中文 | English
- 可视化 DAG 工作流引擎 — 拖拽式设计器，20+ 节点类型，支持条件分支、并行执行、人工审批、子工作流嵌套，AI 自动生成下游节点链
- Message 消息节点 — 工作流驱动的 IM 消息发送节点，支持企业微信/钉钉/飞书/WhatsApp，Redis 队列异步解耦，批量发送与回执确认
- MessageGateway 消息网关 — 统一 IM 消息收发网关，Webhook 接收 → 路由规则匹配 → 工作流触发，支持多渠道多规则编排
- Voice 语音转写节点 — 语音识别 + LLM 后处理一体化，支持 FunASR 本地部署，说话人分离、多格式输出（SRT/VTT/JSON）、长音频自动分段、热词增强
- ClawAI 智能体 — Plan-Execute-Reflect 循环架构，多层记忆系统（短期/长期/情景/人格/用户画像），支持任务分解与动态重规划
- ServiceDesk 客服节点 — FunctionCall 驱动的知识库检索 + 生成一体化，支持多轮对话、意图识别、信息收集
- Research 研究节点 — 自主网络研究，基于 SearXNG 搜索 + Playwright 网页抓取，多轮搜索-分析-反思迭代，自动生成研究报告
- RAG 知识库 — 向量检索 + 全文检索混合搜索，支持 PDF/Word/Markdown 等多种文档格式，自动分块与索引，支持图片识别与图片输出
- MCP 工具协议 — 内置 MCP Server/Client，快速接入外部工具和数据源
- 多模型支持 — OpenAI / Claude / DeepSeek / Ollama / 智谱 / 百度 等主流模型，可按节点独立配置
- 实时流式输出 — 基于 Redis Stream 的流式响应，前端实时展示 LLM 生成过程
- 跨平台客户端 — Vue3 + Tauri 桌面客户端，支持 SSE 流式对话、语音输入、文件上传、Human-in-the-loop 交互，Web SPA 模式开箱即用
- 浏览器自动化 — 基于 Playwright 的 Agent 浏览器，支持网页操作与数据采集
AI.Entity ────────────────────────────────────── (基础数据模型，零依赖)
│
├── AI.DAL ──── AI.DAL.MySql / AI.DAL.Postgres (数据访问抽象)
│ │
│ └── AI.BLL ──────────────────────────── (业务逻辑层)
│ │
│ ├── AI.Service ───────────────── (应用服务层)
│ │
│ └── AI.Node ◄── AI.Core ───────── (工作流引擎 + AI 内核)
│ │ │
│ │ ├── AI.Plugins (函数插件)
│ │ ├── AI.MCPClient (MCP 客户端)
│ │ └── AI.Functions (内置函数)
│ │
│ └── AI.KnowledgeBase ──────── (知识库服务)
│
├── AgentBrook.API ────────────────────────── (API 网关，串联所有模块)
│
├── AgentBrook.MessageGateway ───────────── (IM 消息网关)
│
├── AgentBrook.AutoJob ────────────────────── (后台任务调度)
│
├── AgentBrook.Client ──────────────────────── (跨平台客户端)
│
├── AgentBrook.Web / Web.Manage ───────────── (前端界面)
│
└── Utils.Core / LitJSON / Cache ──────────── (通用工具库)
| 项目 | 说明 | 关键技术 |
|---|---|---|
| ZSN.AI.Core | AI 内核，Semantic Kernel 封装，多模型路由，流式输出 | Semantic Kernel, Extensions.AI |
| ZSN.AI.Node | 工作流节点执行引擎，ClawAI / ServiceDesk / LLM 等全部节点 | SK FunctionCall, Pipeline |
| ZSN.AI.Entity | 数据模型、DTO、枚举定义 | SqlSugar 注解 |
| ZSN.AI.BLL | 业务逻辑层：工作流管理、任务调度、知识库操作 | |
| ZSN.AI.DAL | 数据访问抽象接口 | SqlSugar ORM |
| ZSN.AI.DAL.MySql | MySQL 数据访问实现 | SqlSugar + MySQL |
| ZSN.AI.DAL.Postgres | PostgreSQL 实现（向量检索 + 知识图谱） | Npgsql, pgvector, Apache AGE |
| ZSN.AI.KnowledgeBase | 知识库服务：文档导入、分块、索引、语义检索、图片识别 | Npgsql, pgvector, Apache AGE |
| ZSN.AI.MCPServer | MCP 工具服务器，将平台能力暴露为 MCP 工具 | ModelContextProtocol |
| ZSN.AI.MCPClient | MCP 客户端，连接外部 MCP 服务 | ModelContextProtocol |
| ZSN.AI.Plugins | Semantic Kernel 函数插件集合 | |
| ZSN.AI.Functions | 内置函数库 | |
| ZSN.AgentBrook.API | REST API 网关，Swagger 文档 | ASP.NET Core, SignalR |
| ZSN.AgentBrook.MessageGateway | 统一 IM 消息网关，多渠道 Webhook 接收与路由 | ASP.NET Core, Redis Queue |
| ZSN.AgentBrook.Client | 跨平台客户端（Vue3 + Tauri / Web SPA） | Vue3, TypeScript, Element Plus, Tauri |
| ZSN.AgentBrook.Web | 前端界面（React + Ant Design Pro） | React, Ant Design Pro |
| ZSN.AgentBrook.Web.Manage | 管理后台（LayUI）：应用/模型/知识库/会话管理/菜单配置等 | LayUI, jQuery |
| ZSN.AgentBrook.AutoJob | 后台任务调度器，轮询执行工作流任务 | Quartz.NET |
| ZSN.AgentBrook.Plugins | 应用级插件 | |
| ZSN.AgentBrowser | AI 浏览器自动化 | Playwright |
| ZSN.Cache | 分布式缓存服务 | Redis, MemoryCache |
| ZSN.Utils.Core | 通用工具库 | log4net, NPOI |
| LitJSON | 轻量 JSON 库 |
基于 DAG（有向无环图）的可视化工作流编辑器，支持拖拽设计：
支持 20+ 节点类型：
| 类别 | 节点 |
|---|---|
| 流程控制 | Start, End, AgentStart, AgentEnd |
| AI 推理 | MainAI, LargeModel, ClawAI, ServiceDesk, Research, Voice, Message |
| 知识检索 | KnowledgeBase, FileToMarkdown |
| 逻辑路由 | Selector（条件分支）, Merge（汇聚）, IntentionRecognition（意图识别） |
| 工具集成 | MCP, Plugins, Agent（子工作流） |
| 人机协作 | HumanInTheLoop（人工审批）, Reporter（报告生成） |
| 触发器 | TimeTrigger（定时触发） |
AI 自动生成下游节点链：
在工作流编辑器中选中任意节点，输入自然语言需求，AI 将自动规划、生成并组装完整下游节点链：
- 三阶段流水线：规划工作流结构 → 并行生成节点详情 → 工程组装，通过 SSE 实时推送进度
- 智能变量映射：自动解析上游上下文中的可用变量，为下游节点精准匹配 sourceId 引用
- 兼容现有工作流：保留上游节点不变，仅生成新的下游节点和连线，自动布局与 DAG 环路检测
- 提示词模板可定制：内置 AutoGeneratePlan 和 ModifyNodeDetail 提示词模板，可通过 md 文件自定义 AI 行为
ClawAI 是平台的核心智能体节点，实现了完整的 Plan-Execute-Reflect 循环：
多层记忆系统：
| 记忆层 | 作用 |
|---|---|
| 短期记忆 | 当前会话上下文，保持对话连贯性 |
| 情景记忆 | 历史事件记录，跨会话经验积累 |
| 长期记忆 | 知识库检索结果，持久化知识存储 |
| 用户画像 | 用户偏好与行为特征，个性化服务 |
| AI 人格 | AI 角色状态，维持一致的交互风格 |
多模型协作： 每个环节可独立配置模型（主模型、规划模型、反思模型、记忆模型、人格模型），实现成本与效果的灵活平衡。
面向客服场景的快速响应节点，通过 FunctionCall 让 LLM 自主调用知识库检索：
核心特性：
- FunctionCall 驱动：LLM 自主决定是否检索知识库
- 多轮对话：自动维护会话上下文
- 信息收集：检测意图后自动追问缺失字段
- 置信度分级：高/中/低置信度对应不同处理策略
- 来源引用：回答附带知识库来源标注
- 混合检索：向量语义搜索 + 全文关键词搜索，融合排序
- 知识图谱：基于 Apache AGE 的实体关系图谱
- 多格式支持：PDF、Word、Markdown、TXT、HTML 等
- 智能分块：语义感知的文档分块策略
- 图片识别：自动提取文档中的图片，通过 VLM（视觉语言模型）生成图片描述、OCR 文字识别，支持 PDF/Word/PPT 文档
- 图片输出：知识库检索结果支持返回关联图片，图片与文本分块自动关联，支持混合图文检索
图片处理管线：
文档上传 → 图片提取（PDF/Word/PPT）
→ 内容去重（SHA256 哈希）
→ VLM 描述生成（图片描述 + OCR + 标签）
→ 图片存储 + 元数据入库
→ 图片-分块自动关联
Research 节点是一个自主网络研究引擎，能够根据研究目标自动进行多轮搜索、网页抓取、分析和反思：
关键特性：
- 双模式抓取：Playwright 网页抓取优先，不可用时自动降级为搜索摘要模式
- 多轮迭代：最多 3 轮搜索-分析循环，LLM 自动规划关键词
- 完整度评估：每轮分析后评估信息覆盖度（0.0-1.0），达到阈值后自动停止
- LLM 调用预算：可配置最大 LLM 调用次数，防止成本失控
- 内容缓存：基于 Redis 的网页内容缓存，避免重复抓取
- 超时保护：全局超时保护，超时返回已获取内容
- 流式输出：实时流式推送研究进度
Voice 节点是集语音识别与 LLM 后处理于一体的智能语音处理节点，支持从音频文件自动生成结构化文本：
核心能力：
- 语音转写：基于 FunASR（WebSocket 离线模式）的本地化语音识别，数据不出服务器
- 说话人分离：自动识别不同发言人，支持自定义说话人标签映射
- 多格式输出：纯文本、带时间戳分段 JSON、SRT 字幕、WebVTT 字幕
- LLM 后处理：转写结果自动接入 LLM，支持自定义提示词进行文本整理、摘要生成等
- 长音频分段：超过阈值（默认 300 秒）的音频自动按静音检测分段，并行转写后合并
- 热词增强：支持配置热词列表，提升特定领域词汇识别率
- 多格式输入：WAV、MP3、M4A、OGG、FLAC、AAC 等 12 种音频/视频格式，FFmpeg 自动转换
处理流程：
音频输入 → 格式转换（FFmpeg）
→ 长音频 VAD 分段（silencedetect）
→ FunASR WebSocket 转写（分片发送）
→ 说话人标签映射 + 输出格式化
→ LLM 后处理（可选）
→ 结构化结果输出
配置示例（appsettings.json）：
{
"VoiceNodeOptions": {
"DefaultProvider": "FunASR",
"MaxConcurrentSegments": 4,
"MaxFileSizeMb": 500,
"AutoSegmentThresholdSeconds": 300,
"TempFileDirectory": "",
"FFmpegPath": ""
},
"FunASROptions": {
"ServerUrl": "ws://127.0.0.1:10095",
"ChunkSize": 9600,
"ConnectTimeoutSeconds": 5,
"TranscribeTimeoutMinutes": 10
}
}Message 节点使工作流能够主动发送 IM 消息，支持多渠道集成和灵活的发送策略：
核心特性：
- 多渠道支持：企业微信、钉钉、飞书、WhatsApp，通过 MessageGateway 统一适配
- 多用户模式：Static（手动指定）/ Dynamic（上游变量）/ Query（查询，预留），支持批量独立发送
- 占位符替换：消息模板支持
{{input}}、{{变量名}}等占位符，自动替换为工作流上下文变量 - 发送确认：支持 WaitForConfirmation 模式，轮询等待网关确认发送结果后再触发下游
- Redis 解耦：通过 Redis 队列与 MessageGateway 异步通信，节点不直接调用 IM API
- 个人化消息：支持为每个目标用户覆盖消息内容，实现个性化推送
处理流程：
工作流 → MessageNode → Redis 入队 (msg_send_queue)
→ MessageGateway 消费者出队
→ 查找渠道配置 → Provider 实例化
→ Token 刷新 / 签名计算 → IM API 发送
→ 结果写回 tb_msg_send_record
→ (WaitForConfirmation 模式) Node 轮询确认
配置示例（appsettings.json）：
{
"MessageNode": {
"SendQueueName": "msg_send_queue",
"WaitTimeoutSeconds": 30,
"PollIntervalMs": 500
}
}MessageGateway 是独立的 IM 消息网关服务，负责接收和发送 IM 消息：
接收流向（IM → 工作流）：
- Webhook 接收 IM 平台回调 → 渠道签名验证 → 消息解析 → 幂等去重 → 路由规则匹配 → 创建工作流任务
发送流向（工作流 → IM）：
- Redis 队列消费 (msg_send_queue) → 渠道配置查找 → Provider 获取/熔断保护 → 重试机制 → 结果回写
路由规则：
- 支持 All / Keyword / Regex 多种匹配类型
- 优先级排序，第一条命中的规则生效
- 自动创建会话、临时会员（确定性 MemberID）
- 支持自定义 inputs 映射到工作流变量
熔断保护：
- 可配置连续失败阈值，自动熔断 Provider
- 熔断后自动恢复（可配置恢复时间）
内置 MCP Server 和 Client，支持：
- 将平台能力（知识库检索、工作流触发等）暴露为 MCP 工具
- 连接外部 MCP 服务，扩展 LLM 工具能力
- 支持客户端/服务端双向调用模式
基于 Vue3 + TypeScript + Element Plus + Tauri 的跨平台客户端，支持 Web SPA 和桌面应用两种部署模式：
核心特性：
- 双模式部署 — Tauri 桌面应用（Windows/macOS）+ Web SPA（.NET 宿主），一份前端代码两种部署
- SSE 流式对话 — 实时展示 LLM 生成过程，支持工作流节点状态展示
- 语音输入 — FunASR 2pass 实时语音识别，Tauri 原生音频采集
- 文件上传 — 多格式支持，大文件分片上传，图片压缩
- Human-in-the-loop — 工作流人工审批交互
- 国际化 — 内置中英文切换，可扩展更多语言
- 本地缓存 — IndexedDB 存储会话消息，离线队列支持
- 安全机制 — Token 加密存储，API 请求签名，XSS 防护
技术架构：
ZSN.AgentBrook.Client/
├── Program.cs # .NET 宿主（SPA 静态文件服务）
├── appsettings.json # Kestrel 配置
├── wwwroot/ # Vue3 构建产物（SPA 模式）
└── client-app/ # Vue3 前端源码
├── src/
│ ├── views/ # 页面（Login, Chat, Settings, MeetingTranscribe, MiniChat）
│ ├── components/ # 组件（chat, layout, settings, common）
│ ├── composables/ # 组合式函数（useAuth, useChat, useVoice, useFileUpload）
│ ├── services/ # API 服务（http, auth, chat, session, hitl, voiceApi）
│ ├── stores/ # Pinia 状态管理
│ ├── platform/ # 平台适配层（Tauri / Web）
│ └── utils/ # 工具函数（cache, crypto, db, markdown）
└── src-tauri/ # Tauri 桌面端配置
运行客户端：
# Web SPA 模式（开箱即用）
dotnet run --project ZSN.AgentBrook.Client
# 访问 http://localhost:5006
# 开发模式（前端热重载）
cd ZSN.AgentBrook.Client/client-app
npm install
npm run dev
# Tauri 桌面端开发
cd ZSN.AgentBrook.Client/client-app
npm run tauri:dev通过统一的 IChatService 接口对接多种 AI 提供商：
| 提供商 | 模型示例 | 接入方式 |
|---|---|---|
| OpenAI | GPT-4o, GPT-4, GPT-3.5 | OpenAI API |
| Anthropic | Claude 系列 | OpenAI 兼容接口 |
| DeepSeek | DeepSeek-V3/R1 | OpenAI 兼容接口 |
| Ollama | Qwen, Llama, Mistral 等本地模型 | Ollama API |
| 智谱 AI | GLM-4 | 智谱 API |
| 百度 | 文心一言 | 百度 API |
| 其他 | 任何 OpenAI 兼容接口 | 自定义 EndPoint |
每个工作流节点可独立配置模型、Temperature、TopP 等参数。
| 层级 | 技术 |
|---|---|
| 运行时 | .NET 10 |
| AI 框架 | Microsoft Semantic Kernel 1.74, Microsoft.Extensions.AI 10.4 |
| MCP | ModelContextProtocol 0.3 |
| ORM | SqlSugar 5.1 |
| 数据库 | MySQL（主库）, PostgreSQL + pgvector + Apache AGE（知识库） |
| 缓存 | Redis (StackExchange.Redis) |
| 文档处理 | PdfPig, OpenXml, Markdig, ImageSharp |
| 图片处理 | VLM 图片描述, OCR 文字识别, 图片-分块关联 |
| 任务调度 | Quartz.NET |
| 前端 | React + Ant Design Pro（用户端）, LayUI（管理端）, Vue3 + Element Plus + Tauri（客户端） |
| 浏览器自动化 | Playwright |
| API 文档 | Swagger / OpenAPI |
- .NET 10 SDK
- MySQL 8.0+
- PostgreSQL 16+（知识库功能，需安装 pgvector 扩展）
- Redis 7.0+
# 克隆仓库
git clone https://github.com/your-org/ZSN.AgentBrook.git
cd ZSN.AgentBrook
# 还原依赖
dotnet restore ZSN.AI.sln编辑 ZSN.AgentBrook.API/appsettings.json：
{
"ConnectionStrings": {
"DefaultConnection": "Server=localhost;Database=zsn_ai;Uid=root;Pwd=your_password;",
"PostgresConnection": "Host=localhost;Database=zsn_kb;Username=postgres;Password=your_password;"
},
"Redis": {
"ConnectionString": "localhost:6379"
},
"LLM": {
"DefaultModelId": 1
}
}# 启动 API 服务
dotnet run --project ZSN.AgentBrook.API
# 启动后台任务调度（工作流执行）
dotnet run --project ZSN.AgentBrook.AutoJob
# 启动消息网关（IM 消息收发，可选）
dotnet run --project ZSN.AgentBrook.MessageGateway
# 启动管理后台（可选）
dotnet run --project ZSN.AgentBrook.Web.Manage
# 启动客户端（Web SPA 模式，可选）
dotnet run --project ZSN.AgentBrook.Client
本项目基于 MIT License 开源。