本篇是系列第 5 篇,包含桌面端整合、Vibe Coding 和 TypeScript/Zod 速查。
十一、桌面端与全栈整合
11.1 Electron + LangGraph:AI 工作流编排桌面端
桌面端的优势:数据安全、系统能力、本地算力。
Electron 的优势
- 数据保存在用户本地。
- 赋予 Node.js 能力:文件系统深度交互、系统级集成。
- 无缝集成本地部署的 AI 模型。
技术栈:Node.js + React / Vue(TailwindCSS、shadcn-ui)+ Electron。
工作流编排:从 AI 助手到 AI 员工
LangGraph 的图状结构支持循环、分支、回溯;状态持久化;多 Agent 协作。
初始化(Electron Forge + Vite + TS)
1 | pnpx create-electron-app@latest 3.ai-flow-app --template=vite-typescript |
依赖补充
@types/react、@types/react-dom- 样式:TailwindCSS + shadcn
pnpm add tailwindcss tailwind-merge tw-animate-css @tailwindcss/vite- ⚠️ 坑:在
vite.renderer.config.ts定义 tailwindcss 插件时可能报Unable to resolve path to module '@tailwindcss/vite'。 - 替代方案:
pnpm install -D tailwindcss @tailwindcss/postcss postcss,创建postcss.config.mjs:
1 | export default { |
- 然后在
index.css里@import "tailwindcss";,创建tailwind.config.js,并在renderer.tsx引入 CSS。 - 构建:
@vitejs/plugin-react
工作流画布
- 用
@xyflow/react:本身已实现连接,只需定义节点与边的关系。 - 自定义节点:开始节点、结束节点、条件节点、大模型节点、工具节点。
- 自定义 handle(
XFFlowHandle),把自定义节点与 handle 组合后初始化。 - ⚠️ 连接校验:有些节点之间不允许连接。
- 参考:React Flow、React Flow 中文
打通前后端(Electron IPC 四步)
preload中定义方法:ipcRenderer.send。main中监听方法:ipcMain.on。- 新建全局声明文件
name.d.ts(模块命名空间与exposeInMainWorld的 name 保持一致),并在tsconfig.json中"types": ["./name.d.ts"]。 - 前端通过「模块命名.xxx 方法」调用。
模型与 AI 层
- 本地部署:Ollama;模型:
qwen3:0.6b、mxbai-embed-large:latest。 - AI 层:LangGraph(
@langchain/core、@langchain/langgraph、@langchain/ollama)。 - 三个核心点:状态与记忆、节点、边。参考 Use the Graph API。
六类节点的交互设计
- 开始节点:弹窗输入变量名、变量类型、默认值、描述。
- 结束节点:两种类型——返回变量(显示变量名与变量值,变量值含输出类型:字符串、数字、数组、对象、文件)与返回文本(以 Markdown 展示)。
- 大模型节点:下拉选择模型(模型列表可远程拉取)+ 输入提示词。
- 工具节点:进入插件市场搜索安装,或在节点中从已有 tools 列表选择。
- 条件节点:输入条件表达式,如「当前结果是否 > 10」。
- 串联:把
invoke的输出传给结束节点展示,然后测试整条工作流。
11.2 Tauri + NestJS + LangChain:全栈 AI 服务中台
技术栈盘点
| 层 | 选型 | 为什么 |
|---|---|---|
| 前端 | React(Hooks) + TypeScript + Tauri + shadcn/ui + TailwindCSS | Tauri 用 Rust 做后端、前端渲染到系统原生 WebView,带来极致性能(秒级启动)、极小体积(几 MB)与更高安全性;对需要访问本地文件、调用系统能力的 AI 助手类应用,是降维打击。shadcn/ui 是「复制粘贴即拥有」的组合式范式,对组件有 100% 控制权 |
| 服务端 | Node.js + NestJS + PostgreSQL + TypeORM | NestJS 提供企业级骨架:依赖注入、模块化、AOP,强制 Module / Controller / Service 分层,规范性与可测试性对长期迭代的 AI 服务中台极有价值。pgvector 让 PostgreSQL 原生支持向量存储与检索——一套库同时搞定业务数据与 AI 数据,运维复杂度骤降,且能在同一事务里操作业务与向量数据 |
| AI 应用层 | LangChain.js + Vector DB + OpenAI API | 把复杂的编排工作抽象、标准化:用 Chains 串多步操作,用 Agents 让模型自主决策与使用工具 |
Tauri vs Electron 的对比维度:性能、体积、安全性。
前端开发要点
- 初始化 Tauri 项目并与 React 集成。
- 核心通信:React 调用 Rust Commands 并处理回调。
- 系统原生能力:窗口、菜单、系统托盘、文件对话框的定制与调用。
- UI:shadcn/ui + TailwindCSS 最佳实践,从零构建聊天界面与文件管理界面。
- 表单:
react-hook-form+zod校验。 - 状态管理:Zustand 轻量实践。
- 交互联调:封装 API 请求模块(axios / fetch);用 WebSocket 与 NestJS 建立实时通信,接收 AI 流式数据。
服务端开发要点
- NestJS 核心:IoC / DI 思想、Module / Controller / Service 架构。
- 数据库:TypeORM 连接 PostgreSQL,定义 Entity 与 Migration。
- 核心接口:文件上传/解析/存储、知识库 CRUD、DTO +
class-validator请求校验、Guards + JWT 认证授权。 - WebSocket Gateway:处理连接与消息,实现从 AI Service 到客户端的实时推送。
AI 应用开发要点
- LangChain 六大核心模块:Modules、Prompts、Chains、Indexes、Memory、Agents。
- RAG 全流程:Document Loaders(PDF/TXT/MD)→ Text Splitters → Embeddings → Vector Stores(内存 / Chroma)→ RetrievalQA 链 → PromptTemplate → 流式输出。
- 注入 NestJS:封装
AIService承载完整 RAG 链路,由 Controller 与 WebSocket Gateway 对外服务。 - 进阶:Memory 多轮对话、Tools/Agents 调用外部 API、Function Calling 返回结构化数据;再用 LangGraph 解决线性链的局限(StatefulGraph、Nodes、Edges、Multi-Agent 协作)。
Monorepo 面试重难点
- 如何解决 Monorepo 的「依赖地狱」?
- Turborepo 如何实现增量构建与缓存?
- 如何设计可扩展的 Monorepo CI/CD 流水线?
十二、Vibe Coding 实践
用自然语言让 AI 生成目标代码的编程方法。
流程主线:工程规范 → 方案设计 → 代码审查。
12.1 如何解决 AI 生成代码混乱
答案只有一句:上下文清晰控制策略。
落地做法
- 建开发手册:强调怎么做、不能怎么做;用工程规范约束(ESLint、Prettier 等)。
- 清晰规划(五个必答项):
- 探讨新特性方案(拿到需求,详细调研,方案对比评审)
- 具体实施步骤(每一步开发做什么)
- 可能存在的风险(需要攻破的难点)
- 最终单测、集成测试用例(测试驱动,先写 case)
- 反思优化
AI 开发 SOP(Vibe Check)
- Plan 策划
- Coding 开发
- Lint 检查
- 开发隔离:新特性隔离;设计文档、实施文档单独成文件
工具选择:Claude + Codex。
12.2 用 Vibe Coding 做亿级协同表格
先做三层约束
- 全局约束(工程规范先行)。
.clauderules:约束 AI 编码的技术实现。.plan:规划。
.plan 的需求描述用 STAR-L 法则
- 描述需求
- 探讨方案
- 实施步骤拆解
- 存在性能瓶颈点
- 优化细节
- 核心数据协议设计:先做顶层数据协议抽象
.features:按新特性拆解开发
- 表格渲染引擎:支持千万行数据流畅渲染,沉淀到 monorepo 子包
- 公式引擎、WebWorker 多线程架构
- 协同实现:① Yjs(CRDT)/ OT,基于 Yjs 实现 ② 协同服务 ③ 协同层传输协议
- 界面:登录、表格渲染
SOP 六步:规范 Spec → 代码生成 → 补测试用例 → 测试 + lint → 收尾 → check 过程。
配套 MCP / Skill
- 通用工具协议调用 MCP。
- 查资料:
deepwikiMCP。 - 查上下文:
context7MCP。 - 集成测试:
playwrightMCP。 - 工具管理:
zcf(管理模型、管理 MCP)。
12.3 从零到一交付的操作序列
- 基于问题,先分析出大致步骤。
- 按使用的工具建对应文件夹存放产物。
- 建一个 plan 框架文档,告诉 AI 如何做项目规划。
- 等 AI 产出规划。
- 检查规划是否合理。
1 | # 项目规划(plan 框架示例) |
- 建「新特性开发文档」(开发遵循的规范),告诉 AI 接下来按这些规范开发。
- 等 AI 生成代码。
- 检查并测试。
1 | # 具体新特性开发(示例) |
12.4 一小时交付:核心功能计划文档
- 基于「项目规划文档」+「新特性开发文档」,再建一个核心功能计划文档,指明用什么技术实现。
- 让 AI 基于核心功能文档生成新的开发规划文档。
- 按新规划生成项目。
- 测试。
1 | ## 核心功能 |
十三、TypeScript 与 Zod 速查
13.1 为什么 TS + Zod 在 Agent 开发中应用广泛
| 工具 | 检查时机 | 在 Agent 中的角色 |
|---|---|---|
| TypeScript | 开发阶段 / 编译时,静态类型检查 | 约束框架契约、节点类型、协议数据结构 |
| Zod | 生产阶段 / 运行时 | ① Agent 开发时作为入参标准;② Agent 开始时作为标准化输出的定义;③ 参数提取的 schema 定义;④ 输出结果的结构化处理 |
13.2 TS 基础与类型操作
① 基础类型number、string、boolean、array、enum、tuple、any、unknown、never、undefined、null
1 | // 数组:Array<{ type: 'ai' | 'user' | 'system'; text: string }> |
② interface 与 type 的两种扩展方式
1 | interface User { |
③ 联合类型 + 类型保护(类型收敛)
1 | type Prompt = string | { type: 'ai' | 'user' | 'system'; text: string }[] |
④ 泛型
1 | function stringify<T>(input: T): string { |
⑤ 类型操作与工具类型
1 | // 联合类型:节点协议 |
⑥ 类型体操练习:type-challenges。从 README 选任意标签看示例,点「Take the Challenge」即可开练,目标是亲手实现常用工具类型。
13.3 TS 在 AI 框架中的地位
- TypeScript 是 AI 框架的首选支持语言,与 Python 地位相当。
- 主流框架几乎都同时提供 Python 与 TS 版本:LangChain.js、LangGraph.js、DeepAgent.js、Mastra……
前端深耕 AI Agent 的三点沉淀
- TS + AI 框架的工程化能力。
- TS AI SDK 开发 + Node.js / NestJS / Nuxt.js 的服务化能力。
- 数据持久化层:Prisma + PostgreSQL。
13.4 Zod 要点
1 | import { z } from 'zod' |
在 Agent 中的三个用法
- 参数提取的 schema 定义(让模型按 schema 返回结构化参数)。
- 输出结果的结构化处理(
safeParse兜底,失败可回传模型重试)。 - 工具入参校验(运行时防护)。