在过去一年多的大模型应用落地探索中，很多初学者乃至产品技术团队都会陷入一个误区：试图通过一段数千字的“万字神级 Prompt”去解决所有复杂的业务诉求。
但在真实的生产环境中，单一 Prompt 的脆弱性极其明显：
- 上下文相互污染：长 Prompt 中各类规则互相干扰，模型顾此失彼；
- 调试宛如开盲盒：出现 Badcase 时，根本无法定位究竟是哪一句指令引发了幻觉；
- 成本与延迟失控：简单任务也被迫带着万字上下文使用最贵的大模型，ROI 极低。
大模型应用落地的本质，是从“单次概率调用”走向“确定性工程系统”。
市面上虽然已有 Dify、Langflow 等优秀工具，但它们普遍依赖重型后端环境与复杂数据库。为了彻底吃透 Agentic Workflow 底层调度机制，并探索一种无需后端即可在线体验、本地又能直连私有算力的极简架构，我启动了这个开源项目：从产品与架构视角出发，通过“规范先行”的 Vibe Coding，构建一个轻量级低代码 AI 提示流编排器（AI Prompt Flow Orchestrator）。
一、 为什么单次 Prompt 无法胜任复杂业务？
单次对话调用与工作流编排的核心差异在于“确定性控制”与“系统可观测性”：
通过 DAG（有向无环图）工作流编排，系统在工程层面实现了四个跃升：
- 上下文按需隔离：复杂任务拆解为原子步骤。上游清洗的数据只向特定下游节点透传必要字段，彻底告别“全量历史挤占 Context Window”导致的注意力衰减。
- 异构模型路由（成本与延迟双降）：在意图分类、格式清洗等前置节点使用毫秒级响应的轻量模型；在核心生成环节路由给深度推理模型。在实测业务流中，综合推理成本可降低 50%~70%，响应延迟大幅缩减。
- 断言与防线把控（Guardrails & Critic）：在节点间插入校验逻辑与反思节点，前序输出不合规时立即在局部拦截或触发重试，避免错误向整条链路扩散。
- 全链路可观测性（Observability）：每个节点的输入/输出、耗时、Token 消耗均具备独立日志与状态打点，排查 Badcase 精确到毫秒和具体算子，告别盲目全量调优。
二、 产品形态与“双引擎适配器”架构设计
为平衡“开源零门槛试用”与“生产级扩展能力”，本项目在初期就确立了双引擎适配器（Dual-Engine Adapter）架构：
1. 体验层（零成本极速体验）
- 痛点：90% 的开发者看到开源项目时，会因为需要配 Python 环境、装 Docker、找 API Key 而放弃尝试。
- 解法：基于 GitHub Pages 实现纯前端引擎。访问网页即是一个完整的单页编排应用，内置 Mock 数据流与 Kahn 拓扑调度算法，无需任何后端即可体验完整的节点流转、分支路由与变量注入。
2. 算力层（全功能深度扩展）
- 本地启动轻量级 FastAPI 服务后，一键切换为本地执行引擎。
- 支持真实的 Python 脚本节点沙箱执行、本地 Ollama 私有模型无缝调用，以及本地知识库 RAG 检索。
三、 规范先行：Vibe Coding 时代的工程约束
很多人在使用 AI 协作编程（Vibe Coding）时容易陷入“越写越乱、代码腐化”的陷阱。我们的核心原则是：在敲下第一行代码前，用清晰的 PRD、Schema 规范与架构决策记录（ADR）锁定 AI 编码的边界。
目前项目的整体工程骨架已落地如下：
通过将 Graph Schema（节点、连线、数据协议） 严格类型化，AI 生成的代码被严格限制在类型系统的沙盒内，大幅降低了大型 Refactor 时的逻辑断层。
💡 项目开源与交流：如果你对前端图计算、轻量级 AI 工作流编排或 Vibe Coding 实践感兴趣，欢迎访问项目仓库并点个 Star ⭐️ 支持！如果有任何建议或 Bug，欢迎直接在 GitHub 提交 Issue 或 PR 交流。
🔗 GitHub 仓库地址：https://github.com/GuoBug/ai-prompt-orchestrator
📖 下一篇深度解析：《从 0 到 1 打造 AI 提示流编排器：Kahn 拓扑排序、安全变量引擎与异步运行时实战（开源系列 02）》