你刚搭完一个"智能客服"工作流：用户提问→大模型理解→查知识库→生成回答。看起来跑通了。直到产品经理说："要是模型不确定，得让人工看一眼呢？"你愣住——n8n里怎么塞一个"暂停等人"的节点？

这不是功能缺失，是底层设计哲学的错位。传统自动化工具为"确定性的如果-那么"而生，AI工作流却是"不确定性的推理-决策-执行"循环。当工作流开始长出自己的"脑子"，旧工具就成了绑在脚上的沙袋。

打开网易新闻 查看精彩图片

从插件补丁到原生设计

作者花了不少时间在n8n上搭AI流程。初期够用。后来需求变了：代理需要推理并调用工具，文档检索要嵌入执行流，关键操作前得有人工把关，还要能看清模型到底干了什么、为什么、什么时候。

n8n、Zapier、Make都不是为这种场景设计的。它们擅长规则明确的自动化——A触发B，B执行C，路径清晰。一旦工作流变成AI原生，你在跟平台搏斗，而不是在搭建。

Heym的解法是从零开始：自托管、源码开放、单一运行时覆盖AI工作流的全套需求——代理、检索、审批、可观测性、调度，还能把工作流本身暴露成AI助手可调用的工具。Docker Compose一键部署，数据不出栈。

技术实现上，工作流引擎把画布编译成有向无环图，线程池并发执行独立节点。流式模式让每个节点完成就发事件，前端实时刷新。代理节点内置完整的工具调用循环：跑Python工具、连外部MCP服务器、委派子代理、调用其他工作流当工具。上下文用到80%时自动压缩历史，防止长任务跑到一半哑火。

把"人"写进工作流的语法

作者最坚持的设计是这个：人工介入（HITL）不是变通方案，是工作流的基础原语。

AI输出有真实后果——草拟的邮件、生成的报告、下游依赖的数据转换。HITL节点能在任意点暂停执行，生成一次性公开审核链接，然后等待。审核人无需Heym账号，可接受、编辑或拒绝。执行从精确存储的快照恢复，同一次运行能暂停多次。

这改变了工作流的设计语法。不是"先自动化，再想办法塞个人工审批"，而是"人机协作是默认选项"。

文档检索同理。Heym拒绝"外挂一个向量数据库API"的补丁方案——那样你得维护两套系统、两处调试、两条追踪链。它把向量存储管理内嵌：上传文档、创建存储、语义搜索直接连线进工作流。完整管道跑在单一工作流里，出现在单一追踪记录中。

双向流动的工具生态

每个Heym实例自带MCP服务器。你搭的任何工作流，都能直接暴露成Claude Desktop、Cursor或其他MCP客户端可调用的工具。反过来，代理节点也能连接外部MCP服务器获取工具能力。

这形成双向通道：Heym既产出工具，也消费工具，能力在生态里流动。

可观测性被当作信任的前提。Traces标签自动记录每次执行；Evals标签支持创建测试套件，同时跑多模型评估。作者的原话是："如果你无法检查AI工作流做了什么，就无法在生产环境信任它。"

这套设计的代价是放弃"无代码拖拽一切"的幻觉。Heym承认AI工作流的复杂性，选择给专业用户更底层的控制，而非给普通用户更光滑的表面。