WorkFlow 主流工具全景

一句话定义:盘点当前主流 AI / 自动化工作流工具的定位、特点与选型建议。

1. 工具地图

flowchart TB
    subgraph 通用自动化
        n8n
        Make
        Zapier
        Activepieces
    end
    subgraph AI原生编排
        DifyW[Dify Workflow]
        FastGPT
    end
    subgraph LLM画布
        Flowise
        Langflow
    end
    subgraph 代码级
        LangGraph
        Temporal
    end
工具 类型 开源 一句话定位 更适合
n8n 通用自动化 + AI 是(可自托管) 开发者友好的工作流自动化 自托管集成、复杂分支、AI Agent 节点
Dify Workflow AI 原生编排 LLM 应用平台中的后台流水线 RAG/Agent 应用的批处理与编排
Make 通用自动化 否(SaaS) 可视化场景自动化 非研发快速集成 SaaS
Zapier 通用自动化 否(SaaS) 海量 App 连接器 轻量触发式自动化、生态优先
Flowise LLM 画布 拖拽式 LangChain 编排 快速搭 RAG/Agent 原型
Langflow LLM 画布 可视化 LLM 流水线 实验与教学、组件化拼装
Activepieces 通用自动化 开源 Zapier 替代 自托管、插件扩展
Windmill 脚本/工作流平台 以代码为中心的自动化 工程团队、脚本编排
LangGraph 代码级图编排 状态图 Agent/工作流 生产级可控 Agent
Temporal 工作流引擎 可靠长时运行工作流 需要强一致性/长任务的后端

2. 重点工具说明

2.1 n8n

  • 定位 :开源工作流自动化平台,近年大力补齐 AI 能力(AI Agent、LangChain 节点、向量库等)。
  • 特点
    • 自托管友好,数据可控。
    • 节点生态丰富(HTTP、数据库、IM、云服务)。
    • 支持 Code 节点,工程可扩展性强。
    • 可把 LLM 当作普通节点嵌入既有自动化。
  • 典型场景 :Webhook 接入 → 检索知识 → LLM 生成 → 写回业务系统。
  • 注意 :复杂 Agent 循环要自己设计护栏;权限与密钥管理需按生产标准建设。

2.2 Dify Workflow

  • 定位 :Dify 平台中的 Workflow 应用类型,面向非对话的编排与批处理(与 Chatflow 并列)。
  • 特点
    • 内置 LLM、知识库、工具、代码、HTTP、迭代等节点。
    • 与 Dify 的模型管理、RAG、工具生态一体。
    • 适合「已用 Dify 做应用,再补后台流水线」。
  • 典型场景 :文档入库流水线、批量摘要、定时运营任务、被 API 调用的编排服务。
  • 注意 :对话型产品应优先用 Dify Chatflow;后台任务才用 Workflow。

2.3 Make(原 Integromat)

  • 定位 :SaaS 可视化自动化,场景(Scenario)编排能力强。
  • 特点 :UI 成熟、模块多;适合业务侧快速连通多系统。
  • 局限 :深度定制与自托管弱于 n8n;AI 能力多依赖外部 LLM 模块。

2.4 Zapier

  • 定位 :连接器生态最广的自动化 SaaS。
  • 特点 :Zap + AI Actions / Chatbots 等能力,上手极快。
  • 局限 :复杂分支与成本控制在大规模场景下需仔细评估;不适合强数据主权场景。

2.5 Flowise

  • 定位 :基于 LangChain 的低代码可视化搭建器。
  • 特点 :拖拽快速拼 RAG、Agent、工具调用;适合原型与 PoC。
  • 局限 :复杂生产治理(版本、权限、可观测)通常还要二次建设。

2.6 Langflow

  • 定位 :开源可视化 LLM 应用构建器,组件化拼装 Prompt/模型/检索/Agent。
  • 特点 :实验友好、社区活跃;可导出/对接代码侧。
  • 局限 :与 Flowise 类似,偏「搭链路」而非「企业自动化 iPaaS」。

2.7 Activepieces / Windmill

  • Activepieces :开源自动化,强调插件与自托管,Zapier 替代选项。
  • Windmill :以脚本(TS/Python 等)+ 工作流为核心,适合工程团队把内部脚本产品化。

2.8 代码级:LangGraph / Temporal

  • LangGraph :把流程建成显式状态图,适合需要精细控制、人在环上、持久化的 Agent/工作流。
  • Temporal :经典可靠工作流引擎,适合长时任务、重试与补偿;AI 能力需自行接入 LLM SDK。

代码级方案不替代 n8n/Dify 的低代码价值,而是在「要强工程可控」时的下一档选择。详见 主流框架对比

3. 横向对比维度

维度 关注点
部署形态 SaaS / 自托管 / 混合
触发能力 Webhook、Cron、队列、App 事件
AI 深度 是否一等公民支持 Prompt、工具调用、RAG、Agent
集成广度 现成连接器数量 vs 自定义 HTTP/代码
可观测性 运行历史、token、告警、回放
协作与权限 多环境、角色、审计
扩展方式 自定义节点 / 插件 / SDK
成本模型 按执行次数、按座位、按基础设施

4. 选型建议

你的情况 更推荐
要自托管、集成多系统、团队会写一点代码 n8n
已在 Dify 体系内,要做后台编排/批处理 Dify Workflow
业务同学主导、快速连 SaaS Make / Zapier
快速验证 RAG/Agent 链路 Flowise / Langflow
生产级复杂 Agent,要代码可控 LangGraph
长时可靠任务 + 自研编排 Temporal + LLM SDK
开源 Zapier 替代 Activepieces

5. 实践建议

  1. PoC 用低代码,生产再评估是否下沉代码级
  2. 把 LLM 节点当「不可靠步骤」设计 :校验输出、重试、降级。
  3. 对话入口与后台流水线拆分 :ChatFlow 收请求,WorkFlow 做事。
  4. 统一密钥与模型网关 :避免每个工具各配一套 Key。
  5. 先度量再优化 :记录每条链路的延迟、成功率、token。

6. 后续文档计划

  • n8n:安装、AI Agent 节点、与知识库联调
  • Dify Workflow:节点手册、API 触发、与 Chatflow 协作
  • Flowise / Langflow:RAG 画布实战
  • 与 LangGraph 的边界与迁移路径

7. 参考资料