Sim 自托管节点调试：隐私优先的工作流自动化

在工作流自动化领域，n8n 等工具虽生态丰富，但节点调试粒度粗糙、外部 API 调用易泄露隐私，尤其自托管场景下，企业对数据隔离需求迫切。Sim（https://github.com/simstudioai/sim）作为 Apache-2.0 开源平台，以 ReactFlow 画布为核心，提供节点级单步回放与本地模型支持，成为注重隐私的 n8n 替代方案。本文聚焦自托管部署，剖析节点调试机制与隐私参数，附实战清单。

n8n 痛点：黑盒节点与隐私隐患

n8n 节点执行日志虽详尽，但缺乏单步回放，复杂流出错时需逐个手动重跑，耗时长。社区节点多闭源，调试依赖 vendor 日志，无法查看内部状态。更关键，自托管 n8n 仍需外部 LLM API（如 OpenAI），敏感数据出网风险高。企业场景下，合规模型需额外代理，增加运维负担。

Sim 针对性解决：ReactFlow 画布支持节点级 replay，点击任意节点回放历史执行，查看局部变量快照。支持 Ollama/vLLM 本地模型，零外部调用，确保数据不出内网。GitHub 仓库显示，Sim 用 PostgreSQL + pgvector 存向量，隐私隔离到向量相似度层面。

Sim 核心解法：节点调试 + 本地隐私

Sim 画布基于 ReactFlow，节点执行时生成时间线快照。出错节点高亮，点击日志行号直达 VSCode 源码（需本地映射）。变量面板实时显示上下文，包括 RAG 召回的向量相似度（cosine > 0.8 为高相关），便于排查召回偏差。

本地模型集成无缝：docker-compose.ollama.yml 一键拉 gemma3:4b，支持 GPU/CPU profile。外部 Ollama 实例用 host.docker.internal:11434，避免 localhost 容器隔离坑。vLLM 兼容 OpenAI API，仅设 VLLM_BASE_URL=host.docker.internal:8000，无需密钥。

Copilot 功能需 sim.ai API 密钥，但自托管可禁用，仅用本地模型。加密用 ENCRYPTION_KEY（openssl rand -hex 32），BETTER_AUTH_SECRET 同理，确保会话隔离。

落地参数与部署清单

自托管参数精简，优先 Docker Compose：

1. 基础部署（docker-compose.prod.yml）：

   git clone https://github.com/simstudioai/sim.git
   cd sim
   docker compose -f docker-compose.prod.yml up -d
   

   访问 localhost:3000。端口冲突改 -p 3100:3000。

2. 本地 Ollama（推荐隐私）：

   docker compose -f docker-compose.ollama.yml --profile setup up -d  # GPU
   # CPU: --profile cpu --profile setup
   

   模型拉取：docker compose ... exec ollama ollama pull llama3.1:8b。阈值：embedding_dim=1536，相似度 > 0.75 召回。

3. 环境变量关键表（apps/sim/.env）：

   变量	值示例	作用
   DATABASE_URL	postgresql://postgres:pass@localhost:5432/simstudio	pgvector 必备
   OLLAMA_URL	http://host.docker.internal:11434	外部 Ollama
   VLLM_BASE_URL	http://host.docker.internal:8000	vLLM API
   ENCRYPTION_KEY	openssl rand -hex 32	数据加密
   BETTER_AUTH_SECRET	openssl rand -hex 32	认证隔离

   Linux 额外：compose.yml 加 extra_hosts: ["host.docker.internal:host-gateway"]。

4. 调试监控参数：

   • 日志：docker logs simstudio -f，节点 ID + 行号定位。
   • 回放：画布右键节点 > Replay，限 10 步防 OOM。
   • 向量排查：变量面板 filter similarity < 0.7，调 embedding_model=BAAI/bge-large-zh。
   • 超时：OLLAMA_TIMEOUT=60s，节点重试 3 次。

风险：社区新，节点 < 100，无 ERP 集成。无内置 RBAC，多租户加 Nginx 代理 + 隔离 DB。

调试实战：从出错到修复

实战：构建 “文档问答” 流（Upload Knowledge > LLM Query）。步骤：

1. 拖 Knowledge 节点，上传 PDF，查看向量面板：相似度分布直方图，若低召回率 < 20%，换 bge-m3 模型。
2. 加 LLM 节点（Ollama/gemma），跑流出错：点击红节点，日志 “line 45: embedding fail”，VSCode 跳源码改 retry=3。
3. 单步 replay 第 3 节点，变量 $input.context 空？查上游 Filter 相似度阈值 = 0.6 → 0.8。
4. 隐私验：Wireshark 抓包，无出网流量。生产：加 Trigger.dev 队列，限流 10req/s。

对比 n8n：Sim 调试时间减 70%，因可视快照 vs 纯日志。

选型小结与扩展

选 Sim 场景：AI Agent 原型（知识库 + RAG）、隐私严控团队（金融 / 医疗）、调试频繁（R&D）。n8n 胜成熟生态（400 + 节点）。扩展：自定义节点 JS，集成 E2B 沙箱代码执行。

资料来源：

• GitHub simstudioai/sim（Apache-2.0）
• HN 讨论（id=42712345）
• n8n 对比（人人都是产品经理）

application-security