Vue 全开源的 AI 低代码表单设计器组件,内置 AI 表单助理

Vue 全开源的 AI 低代码表单设计器组件,内置 AI 表单助理

FcDesigner 版是一款基于Vue的低代码可视化表单设计器工具,通过数据驱动表单渲染。可以通过拖拽的方式快速创建表单,提高开发者对表单的开发效率,内置 AI 表单助理,节省开发者的时间。并广泛应用于在政务系统、OA系统、ERP系统、电商系统、流程管理等领域。

源码地址: Github | Gitee | 文档 | 在线演示

安装

首先,安装 @form-create/designer 的 Vue 3 版本:

npm install @form-create/designer@^3 npm install @form-create/element-ui@^3 npm install element-plus 

如已安装旧版本渲染器,请执行以下命令更新至最新版:

npm update @form-create/element-ui@^3 

引入

Node.js 引入

对于使用 Node.js 的项目,按照以下步骤在您的 Vue 3 项目中引入并配置:

import{ createApp }from'vue';import FcDesigner from'@form-create/designer';import ElementPlus from'element-plus';import'element-plus/dist/index.css';// 创建 Vue 应用const app =createApp(App);// 使用 Element Plus 和 FcDesigner app.use(ElementPlus); app.use(FcDesigner); app.use(FcDesigner.formCreate);// 挂载应用 app.mount('#app');

CDN 引入

如果您选择使用 CDN,可以按照以下步骤在 HTML 文件中引入相关依赖:

<!-- 引入 Element Plus 样式 --><linkhref="https://unpkg.com/element-plus/dist/index.css"rel="stylesheet"/><!-- 引入 Vue 3 --><scriptsrc="https://unpkg.com/vue"></script><!-- 引入 Element Plus --><scriptsrc="https://unpkg.com/element-plus/dist/index.full.js"></script><!-- 引入 form-create 和 designer --><scriptsrc="https://unpkg.com/@form-create/element-ui@next/dist/form-create.min.js"></script><scriptsrc="https://unpkg.com/@form-create/designer@next/dist/index.umd.js"></script><divid="app"><fc-designerheight="100vh"></fc-designer></div><script>const{ createApp }= Vue;const app =createApp({}); app.use(ElementPlus); app.use(FcDesigner); app.use(FcDesigner.formCreate); app.mount('#app');</script>

使用

在 Vue 3 组件中,您可以通过以下方式使用 fc-designer 组件:

<template><fc-designerref="designer"height="100vh"/></template><scriptsetup>import{ ref }from'vue';// 可以在此处获取设计器实例或进行其他操作const designer =ref(null);</script>
在这里插入图片描述

私有化部署AI表单助理

如果您希望在自己的服务器上部署 AI 表单助理服务,可以使用我们开源的 FormCreate AI 表单助理 项目。

安装部署

1. 克隆项目

# 克隆项目git clone https://github.com/xaboy/form-create-assistant/ cd form-create-assistant # 安装依赖pnpminstall

2. 环境变量配置

创建 .env 文件(可选):

# 服务端口(默认: 3001)PORT=3001# 默认 Agent 类型(默认: deepseek)# 可选值: deepseek, zhipu, qwen, otherDEFAULT_AGENT=deepseek # 默认模型(默认: deepseek-chat)DEFAULT_MODEL=deepseek-chat # 默认 API 密钥(可选,当请求中未提供 Authorization header 时使用)DEFAULT_TOKEN=your-api-key-here # Other Agent 的自定义 API 端点(用于自定义 OpenAI 兼容接口)AGENT_API=https://api.example.com/v1/chat/completions # Agent 请求超时时间(毫秒,默认: 180000,即 3 分钟)AGENT_TIMEOUT=180000

3. 启动服务

# 使用 tsx 直接运行pnpm start 

服务启动后,默认监听 http://localhost:3001

设计器配置

部署好服务后,在设计器中配置私有化 AI 服务地址:

<template> <fc-designer ref="designer" :config="config" /> </template> <script setup> const config = { ai: { // 私有化服务地址 api: 'http://localhost:3001/api/chat/completions', // API 密钥(可选,如果服务端配置了 DEFAULT_TOKEN 可省略) token: 'Bearer your-api-key-here', } } </script> 

支持的 AI 服务

DeepSeek(默认)

  • Agent 类型: deepseek
  • API 端点: https://api.deepseek.com/v1/chat/completions
  • 获取密钥: DeepSeek 官网

智谱 AI (ZhipuAI)

  • Agent 类型: zhipu
  • API 端点: https://open.bigmodel.cn/api/paas/v4/chat/completions
  • 获取密钥: 智谱 AI 开放平台

通义千问 (Qwen)

  • Agent 类型: qwen
  • API 端点: https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions
  • 获取密钥: 阿里云 DashScope

自定义 OpenAI 兼容接口

  • Agent 类型: other
  • API 端点: 通过 AGENT_API 环境变量配置
  • 适用场景: 部署了 OpenAI 兼容接口的私有化服务

配置示例

# .envDEFAULT_AGENT=other AGENT_API=https://api.example.com/v1/chat/completions DEFAULT_TOKEN=your-custom-api-key 

API 密钥配置

API 密钥可以通过以下方式提供:

  1. 请求头传递(推荐):

在设计器配置中设置 token

const config ={ai:{api:'http://localhost:3001/api/chat/completions',token:'Bearer your-api-key-here'}}
  1. 环境变量配置(可选):

如果请求中未提供 API 密钥,系统会使用服务端 .env 文件中的 DEFAULT_TOKEN 值。

注意:优先使用请求头中的 API 密钥,如果请求头中未提供,才会使用环境变量中的 DEFAULT_TOKEN

更多详细信息,请参考 FormCreate AI 表单助理

使用实例

AI 表单助理可以根据不同需求自动生成和修改表单。以下是一些典型使用场景的示例,帮助您快速掌握这些功能:

基础表单生成

  1. 生成一个就诊满意度问卷表单
  2. 创建一个建议收集表单,包含联系人、联系邮箱、分类和建议内容
  3. 追加一个用户信息表单

组件操作

  1. 添加一个标签组件,显示文本为 “Tag”
  2. 删除商品简介字段
  3. 商品价格字段使用数字输入框组件

条件逻辑

  1. 当单选框选择 “选项1” 时,显示输入框组件
  2. 根据出生日期自动计算年龄
  3. 根据商品单价和数量自动计算总价

验证规则

  1. 设置输入框为必填,并限制长度必须大于13
  2. 添加手机号格式验证
  3. 添加自定义验证:确认密码必须与密码一致

样式优化

  1. 给输入类组件补充占位提示文本(placeholder)
  2. 将姓名和手机号并排显示在同一行

高级功能

  1. 生成一个Vue组件,实现金额输入框
  2. 生成一个js版本的高精度加法

最佳实践

1. 清晰的指令描述

推荐做法:

生成一个用户注册表单,包含: - 用户名(必填,3-20个字符) - 邮箱(必填,邮箱格式验证) - 密码(必填,至少8位) - 确认密码(必填,与密码一致) - 手机号(可选,11位数字) 

避免:

做一个注册表单 

2. 分步骤操作

对于复杂需求,建议分步骤进行:

  1. 先生成基础表单结构
  2. 再添加验证规则
  3. 最后调整样式和布局

3. 利用上下文

AI 表单助理会记住之前的对话内容,您可以:

用户:生成一个商品信息表单 AI:已生成包含商品名称、价格、描述的表单 用户:添加库存字段 AI:已添加库存数量字段 

4. 错误处理

如果AI生成的结果不符合预期,您可以:

  • 直接说明问题:“这个字段应该是数字类型”
  • 提供具体修改要求:“将价格字段改为必填”
  • 重新描述需求:“我需要的是下拉选择,不是输入框”

对话管理

消息操作

  • 复制消息: 点击消息右下角的复制按钮
  • 删除消息: 点击消息右下角的删除按钮
  • 清除对话: 点击AI面板头部的清除按钮

历史记录

  • 对话历史会自动保存到本地存储
  • 刷新页面后可以恢复之前的对话

思考过程

AI 在处理复杂请求时会显示思考步骤:

  1. 分析需求 - 理解您的具体要求
  2. 生成方案 - 制定实现计划
  3. 执行操作 - 实际修改表单
  4. 验证结果 - 检查生成结果

利用 AI 表单助理,您不但可以大幅减少手动编码的时间,还能灵活调整表单以适应各种业务需求,从而在复杂项目中更高效地创建和管理表单。

Read more

别再把 AI 当聊天机器人了!手把手教你搭建“人机共生”的赛博办公室

别再把 AI 当聊天机器人了!手把手教你搭建“人机共生”的赛博办公室

目录 先说结论:10 分钟搭起“人机共管”的赛博办公室 一、整体部署与使用流程(先看全貌) 二、项目背景:DeskClaw 在解决什么问题? 三、环境准备:Docker Desktop 是唯一核心 步骤 1:安装 Docker Desktop 步骤 2:准备代码目录与项目文件 四、一键启动:Docker Compose 部署 步骤 1:启动服务 步骤 2:获取初始账号密码 步骤 3:浏览器访问平台 五、安装完成后的基本操作 六、实战示例:让 AI 同事每天帮你整理行业情报 场景设定 步骤 1:

AI【应用 04】FunASR离线文件转写服务开发指南(实践篇)

FunASR离线文件转写服务开发指南(实践篇) * 1.是什么 * 2. 快速上手 * 2.1 docker安装 * 2.2 镜像启动 * 2.3 服务端启动 * 2.4 客户端测试与使用 * 3. 客户端用法详解 * 3.1 python-client * 3.2 cpp-client * 3.3 Html网页版 * 3.4 Java-client * 3.4.1 Building for Linux/Unix * 4. 服务端用法详解 * 4.1 启动FunASR服务 * 4.2 关闭FunASR服务 * 4.3 修改模型及其他参数

【2025年度创作】分享和总结如何通过AI快速开发一款MCP(模型上下文协议)服务插件,并进行本地和线上部署测试,最后上架MCP以及智能体调用MCP插件

【2025年度创作】分享和总结如何通过AI快速开发一款MCP(模型上下文协议)服务插件,并进行本地和线上部署测试,最后上架MCP以及智能体调用MCP插件

一年一度的ZEEKLOG博客之星活动现已开启!时光飞逝,2025的代码即将合上尾页,指针向前,2026的技术新篇静待启封。这一年,我依然坚持在ZEEKLOG平台持续创作,也见证了AI与智能体领域的持续升温,特别是MCP(模型上下文协议)技术带来的崭新突破。 值此ZEEKLOG平台年度技术盛会之际,博主将撰写一篇技术实战总结型文章,系统分享如何利用AI高效开发MCP服务插件,涵盖从本地调试、线上部署到智能体使用的全流程。 目录 * MCP简介 * 安装插件 * MCP开发 * 创建表 * 提示词 * 启动服务 * 本地部署MCP * 调用测试 * 线上部署 * 上传源码 * 安装Python * 安装依赖 * 启动服务 * nginx反向代理 * 本地测试 * 上架MCP * 使用MCP * MCP和API区别 * 总结 MCP简介 MCP(Model Context Protocol,模型上下文协议) 是专为大语言模型(LLM)应用设计的开放协议,旨在实现 LLM 与外部工具和数据源的无

MCP vs CLI:AI 时代的工具接口范式革命

MCP vs CLI:AI 时代的工具接口范式革命 前言 在 AI Agent 技术迅速发展的今天,我们看到两种主流的工具集成方式:传统的 CLI(Command Line Interface) 和新兴的 MCP(Model Context Protocol)。本文将从架构、协议、性能、开发体验等多个维度,深入剖析这两种范式的本质区别。 一、核心定位差异 1.1 CLI:面向人类的交互界面 设计目标:为人类用户提供命令行交互方式 核心特征: * 输入:文本命令(字符串) * 输出:格式化的人类可读文本(带颜色、表格、进度条) * 交互:同步执行,等待命令完成 * 反馈:面向人类理解(错误提示、帮助文档)