饰(加粗/斜体/下划线/删除线)Mark、命令
@tiptap/starter-kit 默认配置:节点、修饰、命令
@tiptap/extension-collaboration 绑定层:把 TipTap 内部的 ProseMirror 文档模型与 Yjs 的 Y.Doc 绑定
@tiptap/extension-collaboration-cursor 光标协同:位置、移动
yjs CRDT 数据模型
y-websocket Yjs 的 WebSocket 传输层

接入四步:① 创建 Y.Doc 代表整个协同文档数据 → ② 通过 Collaboration 扩展绑定编辑器状态与 Y.Doc → ③ 实现实时通信 → ④ 光标同步(Awareness)→ ⑤ 后端实现。

7.6 多端协同架构对照

文档编辑器(飞书文档):核心是处理带格式的、流式的文本内容。
TipTap(视图层)+ Yjs(数据模型)+ y-websocket(通信层)

代码编辑器(VS Code、Trae):核心是处理纯文本,对性能、语法高亮、开发体验要求极高。
CodeMirror(视图层)+ Yjs(数据模型)+ y-codemirror.next(绑定层)+ y-websocket(通信层)

数字孪生低代码平台(DataWind):核心是结构化数据(组件树、场景图、节点属性)。
Vue3 + WebAssembly + VanillaJS

  • 关键技术要素:IoT、AI、GIS、BIM;掌握用户故事映射等需求分析方法。
  • 三维核心资产辨析:掌握 glTF/GLB、FBX 等主流格式的特性和适用场景;理解 PBR 材质原理与纹理贴图(漫反射、法线、金属度、粗糙度、环境遮蔽)的作用;理解 LOD 对性能优化的意义;能设计并实施从三维数据采集、处理、优化到发布的全流程;针对大规模高精度场景(含模型与地理影像)制定综合性能优化策略,熟练运用 LOD、Draco 压缩、UV 优化等手段。
  • 编排引擎设计:独立设计低代码编排引擎的核心数据模型 DSL 与交互逻辑,具备设计与实现事件驱动、逻辑触发机制的能力。
  • 三种设计模式:观察者模式、策略模式、工厂模式。
  • 核心算法:智能吸附 与 网格吸附。

数字孪生的四个重难点

重难点 具体表现 解决思路
坐标系统与变换 多层级坐标变换、缩放因子、边界约束 统一坐标系管理、缩放因子正确应用、边界检查与约束处理
吸附算法 大量元素时的性能 阈值过滤减少计算、空间分割优化邻近元素查找、缓存计算结果
状态同步与一致性 Vue 响应式系统与引擎状态双向同步 单向数据流设计、事件驱动的状态更新、防抖避免频繁更新
内存管理与性能 大量元素的渲染与内存占用 虚拟滚动、事件监听器正确清理、对象池复用减少 GC 压力

其他文章
目录导航 置顶
  1. 1. 六、工作流与 AI 应用引擎架构
    1. 1.1. 6.1 三种平台形态
    2. 1.2. 6.2 常见工作流类型
    3. 1.3. 6.3 节点体系
    4. 1.4. 6.4 数据协议与 DSL
    5. 1.5. 6.5 编辑器技术选型
    6. 1.6. 6.6 执行器:内存型 vs 服务型
    7. 1.7. 6.7 执行器实现:从最小闭环到生产可用
    8. 1.8. 6.8 平台级架构:以 Coze 为例
    9. 1.9. 6.9 前端编排 + 后端执行的关键难点
    10. 1.10. 6.10 沙箱的两层理解
  2. 2. 七、协同编辑
    1. 2.1. 7.1 协同场景盘点
    2. 2.2. 7.2 编辑器内核与格式化实现的三种路线
    3. 2.3. 7.3 个性化需求:@ 提及与 / 命令补全
    4. 2.4. 7.4 协同架构:协议先行
    5. 2.5. 7.5 Yjs 实战
    6. 2.6. 7.6 多端协同架构对照
请输入关键词进行搜索