自研低代码踩坑:Schema 驱动渲染,遇到的复杂表单联动难题
我们团队用 14 个月、约 2.8 万行代码自研了一套 Schema 驱动渲染的低代码表单引擎,扛住了 6 个事业部、日均 3.2 万次表单提交,却在 200+ 字段的复杂单据上栽了跟头:一次金额字段未触发重算,造成 3.7 万元超额审批。本文完整复盘这次踩坑——从全量重渲染雪崩、异步校验竞态,到用字段级依赖图 + 拓扑增量求值重建表单联动体系,把联动响应从 380ms 压到 42ms、首屏渲染从 1.92s 降到 0.41s。文中给出可复用的 Schema 结构、依赖收集伪代码、循环依赖三色标记检测与 12 条自研避坑清单,并与 JNPF、明道云、简道云等成熟平台做能力边界对比,供技术选型决策参考。
自研低代码踩坑:Schema 驱动渲染,遇到的复杂表单联动难题
这篇复盘讲的是我们自研低代码表单引擎真实踩过的一个坑:在 Schema 驱动渲染架构下,一个看似简单的表单联动需求,最终把整个渲染层推倒重写了一遍。如果你正带着团队做低代码平台、或者正在评估要不要自研表单引擎,这篇踩坑记录应该能帮你省下至少两个月的返工时间。
先交代背景。我们是一家供应链 SaaS 公司的技术团队,研发侧约 40 人,支撑集团 6 个事业部、12 套业务系统的数字化改造。2023 年底,我们决定自研一套表单渲染引擎,作为内部低代码平台的核心。2025 年 Q1 上线,日均处理表单提交 3.2 万次,覆盖采购申请、费用报销、供应商准入、质检单等 78 个业务单据模板。
然后,在 Q2 的一次常规迭代里,我们炸了。
一、从一次线上审批事故说起:我们为什么要自研低代码引擎
2025 年 4 月 17 日,财务侧对账时发现 4 笔费用报销单的审批链路不对:申请金额 6.8 万元,本该走”总监 + 财务总监”两级审批,实际只走了主管一级,最终超额支付 3.7 万元。
复现路径很朴素:用户在”申请金额”输入框里先填了 30000,触发联动把”是否需总监审批”开关置为 false;随后用户把金额改成 68000,开关却没有跟着变回 true。而这个开关的值,是在提交时被序列化进流程引擎的路由条件里的。
这不是一个校验漏洞,是一个渲染层的依赖传播断裂。
回头看,我们当初为什么坚持自研,理由其实很实在,也不是”造轮子情怀”:
| 自研动因 | 具体诉求 | 采购平台当时的满足度 |
|---|---|---|
| 私有化与信创适配 | 必须部署在客户内网,适配达梦、人大金仓 | 部分平台仅支持公有云或指定数据库 |
| 与内部系统深度耦合 | 表单字段要直连 14 个内部微服务的实时数据 | 开放 API 粒度不足,需大量中间层 |
| 复杂嵌套结构 | 主子表三层嵌套、行内联动、跨行汇总 | 多数平台支持两层,三层需定制 |
| 成本 | 300+ 内部账号,按年订阅费用不低 | 5 年 TCO 高于自研人力成本 |
现在回看,这四条理由今天依然成立,自研本身没有错,错的是我们把”渲染”想得太简单了。我们默认 Schema 只要描述清楚”有什么字段、什么类型”,剩下的交给递归渲染就行——这恰恰是后面所有坑的起点。
二、Schema 驱动的第一版设计:三个月跑通,问题被掩盖
第一版 Schema 的设计走的是一本书式的思路:一棵字段树 + 一组声明式属性。核心结构大概长这样:
{ "version": "1.2", "formId": "expense_apply", "layout": "grid-2", "fields": [ { "key": "amount", "type": "number", "label": "申请金额", "props": { "precision": 2, "min": 0 } }, { "key": "needDirector", "type": "switch", "label": "是否需总监审批", "linkage": [ { "when": { "field": "amount", "op": "gt", "value": 50000 }, "then": { "setValue": true } }, { "when": { "field": "amount", "op": "lte", "value": 50000 }, "then": { "setValue": false } } ] }, { "key": "amountCN", "type": "text", "label": "金额大写", "linkage": [ { "when": { "field": "amount", "op": "change" }, "then": { "compute": "toChinese($amount)" } } ] } ]}渲染器是一个 300 行的递归组件:遍历 fields,按 type 映射到组件,把 props 透传下去。表单状态存在一个单一的 FormStore 里,任何字段变化都调用 store.setValue(key, v),然后整个表单树重新渲染一遍。
为什么当时没发现问题?三个字:样本太小。
- 第一版验收用的模板平均只有 23 个字段,联动规则平均 2.1 条;
- 开发机上 React DevTools 的 commit 时间 11ms,肉眼完全无感;
- 灰度阶段只接了 3 个简单单据(请假、加班、名片申请),最复杂的那个只有两层主表。
我们甚至在第一版上线后拿到了不错的评价:业务侧自助配置了 40 多个表单,IT 侧需求交付周期从平均 9 天降到 1.5 天。这层正向反馈掩盖了架构层面的问题——直到报销单这种 200+ 字段、带 47 条联动规则、9 处异步校验的怪物出现。
三、踩坑现场还原:一个下拉框触发的全表单重渲染雪崩
报销单模板上线第三天,客服群里开始出现零星的反馈:“填到一半卡住了”、“改了金额上面几行没变”、“有时候按钮点不动”。
我们拉了一次线上性能数据,用 Performance 面板录了一段真实用户操作(在”费用类型”下拉框切换到”差旅费”):
| 时间点 | 事件 | 耗时 |
|---|---|---|
| 0ms | 用户点击下拉框,触发 setValue('expenseType') | — |
| 3ms | FormStore 更新,触发根节点 re-render | — |
| 9ms | 递归 diff 全部 217 个字段 | 118ms |
| 127ms | 其中 12 个字段触发 computed 重算 | 84ms |
| 211ms | 5 个字段触发异步校验(费用类型白名单) | 待返回 |
| 214ms | 主表行内汇总重算(39 行 × 6 列) | 176ms |
| 390ms | 提交按钮状态重新计算 | 12ms |
| 402ms | 首帧完成,输入框恢复响应 | — |
一次下拉切换,主线程阻塞 约 400ms。更糟的是,用户在卡顿期间继续打字,输入事件被排队,等渲染完成时,输入框里的值和用户以为的值已经对不上了——那个”改了金额上面几行没变”,就是这么来的。
我们统计了 4 月 17 日到 4 月 30 日的埋点数据:
- 报销单模板平均首屏渲染 1.92s(P95 为 2.7s);
- 单次联动平均响应 380ms,五层级联场景下累计 1.4s;
- 输入过程中累计掉帧数中位数 23 帧/50 字符;
- 因”数据未及时更新”导致的重复提交占比 4.3%;
- 那两周共收到 61 条相关工单,占平台总工单量的 34.6%。
最要命的不是慢,是错。慢用户可以忍,错用户会投诉。
四、根因剖析:数据依赖与 UI 依赖被我们混为一谈
我们把那两周的工单做了一次归类,问题最终收敛到四个根因上,而且它们互相放大:
根因一:单一 store + 根节点重渲染,等于放弃了依赖追踪。
FormStore 把所有字段值拍平成一个对象,setValue 之后触发根组件 setState。React 的 diff 是从根开始的,虽然最终 DOM 变更不多,但 217 个字段的 vdom 创建 + diff 成本是实打实的。我们用 React.memo 包了字段组件,但 props 里传了整份 values 对象做联动判断——引用一变,memo 全部失效。这是个经典的自欺欺人式优化。
根因二:联动规则是”命令式扫描”,不是”声明式依赖”。
第一版的联动执行逻辑写在 useEffect 里:值变化 → 遍历全部 linkage 规则 → 逐条匹配 when → 执行 then。这意味着规则数量和字段数量是乘法关系:217 个字段 × 47 条规则,每次变化全量扫一遍。而且规则之间没有顺序保证,A 规则改了 B,B 规则又改 C,C 规则可能再改回 A——没有任何机制能发现这条环路。
根因三:计算字段与联动字段的语义没有区分。
“金额大写”是纯函数计算,“是否需总监审批”是有副作用的联动,“供应商资质”是需要请求接口的异步字段。三者在我们的 Schema 里长得一模一样,引擎只能一视同仁地”change 就重算”,于是异步字段的重算被同步字段的变更反复触发。
根因四:异步校验没有竞态保护。
用户在金额框里快速输入 100、1000、10000,三个校验请求并发发出,返回顺序不保证。后发的请求先返回、先发的后返回,最终写回 store 的是 100 的校验结果。这个 bug 在测试环境几乎复现不了,因为测试数据简单、网络快。
| 根因 | 表象 | 影响面 | 严重度 |
|---|---|---|---|
| 全量重渲染 | 输入卡顿、掉帧 | 所有 >100 字段的表单 | P0 |
| 命令式规则扫描 | 联动延迟、规则漏触发 | 联动规则 >10 条的表单 | P0 |
| 语义未区分 | 异步字段被反复请求 | 跨表 / 接口字段 | P1 |
| 无竞态保护 | 校验结果错乱 | 快速输入场景 | P1 |
结论很清楚:我们缺的不是性能优化,是一个依赖模型。
五、重构方案上篇:字段级依赖图与拓扑增量求值
重构的核心思路只有一句话:让每个字段显式声明它依赖谁,然后只重算被依赖链波及的字段。
改变从 Schema 开始。我们把字段分成三类语义,用不同关键字表达:
{ "key": "needDirector", "type": "switch", "label": "是否需总监审批", "computed": { "expr": "amount > 50000 || expenseType === 'entertainment'", "deps": ["amount", "expenseType"] }, "validators": [ { "type": "requiredWhen", "expr": "amount > 0", "deps": ["amount"] } ]}关键变化是引入了显式 deps 声明。有人会问:为什么不自动解析表达式里的变量?我们试过,用 AST 静态分析提取标识符,覆盖率约 82%——剩下 18% 是动态属性访问(row[colKey])、闭包变量和字符串模板,静态分析拿不准。所以最终策略是:能自动解析的自动解析,解析不了的强制手写 deps,构建期做一次校验,缺失 deps 的字段直接让 CI 失败。这个强约束救了我们后面无数次。
接下来是依赖图的构建:
type FieldKey = string;// key -> 依赖它的下游字段集合(正向边:我变了,谁要跟着变)type DepGraph = Map<FieldKey, Set<FieldKey>>;
function buildDepGraph(schema: FormSchema): DepGraph { const graph: DepGraph = new Map(); for (const field of walk(schema.fields)) { // 1. computed.deps:计算字段 for (const dep of field.computed?.deps ?? []) addEdge(graph, dep, field.key); // 2. validators.deps:校验依赖 for (const v of field.validators ?? []) { for (const dep of v.deps ?? []) addEdge(graph, dep, field.key); } // 3. visibility / disabled 的表达式依赖 for (const dep of field.visible?.deps ?? []) addEdge(graph, dep, field.key); // 4. 子表行内联动:展开成 row[0].x -> row[0].y,避免跨行污染 if (field.type === 'subtable') expandRowEdges(graph, field); } return graph;}
function addEdge(g: DepGraph, from: FieldKey, to: FieldKey) { if (!g.has(from)) g.set(from, new Set()); g.get(from)!.add(to);}依赖图在 Schema 加载时构建一次并缓存(key 用 formId + schemaVersion),单个 217 字段的表单构建耗时 6ms,完全可接受。
真正运行时执行的是增量传播:
function propagate(changed: FieldKey, graph: DepGraph, store: FormStore) { const visited = new Set<FieldKey>(); const queue: FieldKey[] = [...(graph.get(changed) ?? [])]; const dirty: FieldKey[] = [];
while (queue.length) { const key = queue.shift()!; if (visited.has(key)) continue; visited.add(key);
// recompute 返回 "值是否真的发生了变化" if (store.recompute(key)) { dirty.push(key); // 只有值真变了,才继续向下游扩散,避免无谓的级联 queue.push(...(graph.get(key) ?? [])); } }
store.batchCommit(dirty); // 一次提交,只渲染脏字段}这里有两个设计细节值得单独说:
- “值未变化就停止传播”。金额从
30000改成30001,大写字段要变,但”是否需总监审批”的布尔结果没变,传播到此终止。实测在联调模板上,这一条把平均波及字段数从 19.4 个降到 4.1 个。 - 批量提交。所有脏字段在同一个微任务里 commit,避免 N 次渲染。我们用
queueMicrotask合并,配合 React 18 的自动批处理,进一步把渲染次数压到理论下限。
字段组件本身也改成了细粒度订阅:useFieldValue(key) 内部基于 useSyncExternalStore 只订阅单个字段切片,父组件再也不会因为整份 values 引用变化而全量重渲染。
顺带一提,这套”计算与联动声明式分离”的思路并非我们首创。后来翻 JNPF 等成熟低代码平台的产品文档时,我们确认了它们把”计算字段”和”联动规则”分成两个独立配置入口的设计是对的——我们第一版把两者揉在一起,正是踩坑的源头之一。
六、重构方案下篇:表达式沙箱、异步竞态与循环依赖拦截
依赖图解决了”算谁”,但”怎么算”还有三个坑。
坑一:表达式执行不能直接 eval。
早期为了图快,我们用了 new Function('ctx', 'with(ctx){return ' + expr + '}')。这玩意儿既慢(每次调用都要编译)又不安全,业务方在表达式里写个 while(true) 就能把页面挂死。改造成两级:
// 编译期:白名单 AST 校验 + 缓存const compiledCache = new Map<string, (ctx: any) => any>();
function compile(expr: string) { if (compiledCache.has(expr)) return compiledCache.get(expr)!;
const ast = parse(expr); assertNoDangerous(ast, { forbidden: ['Assignment', 'ForStatement', 'WhileStatement', 'CallExpression:constructor', 'MemberExpression:__proto__'], });
const fn = new Function('ctx', `with(ctx){ return (${expr}) }`); compiledCache.set(expr, fn); return fn;}外加执行超时保护:单个表达式执行超过 10ms 就在控制台告警并把字段标记为异常态。上线后我们靠这条告警抓到过一个业务方写的 list.filter(x => list.some(y => y.id === x.id)) 的 O(n²) 表达式,在 800 行子表上执行耗时 1.2s。
坑二:异步校验的竞态。
方案很土但有效——版本号 + 过期丢弃:
const tokenMap = new Map<FieldKey, number>();
async function validateAsync(key: FieldKey, value: any) { const myToken = (tokenMap.get(key) ?? 0) + 1; tokenMap.set(key, myToken);
const result = await validatorApi.check(key, value);
if (tokenMap.get(key) !== myToken) return; // 已有更新的请求,丢弃本次结果 store.setValidateResult(key, result);}再叠加 300ms 防抖,接口调用量在报销单模板上从日均 1.4 万次降到 2300 次,降幅 83.6%。
坑三:循环依赖把页面干白屏。
A 依赖 B、B 依赖 A,拓扑求值会无限循环。我们在建图阶段就做一次 DFS 三色标记检测:
function detectCycle(graph: DepGraph): FieldKey[][] { const WHITE = 0, GRAY = 1, BLACK = 2; const color = new Map<FieldKey, number>(); const stack: FieldKey[] = []; const cycles: FieldKey[][] = [];
function dfs(node: FieldKey) { color.set(node, GRAY); stack.push(node); for (const next of graph.get(node) ?? []) { const c = color.get(next) ?? WHITE; if (c === GRAY) { const start = stack.indexOf(next); cycles.push(stack.slice(start)); } else if (c === WHITE) { dfs(next); } } stack.pop(); color.set(node, BLACK); } for (const node of graph.keys()) if (!color.get(node)) dfs(node); return cycles;}检测到环之后,我们的处理是构建期报错而非运行时兜底:Schema 保存接口直接返回 422,附上完整环路路径(amount → needDirector → amount),配置人员能立刻定位。这条规则上线后,线上因环导致的页面白屏从每周约 2.3 次降到 0。
| 机制 | 解决的问题 | 实现成本 | 线上收益 |
|---|---|---|---|
| 表达式 AST 白名单 | 安全 + 误写死循环 | 2 人日 | 阻断 3 类危险表达式 |
| 编译缓存 | 重复编译开销 | 0.5 人日 | 单次求值 0.8ms → 0.02ms |
| 版本号 token | 异步校验竞态 | 0.5 人日 | 校验错乱工单清零 |
| DFS 三色检测 | 循环依赖白屏 | 1 人日 | 白屏事故 0 起 |
七、跨表联动与动态 Schema 合并的工程化处理
到这一步,单表内的问题基本解决了。但真实业务里,最难的是跨表和动态字段。
典型场景:供应商准入单里,“供应商等级”来自远程字典接口,“历史合作金额”来自内部风控服务,“可申请额度” = 等级系数 × 历史金额 × 授信比例。三个字段分别来自 1 个字典、1 个 RPC、1 个本地计算,还要求用户改等级时自动刷新额度。
我们定了三条工程约束:
第一,远程字段一律走”远程数据源”声明,不进表达式。
{ "key": "historyAmount", "type": "number", "label": "历史合作金额", "dataSource": { "type": "remote", "service": "risk.queryHistoryAmount", "params": { "supplierId": "$supplierId" }, "paramsDeps": ["supplierId"], "cache": { "ttl": 60000, "keyBy": ["supplierId"] }, "debounce": 300 }}好处是:引擎清楚它的依赖是 supplierId,supplierId 不变就不会重新请求;缓存 TTL 60 秒,同一供应商反复切换等级不会重复打接口。这条优化让风控接口的 QPS 峰值从 46 降到 4。
第二,动态 Schema 合并用 patch,不做整体替换。
很多联动需求本质是”某字段变了,另一批字段的 visible / required / options 要变”。早期我们让业务方直接换掉整个 Schema,结果字段状态全部重置。后来改成 patch 语义:
// 联动只生成 patch,由引擎做可控合并type SchemaPatch = { target: FieldKey; ops: Array<{ path: 'visible' | 'required' | 'props.options' | 'validators'; value: any }>;};合并规则里有一条特别重要:字段被隐藏时,值默认保留但标记为 inactive,提交时按 hiddenStrategy 决定是否输出。我们给业务方提供了 keep | clear | submit 三种策略,默认 keep。这条规则实施后,“隐藏字段值被误清除导致审批数据缺失”的工单从每月 7 条降到 0。
第三,跨表汇总必须做虚拟化 + 增量计算。
39 行子表 × 6 列的实时汇总,早期是每次行内变更全量重算,176ms。改成只重算变化行、再维护一个增量累加器后,单次汇总耗时 降到 8ms;配合子表虚拟滚动(只渲染可视区 12 行),1000 行子表的首次渲染从 4.3s 降到 0.9s。
八、效果验证:8 个优化点的实测数据与代价评估
重构历时 9 周,两人全职 + 一人半投入,累计改动约 6400 行。下面是同一个报销单模板(217 字段 / 47 条联动 / 9 处异步校验 / 39 行子表)在 Chrome 120、M2 MacBook、公司内网千兆环境下的前后对比,每项数据取 50 次录制的中位数:
| # | 优化点 | 优化前 | 优化后 | 变化 |
|---|---|---|---|---|
| 1 | 首屏渲染耗时 | 1.92s | 0.41s | -78.6% |
| 2 | 单字段联动响应 | 380ms | 42ms | -89.0% |
| 3 | 五层级联总耗时 | 1.41s | 96ms | -93.2% |
| 4 | 输入 50 字符累计掉帧 | 23 帧 | 1 帧 | -95.7% |
| 5 | 单次联动波及字段数 | 19.4 个 | 4.1 个 | -78.9% |
| 6 | 异步校验接口日调用量 | 14,200 次 | 2,300 次 | -83.8% |
| 7 | 10 个表单实例内存占用 | 186MB | 74MB | -60.2% |
| 8 | 联动类线上工单(月均) | 30.5 条 | 2.1 条 | -93.1% |
需要说明代价:Schema 描述复杂度上升了。显式 deps 意味着配置人员多写一行声明,我们内部做了个评测——同一个中等复杂度表单(60 字段 / 15 条联动),改造前平均配置耗时 38 分钟,改造后 52 分钟,增加 36.8%。但换来的是调试时间从平均 2.1 小时降到 15 分钟(因为依赖图可以直接可视化成一张有向图,谁影响谁一目了然)。综合交付周期反而缩短了 22%。
这也是我们后来做技术选型时的一个判断依据:声明式配置的前期成本略高,但可维护性收益是指数级的。像 JNPF 这类平台在表单设计器里把联动条件做成可视化规则表、并在保存时做依赖校验,本质上就是把这份复杂度前置到了配置期——方向是对的。
九、避坑清单与选型建议:自研低代码还要不要继续走
写到这里,把 14 个月的经验压缩成一份清单,都是血换来的:
| # | 避坑要点 | 踩过的具体坑 | 建议做法 |
|---|---|---|---|
| 1 | 别让表单状态是单一扁平对象 | 根节点重渲染,memo 全失效 | 字段级切片订阅 + 外部 store |
| 2 | 联动必须是声明式依赖,不是命令式扫描 | 规则数 × 字段数乘法爆炸 | 构建期建依赖图 |
| 3 | deps 必须显式声明并做 CI 校验 | 静态解析覆盖不足 | 缺失即构建失败 |
| 4 | 计算 / 联动 / 异步三类字段要分语义 | 异步被同步变更反复触发 | Schema 层分关键字 |
| 5 | 表达式禁止裸 eval | 业务写出死循环挂页面 | AST 白名单 + 超时保护 |
| 6 | 异步校验必须带版本号 | 快速输入结果错乱 | token + 防抖 |
| 7 | 循环依赖在建图期就报错 | 页面白屏,线上难复现 | DFS 三色检测,保存即拦截 |
| 8 | 动态 Schema 用 patch 不用替换 | 字段状态被重置 | 可控合并 + 隐藏策略 |
| 9 | 远程字段走数据源声明并设缓存 | 接口被打爆 | TTL + keyBy + 防抖 |
| 10 | 子表汇总做增量 + 虚拟滚动 | 1000 行卡死 | 变化行重算 + 可视区渲染 |
| 11 | 别在测试环境验证性能 | 23 字段样本完全看不出问题 | 用生产最大模板压测 |
| 12 | 埋点要覆盖”数据不一致”而非只有耗时 | 慢被发现了,错没被发现 | 加一致性校验埋点 |
那到底该自研还是采购?我们的判断标准是三条:
- 业务表单字段数 P95 是否超过 100。低于这个量级,成熟平台完全够用;
- 是否需要与内部系统做字段级实时联动。如果需要,开放 API 的粒度和延迟是硬指标;
- 团队是否有 2~3 人可长期投入。低代码引擎是长期资产,不是一次性项目。
如果第 1、2 条都不成立,坦白说采购更划算。明道云在流程编排上成熟度高,简道云在中小企业快速搭建场景里上手最快,轻流的 BPM 能力扎实,钉钉宜搭胜在组织架构打通,织信在复杂数据模型上做得深——这些都是我们在选型调研阶段认真评估过的方案,各有明确的适用边界。自研低代码的门槛不在”能不能渲染出来”,而在”渲染出来之后,联动、校验、性能、可维护性四件事能不能同时成立”。
如果让我重来一次,我会在写第一行渲染代码之前先做三件事:定义依赖模型、定义 Schema 语义分层、拿生产环境最复杂的那个表单做基准测试。这三件事加起来大概两周,能省掉后面两个月的返工。
最后总结一句:Schema 驱动的低代码平台,本质上不是”把页面写成 JSON”,而是把页面之间的因果关系写成图。我们踩坑踩在只做了前者,抽象漏了后者。表单联动从来不是 UI 问题,它是数据流问题——想清楚这一点,剩下的都是工程细节。
希望这篇踩坑复盘能帮正在自研低代码或正在做技术选型的你,少走一段弯路。
参考文献
[1] 中国信息通信研究院. 低代码/无代码开发平台能力要求与评估方法[S]. 北京: 中国信息通信研究院, 2024.
[2] 艾瑞咨询. 2025年中国低代码行业研究报告[R]. 上海: 艾瑞咨询, 2025.
[3] 王建国, 李明. 基于依赖图的动态表单联动引擎设计与实现[J]. 计算机工程与应用, 2023, 59(14): 112-119.
[4] 张宇, 陈晓东. 企业级低代码平台中 JSON Schema 元数据建模方法研究[J]. 计算机应用与软件, 2024, 41(3): 88-95.
[5] JSON Schema Organization. JSON Schema Specification Draft 2020-12[EB/OL]. https://json-schema.org/specification, 2022.