第三篇：整体架构设计

第三篇：整体架构设计

元数据引擎、工作流、智能体如何协同？多语言架构如何分层？

剧工厂（DramaAgentPro）是面向影视制作的企业级智能体 SaaS 平台，项目管理、内容创作、营销策略等智能体贯穿 IP 孵化到发行营销的全生命周期，采用 Java + Python + Temporal 多语言架构。本系列共 13 篇，以剧工厂为例介绍企业级大模型智能体的架构设计、部署与演进实践。本文为该系列第三篇，完整背景见 第一篇：背景与开篇。

开篇

前一篇建立了从 IP 孵化到营销发行的业务主线，本篇进入技术架构层面：元数据引擎、工作流、智能体如何协同，以及 Java 与 Python 多语言如何分工。为降低阅读负担，本篇以架构图为主线，辅以简要说明和速览表，读者可先看图建立全局认知，再按需深入。

一、智能体平台核心架构（一图概览）

剧工厂围绕智能体平台构建四层架构：元数据引擎（数据中枢）→ 执行引擎（编排调度）→ 智能体服务层（能力实现）→ 基础设施（LLM、知识库等）。下图展示各层职责与依赖关系。

graph TB subgraph 元数据引擎 A1[智能体元数据] A2[工作流元数据] A3[低代码元数据] end subgraph 执行引擎 B1[工作流编排] B2[节点调度] B3[智能体调用协调] B4[执行监控] end subgraph 智能体服务层 C1[元数据驱动智能体] C2[高代码智能体] C3[智能体注册中心] end subgraph 基础设施 D1[LLM服务] D2[工具注册中心] D3[知识库] D4[记忆管理] D5[数据服务] end A1 --> C3 A2 --> B1 B3 --> C3 C3 --> C1 C3 --> C2 C1 --> D1 C1 --> D2 C2 --> D1 C2 --> D3

各层职责速览

层级 职责 典型能力
元数据引擎 数据中枢，管理智能体、工作流、低代码等元数据 智能体定义与配置、工作流定义、Schema 与页面
执行引擎 编排与调度，负责工作流执行与智能体协调 Temporal 工作流、节点调度、策略选择
智能体服务层 智能体实现与注册 元数据驱动（配置化）、高代码（深度定制）
基础设施 为平台与智能体提供基础能力 数据服务（统一数据访问）、LLM（OneAPI）、知识库（RAGFlow）、缓存、消息队列

二、多语言架构：Java 与 Python 如何分工

剧工厂采用 Java 企业级基座 + Python AI 能力中心 的分工模式：Java 负责编排、治理、数据；Python 负责 LLM 调用、内容生成、知识检索。二者通过 HTTP、gRPC、消息队列等通信。

flowchart LR subgraph Java["Java 领域 · 稳固基座"] J1[工作流编排<br/>Temporal] J2[元数据/执行引擎] J3[网关与API聚合] end subgraph Python["Python 领域 · AI 能力中心"] P1[RAGFlow<br/>知识检索] P2[LLM调用<br/>LangChain] P3[内容创作智能体] P4[项目管理智能体] P5[营销策略智能体] P6[知识管理平台] end subgraph 通信["通信方式"] M1[HTTP/REST] M2[gRPC] M3[Kafka] end J2 --> M1 --> P3 J2 --> M1 --> P4 J2 --> M1 --> P5 P3 --> M2 --> J2 P5 --> M3 --> J2

Java vs Python 职责速览

领域 技术栈 典型服务 核心职责
Java Spring Boot + Spring Cloud 元数据引擎、执行引擎、工作流编排、租户管理 流程编排、服务治理、数据持久化、权限控制
Python FastAPI + LangChain 内容创作、项目管理、营销策略、知识管理智能体 LLM 调用、RAG、多模态生成、AI 密集计算
通信 HTTP / gRPC / Kafka — Java 调用 Python 智能体；Python 上报进度与结果

三、典型调用链：从工作流到智能体

当用户通过工作流触发智能体任务时，请求按以下路径流转。以「剧本大纲生成」为例：

sequenceDiagram participant U as 用户/编排平台 participant WO as 工作流编排服务 participant EE as 元数据运行时引擎 participant S as 策略选择 participant Agent as 高代码智能体服务 participant LLM as LLM服务 U->>WO: 触发工作流节点 WO->>EE: 执行节点(agentId, inputData) EE->>S: 根据元数据选择策略 S->>S: execution.type=high_code S->>Agent: HTTP POST (serviceUrl + inputData) Agent->>LLM: 调用大模型 LLM-->>Agent: 生成结果 Agent-->>EE: 返回结果 EE-->>WO: 节点完成 WO-->>U: 流程继续/完成

调用链要点

  1. 工作流编排 负责流程定义与节点触发
  2. 元数据运行时引擎 解析节点类型，选择执行策略（元数据驱动 / 高代码）
  3. 策略选择 根据 execution.type 或 serviceUrl 判断是否调用高代码智能体
  4. 高代码智能体 通过 HTTP 被调用，内部再调用 LLM、知识库等基础设施

四、平台服务分层（简图）

从用户请求到后端服务，整体分层如下。平台服务层 在设计中分为 Java 平台服务、业务服务层、Python AIGC 服务三部分。

graph TB subgraph 用户接入 Web[Web] API[第三方API] end subgraph 网关 GW[Spring Cloud Gateway] end subgraph 平台服务层 subgraph Java平台服务 ME[元数据引擎] EE[执行引擎] RE[渲染引擎] TM[租户管理] end subgraph 业务服务层 AO[智能体编排平台] SM[系统监控] end subgraph Python高代码智能体 CA[内容创作智能体] PM[项目管理智能体] MS[营销策略智能体] KM[知识管理平台] end end subgraph 基础设施层 subgraph 数据基础设施 DS[数据服务<br/>统一数据访问] CS[缓存服务] MQ[消息服务<br/>Kafka/RabbitMQ] end subgraph AI基础设施 AI[AI模型服务<br/>OneAPI] RAG[RAG服务] end subgraph 存储与运行时 DB[(PostgreSQL等)] K8s[K8s/分布式] end end Web --> GW API --> GW GW --> AO GW --> CA GW --> PM GW --> MS GW --> KM AO --> EE CA --> EE PM --> EE MS --> EE KM --> EE EE --> MQ CA --> AI PM --> AI MS --> AI KM --> RAG CA --> RAG ME --> DS PM --> DS MS --> DS AO --> DS DS --> DB

五、技术栈速览

为便于查阅，下表汇总各层技术选型。细节将在后续篇章（如大模型部署、规范与最佳实践）展开。

层次 技术选型 说明
服务治理 Nacos、Apollo、Sentinel、SkyWalking 注册发现、配置中心、熔断限流、链路追踪
工作流 Temporal 高并发、可中断、可复盘的任务调度
Java 服务 Spring Boot 3.x、Spring Cloud 2023.x 元数据引擎、执行引擎、租户管理等
Python 服务 FastAPI、LangChain、OneAPI 内容创作、项目管理、营销策略、知识管理、LLM 调用
数据基础设施 数据服务、缓存服务、消息服务 统一数据访问、分布式缓存、异步事件
数据服务 自研分布式云数据库、多模态存储 封装 PostgreSQL/MongoDB/Redis 等，提供统一接口
消息 Kafka、RabbitMQ 异步事件、进度上报
AI 基础设施 OneAPI、RAGFlow 多模型统一接入、知识检索增强

六、与业务主线的对应关系

第二篇建立的「现代 IP 驱动流程」在本架构中的落位如下：

业务阶段 对应服务 调用路径
项目立项 项目管理智能体、元数据引擎 工作流节点 → 运行时引擎 → 项目管理智能体
剧本创作 内容创作智能体 工作流节点 → 运行时引擎 → 内容创作智能体
项目规划 项目管理智能体 同上
发行营销 营销策略智能体 工作流节点 → 运行时引擎 → 营销策略智能体
知识沉淀（贯穿全流程） 知识管理平台 各阶段 → 知识管理平台 → RAG 检索

元数据引擎 存储工作流定义与智能体配置；执行引擎 按工作流触发节点；智能体服务 完成具体任务。业务主线与架构一一对应，便于理解与扩展。

结语

本篇通过四张架构图与若干速览表，勾勒了剧工厂的整体架构：元数据引擎为数据中枢，执行引擎负责编排调度，智能体服务层承载能力实现，基础设施提供 LLM 与知识库等支撑。Java 与 Python 按职责分工，通过 HTTP、gRPC、消息队列通信，典型调用链为「工作流 → 运行时引擎 → 策略选择 → 高代码智能体 → LLM」。

下一篇 展开 元数据驱动 vs 高代码智能体，细化两种智能体形态的区分、选型依据与适用场景。
上一篇 第二篇：现代 IP 驱动流程设计

posted on 2026-03-05 16:25  FreedomChandler  阅读(0)  评论(0)    收藏  举报