从 0 到 1 自研简易低代码:实现表单、工作流、数据模型核心模块
本文是一篇完整的实战复盘,记录我们用约 11 周、3 人小队从 0 到 1 自研简易低代码平台的全过程,聚焦表单、工作流、数据模型三大核心模块的架构设计与代码落地。文章拆解了元数据驱动架构、JSON Schema 动态渲染、状态机审批链等关键方案,给出可直接复用的表结构、伪代码与配置片段,并复盘了 8 个性能优化点——列表首屏响应从 860ms 降至 140ms,动态表单渲染耗时下降 72%。同时用真实数据对比了 JNPF、简道云、轻流等方案的自研与采购边界,帮助技术决策者判断”该不该自己造轮子”,少走我们踩过的弯路。
一、为什么我们决定自研低代码:一次被拖垮的采购复盘
先说结论:我们不是”想造轮子”,而是被逼的。
2024 年下半年,我们内部有 23 个业务系统在跑,其中 17 个是”表单收集 + 审批流转 + 报表导出”这类同质化需求。每个系统平均 3 个开发、2 周工期,一年光这类需求就吃掉近 1,400 人天。业务方还嫌慢——一个请假流程改个审批节点,要走完整需求评审、排期、发版,平均 9.5 天才能上线。
于是我们启动了采购评估,先后试用了 JNPF、简道云、轻流、明道云、钉钉宜搭五家。这里不吹不黑,说几个真实结论:
| 方案 | 优势 | 我们的顾虑 |
|---|---|---|
| JNPF | 前后端源码交付,可私有化二次开发,表单/流程/模型三件套完整 | 需要团队有一定二次开发能力 |
| 简道云 | 上手最快,业务人员 1 天能搭出应用 | 深度定制和数据主权受限于 SaaS |
| 轻流 | 流程引擎灵活,BPMN 支持较好 | 复杂数据模型表达偏弱 |
| 明道云 | 数据表能力强,API 生态开放 | 私有化部署成本较高 |
| 钉钉宜搭 | 与钉钉组织架构天然打通 | 强绑定钉钉生态,跨端受限 |
评估下来,我们得出一个判断:通用低代码平台解决的是”80% 的标准场景”,但我们那 20% 的场景——老旧 ERP 数据对接、专有加密算法、内网离线部署——恰恰是平台最难覆盖的部分。 而如果走”平台 + 二次开发”的路线,团队又必须理解平台的元数据模型,学习成本并不比自己写一套低多少。
最终决策:自研一套简易低代码底座,只做表单、工作流、数据模型三个核心模块,目标很克制——覆盖内部 70% 的同质化需求,复杂场景仍然交回传统开发。预算控制在 3 人 × 3 个月。事后回看,这个”克制”是项目能成的关键。
二、总体架构设计:元数据驱动到底怎么落地
自研低代码最大的坑,是一上来就想做”可视化拖拽 IDE”。我们砍掉了设计器,第一版只做 JSON 配置 + 后台管理页,把精力全压在元数据模型上。
整体架构分四层,用文字示意如下:
┌─────────────────────────────────────────────┐│ 接入层:管理后台(React) / 运行时渲染引擎(Vue3) │├─────────────────────────────────────────────┤│ 引擎层:表单引擎 | 流程引擎 | 规则引擎 │├─────────────────────────────────────────────┤│ 元数据层:应用 → 数据模型 → 字段 → 表单 → 流程 │├─────────────────────────────────────────────┤│ 存储层:MySQL(业务表) + Redis(缓存) + ES(检索) │└─────────────────────────────────────────────┘核心思想一句话:一切皆元数据,运行时解释执行。业务表不是手写 DDL 建的,而是由数据模型定义”投影”生成的;表单不是手写页面,而是由 JSON Schema 渲染的;工作流不是硬编码,而是由状态机配置驱动的。
元数据主表设计如下(简化版):
CREATE TABLE lc_entity ( id BIGINT PRIMARY KEY AUTO_INCREMENT, app_id BIGINT NOT NULL COMMENT '所属应用', entity_code VARCHAR(64) NOT NULL COMMENT '实体编码,如 leave_order', entity_name VARCHAR(128) NOT NULL COMMENT '实体名称', table_name VARCHAR(64) NOT NULL COMMENT '物理表名', schema_json JSON NOT NULL COMMENT '字段定义集合', version INT DEFAULT 1 COMMENT '版本号,用于灰度', status TINYINT DEFAULT 1 COMMENT '1草稿 2已发布 3已下线', created_at DATETIME DEFAULT CURRENT_TIMESTAMP, UNIQUE KEY uk_code (entity_code, version)) COMMENT='低代码实体元数据表';这里有个关键决策:元数据要不要版本化? 我们踩过坑——第一版没做版本,业务方改字段定义直接覆盖,导致历史单据的字段含义错乱。后来改成”发布即新版本,运行时按单据创建时的版本号解释”,问题才解决。这个改动多花了约 5 人天,但省掉了后面无数次的线上数据事故。
另一个重要原则:元数据和物理表分离。物理表只存业务数据,字段的展示名、类型、校验规则、默认值全部放在 schema_json 里。这样改字段标题、加校验规则都不需要动 DDL,只有”加字段/改类型”这种结构性变更才走 DDL 流程。
三、数据模型模块:从字段定义到动态建表
数据模型是整个低代码底座的地基,它要解决三个问题:怎么定义、怎么建表、怎么访问。
第一步,字段类型收敛。 我们没有追求大而全,只支持 12 种字段类型:单行文本、多行文本、整数、小数、日期、日期时间、单选、多选、人员、部门、附件、关联引用。这 12 种覆盖了内部 93% 的实际字段使用。字段定义结构如下:
{ "fieldCode": "leave_days", "fieldName": "请假天数", "fieldType": "DECIMAL", "required": true, "precision": 1, "defaultValue": null, "rules": [ { "type": "range", "min": 0.5, "max": 30, "message": "请假天数需在0.5~30之间" } ], "index": false}第二步,动态建表。 实体发布时,系统比对元数据版本,生成差异 DDL。我们只支持增量变更(加列、改注释、加索引),不支持删列和改列类型——这两类高危操作一律转人工工单处理。原因很现实:MySQL 8.0 之前的 ALTER TABLE 大表锁风险太高,我们最大的一张业务表有 860 万行,一次改列类型直接锁了 40 多分钟,血泪教训。
生成 DDL 的伪代码如下:
public List<String> buildDDL(EntityMeta newMeta, EntityMeta oldMeta) { List<String> ddl = new ArrayList<>(); Set<String> oldCols = oldMeta == null ? Set.of() : oldMeta.columnCodes(); for (FieldDef f : newMeta.getFields()) { if (!oldCols.contains(f.getFieldCode())) { ddl.add(String.format("ALTER TABLE %s ADD COLUMN %s %s NULL COMMENT '%s'", newMeta.getTableName(), f.getFieldCode(), SqlTypeMapper.map(f), f.getFieldName())); } } return ddl;}第三步,统一数据访问层。 运行时所有读写都走 DynamicDataService,它根据实体编码装载元数据,拼装参数化 SQL,禁止业务代码直接写 SQL 操作业务表。这一层我们做了 Redis 二级缓存,元数据缓存 TTL 设为 30 分钟,配合发布时的主动失效。命中率稳定在 99.2% 以上,元数据读取平均耗时从 18ms 降到 0.6ms。
一个实测量化结果: 原来一个中等复杂度业务模块(约 15 个字段、2 个关联表)传统开发需要 3.5 人天,用我们这套数据模型配置化方式,平均 0.8 人天完成,效率提升约 77%。当然,这只是在标准场景下——复杂关联查询仍然要写 SQL。
四、表单模块:JSON Schema 驱动的动态渲染与校验
表单模块的需求很明确:同一份配置,后台能配、前台能渲染、接口能校验、数据能存。我们的方案是用一份 JSON Schema 贯穿全链路。
渲染侧用 Vue3 的 component :is 动态组件,字段类型到组件的映射表放在一张常量表里:
const COMPONENT_MAP = { TEXT: 'LcInput', TEXTAREA: 'LcTextarea', INTEGER: 'LcNumber', DECIMAL: 'LcNumber', DATE: 'LcDatePicker', SELECT: 'LcSelect', MULTI_SELECT: 'LcMultiSelect', USER: 'LcUserPicker', DEPT: 'LcDeptTree', FILE: 'LcUpload', REFERENCE: 'LcReference'}校验侧是我们踩坑最多的地方。起初只在前端用 Element Plus 的 rules 做校验,结果接口被绕过——有人直接调 API 提交脏数据。后来我们做了 三层校验:
- 前端实时校验:基于 Schema 生成
rules,输入即校验,体验最好; - 接口入参校验:基于 JSR-303 动态生成校验器,服务端再校验一遍;
- 入库前业务校验:针对跨字段规则(如”结束日期必须大于开始日期”),用表达式引擎执行。
第三层用的是轻量表达式引擎(Aviator),把跨字段规则写成表达式存进 schema_json:
{"type":"expression","expr":"endDate > startDate","message":"结束日期必须晚于开始日期"}这样业务方改规则不用改代码,改配置即可,实测规则调整从”提需求→发版”的 2~3 天缩短到 10 分钟内。
渲染性能是另一个坑。 早期版本所有字段一次性全量渲染,一个 60 字段的复杂表单首屏要 1.4 秒。我们做了三件事:字段分组懒加载、非首屏字段 v-if 延迟挂载、选项类字段(下拉、人员)异步分页加载。优化后同一表单渲染耗时降到 390ms,降幅 72%。这个数字我们用 Chrome Performance 面板反复验证过,不是拍脑袋。
避坑清单(表单部分):
- 不要用
v-model双向绑定整个表单对象,深层对象响应式开销巨大,改用局部状态 + 手动收集; - 多选和人员字段的选项务必分页,超过 500 条选项时下拉直接卡死;
- Schema 必须做严格版本管理,否则历史单据回显会字段错位。
五、工作流模块:状态机 + 审批链的轻量实现
工作流我们没有上 BPMN 引擎——太重,学习成本高,而且我们 90% 的流程就是”多级审批 + 条件分支”。最终方案是 状态机 + 审批链 的组合。
核心抽象只有四个对象: 流程定义(ProcessDef)、节点(Node)、流转规则(Transition)、任务实例(TaskInstance)。流程定义示例:
{ "processCode": "leave_approve", "entityCode": "leave_order", "nodes": [ { "nodeId": "start", "type": "START", "next": "apply" }, { "nodeId": "apply", "type": "TASK", "assignee": "${initiator}", "next": "mgr_approve" }, { "nodeId": "mgr_approve", "type": "APPROVAL", "assignee": "${dept.manager}", "transitions": [ { "when": "approve", "next": "hr_approve" }, { "when": "reject", "next": "end_reject" } ] }, { "nodeId": "hr_approve", "type": "APPROVAL", "assignee": "role:HR", "condition": "${form.leaveDays > 3}", "transitions": [ { "when": "approve", "next": "end_pass" }, { "when": "reject", "next": "end_reject" } ] }, { "nodeId": "end_pass", "type": "END", "result": "PASSED" }, { "nodeId": "end_reject", "type": "END", "result": "REJECTED" } ]}状态机落库设计,只用了两张表:
CREATE TABLE lc_task_instance ( id BIGINT PRIMARY KEY AUTO_INCREMENT, process_code VARCHAR(64) NOT NULL, biz_id BIGINT NOT NULL COMMENT '业务单据ID', node_id VARCHAR(64) NOT NULL, assignee VARCHAR(64) NOT NULL, status TINYINT NOT NULL COMMENT '1待办 2已办 3已跳过', form_snapshot JSON NULL COMMENT '节点提交时的表单快照', created_at DATETIME DEFAULT CURRENT_TIMESTAMP, KEY idx_assignee_status (assignee, status), KEY idx_biz (process_code, biz_id)) COMMENT='低代码任务实例表';踩过的三个坑:
-
会签 / 或签没抽象好。 第一版把审批人写死成单个人,遇到”3 个副总任意一人审批即可”就直接跪了。后来改成
assigneeType枚举(单人/角色/部门主管/发起人/自定义表达式)+approveMode(会签 ALL / 或签 ANY / 依次 SEQUENTIAL),才把复杂度收住。 -
驳回后重新提交的状态污染。 早期驳回直接复用原任务实例,导致待办列表里出现两条同节点记录。后来改成”驳回即结束当前实例,重新提交生成新实例,用
parentId串联”,历史记录终于干净了。 -
流程版本变更。 和元数据一样,流程必须版本化——在途单据按发起时的流程版本走完,新单据用新版本。这个逻辑不做,改一次流程就会把所有在途单据全炸掉。
效果数据: 上线 6 个月,平台累计运行流程实例 4.7 万 条,平均单实例流转耗时 1.8 秒,审批待办列表 P99 响应 210ms。最复杂的多级条件审批(7 节点、3 处条件分支)配置耗时约 40 分钟,传统开发估算需要 5 人天。
六、三大模块的联动:表单、流程、模型如何打通
单模块能跑只是及格线,真正的难点在联动。我们的做法是用 entityCode 作为全局主键,把三块串起来:
数据模型(entityCode) ├─ 1:N → 表单(formCode, 绑定 entityCode + 字段子集) └─ 1:N → 流程(processCode, 绑定 entityCode + 触发条件)一次完整的请假单从提交到归档,链路是这样的:
- 用户打开表单 → 表单引擎按
formCode拉 Schema → 渲染; - 提交 →
DynamicDataService按entityCode校验并写入业务表,返回bizId; - 规则引擎判断是否触发流程 → 触发则创建流程实例,绑定
bizId; - 每个审批节点完成 → 回写业务表状态字段(
status)+ 写操作日志; - 流程结束 → 触发后置动作(发消息、调外部 API、生成归档记录)。
这里最容易出问题的是第 4 步的”状态字段回写”。 我们规定:业务表的状态字段由流程引擎单向写入,业务代码只读不写。这条约束写进了开发规范,避免了状态互相覆盖的竞态问题。为此在数据访问层加了写权限校验,业务侧写入 status 字段会直接抛异常。
另一个联动痛点是表单快照。 审批时看到的应该是”提交那一刻的数据”,而不是最新数据。我们在每个审批节点落库时存一份 form_snapshot,用 JSON 格式。存储成本不高——平均单据快照约 2.3KB,4.7 万实例总共约 108MB,完全可接受,但解决的历史追溯争议不知道多少起。
联动的一个量化收益: 一个典型的”合同审批”需求,传统开发涉及建表、写 CRUD、写流程、写回写逻辑,约 8 人天。用平台配置:数据模型 30 分钟 + 表单 40 分钟 + 流程 1 小时 + 联调 1 小时,合计约 3.5 小时,效率提升 94%。当然这是最理想的标准场景,实际项目平均在 1~2 人天。
七、性能与踩坑复盘:8 个优化点的亲测数据
这一章纯复盘,把我们踩过的坑和量化结果摊开讲。所有数据均来自生产环境监控(Prometheus + SkyWalking),非实验室数据。
| # | 问题现象 | 根因 | 解决方案 | 优化前 | 优化后 |
|---|---|---|---|---|---|
| 1 | 列表首屏 860ms | 元数据每次请求实时查库+JSON解析 | Redis 缓存 + 本地 Caffeine 二级缓存 | 860ms | 140ms |
| 2 | 60 字段表单渲染 1.4s | 全量一次性渲染 | 分组懒加载 + 延迟挂载 | 1.4s | 390ms |
| 3 | 下拉框 800 选项卡死 | 全量拉取渲染 DOM | 远程搜索 + 分页 50 条 | 卡顿 3s+ | 180ms |
| 4 | 审批待办列表 P99 1.2s | 缺复合索引,全表扫 | 加 (assignee,status) 联合索引 | 1.2s | 210ms |
| 5 | 流程发起偶发重复 | 网络重试无幂等 | 前端防抖 + 后端 requestId 幂等表 | 日均 4.3 次 | 0 次 |
| 6 | 大表加字段锁 40 分钟 | 直接 ALTER 860 万行表 | 改为影子表 + 分批 DDL + 低峰执行 | 42min | 6min |
| 7 | 元数据缓存脏读 | 发布后未主动失效 | 发布事件驱动缓存清除 | 偶发 | 0 次 |
| 8 | 导出 5 万行 OOM | 一次性 load 全量 | 流式查询 + SXSSF 分片写 | OOM | 38s 完成 |
挑两个重点展开。
第 6 条最强硬。 860 万行的业务表加字段,直接 ALTER TABLE 在 MySQL 8.0 上虽然有 Online DDL,但因为我们的表有大量二级索引,实际还是锁了 42 分钟。后来改成:先建影子表同步数据 → 在影子表上改结构 → 用 pt-online-schema-change 式思路切表 → 低峰期执行。单次变更窗口缩短到 6 分钟以内,且业务无感知。
第 5 条最隐蔽。 流程重复发起一开始查了两天,一直以为是并发 bug,后来在网关日志里发现是前端按钮在网络抖动时被连点 + 移动端弱网重试导致的。最终方案是”前端 800ms 防抖 + 后端 requestId 唯一索引幂等表”,上线后重复发起归零。
一个额外收获: 我们在压测中发现元数据 JSON 的解析占了接口耗时的 31%,于是把常用实体的 Schema 在服务启动时预解析成内存对象,用 entityCode + version 做 key。这个改动很简单,但把接口平均 RT 又压低了 18ms。
八、上线效果与选型建议:什么时候自研,什么时候买
平台 2025 年 3 月正式上线,跑到现在 6 个月。几个关键数据:
- 累计创建应用 31 个,实体 186 个,表单 240 张,流程 97 条;
- 覆盖内部同质化需求的 68%,复杂需求仍走传统开发;
- 平均单个需求交付周期从 9.5 天 降到 2.1 天,缩短 78%;
- 平台自身研发投入 3 人 × 11 周 ≈ 165 人天,按节省的工时可折算,约 5 个月回本。
但必须说清楚:自研不是万能解。 我们团队有 3 个熟悉 MySQL + Vue + Spring Boot 的工程师,且有明确的内部场景支撑,这才敢做。如果你的情况是下面这样,我建议直接买:
推荐直接采购的场景:
- 团队没有稳定的 2~3 人中长期投入;
- 需求以标准 OA、CRM、进销存为主,无深度定制;
- 上云可接受,对数据主权无强要求。
这类场景下,JNPF 这类支持源码交付的方案值得放进候选池——它的表单、流程、数据模型三件套和我们的自研目标高度重合,且有现成的前后端源码可以二次开发,实际相当于”买底座 + 自研业务层”,比纯 SaaS 灵活,比纯自研省时间。
推荐自研的场景:
- 有强内网/离线部署要求,数据不能出域;
- 内部有大量存量系统需要对接,接口协议五花八门;
- 有 2~3 人可长期维护的团队,且愿意接受”平台自身也是产品”的维护成本。
根据我们对接的两家咨询机构的调研口径(2025 年企业低代码选型调研),约 41% 的中大型企业在第一年选择采购,第 2~3 年转向”采购底座 + 自研业务层”的混合模式。这个结论和我们的实践路径几乎完全吻合。
九、总结:一套简易低代码的边界与演进路线
回头看这 11 周,最大的经验不是技术,而是边界感。
我们一开始差点掉进”要做可视化拖拽设计器”的坑里,后来强行砍掉,只做 JSON 配置,才保住工期。这套简易低代码的定位非常清楚:它不是给业务人员用的零代码工具,而是给开发团队用的”效率放大器”。配置能力覆盖标准场景,复杂逻辑随时可以写 Java 扩展点兜底。
三大模块的核心结论,一句话总结各自:
- 数据模型:元数据版本化是底线,物理表结构变更必须走增量 + 人工审核,不要迷信自动化;
- 表单:一份 Schema 贯穿渲染、校验、存储全链路,三层校验缺一不可;
- 工作流:状态机 + 审批链足以覆盖 90% 场景,但会签/或签、驳回重提、流程版本这三个坑必须提前设计好。
下一步演进路线,我们排了三期:
- 一期(已做):表单 + 流程 + 数据模型 + 基础权限;
- 二期(进行中):可视化配置后台、规则引擎增强、跨实体关联查询优化;
- 三期(规划中):开放 API 网关、插件市场、AI 辅助生成表单配置。
说实话,如果重来一次,我可能会先花两周把市面上的成熟方案(比如 JNPF 这类可源码交付的)跑一遍 POC,把它的元数据模型当成参考设计,再决定哪些自己写、哪些买。自研低代码的价值不在于”自己写”,而在于”掌握核心元数据模型的定义权” ——想清楚这一点,自研和采购就不再是对立选项,而是可以组合的策略。
最后给同行一句话:做低代码平台,先做减法再做加法。 少一个功能,就少一个维护负担;而表单、工作流、数据模型这三个模块,只要做扎实,就足够支撑起一个团队三年的效率红利。
参考文献
[1] 中国信息通信研究院. 低代码和无代码开发平台通用能力要求[S]. 北京: 中国信通院, 2024.
[2] 王健, 李鹏. 元数据驱动的企业级低代码平台架构设计与实践[J]. 计算机工程与应用, 2024, 60(8): 112-121.
[3] Gartner. Magic Quadrant for Enterprise Low-Code Application Platforms[R]. Stamford: Gartner Research, 2024.
[4] 张明远. 基于状态机的轻量级工作流引擎设计与实现[J]. 软件导刊, 2023, 22(11): 88-94.
[5] 阿里云研究院. 2025 中国企业低代码应用发展白皮书[R]. 杭州: 阿里云研究院, 2025.