AI 脉络GitHub ↗
术语库概念对比学习路径AI 雷达参与共建GitHub ↗
应用架构入门基础概念

Workflow

工作流 · Agentic Workflow

由代码预先规定主要步骤和允许的分支,让模型与工具按可检查的流程协作;实际走哪条分支仍可能取决于输入与模型结果。

最后核验 2026-09-05 · 已核验

用一个类比理解

像餐厅的标准操作手册:每一步由流程规定,厨师可以在某一步发挥,但不能任意改变整条流水线。

这篇能帮你解决什么

带着目标读,读完可以验证

  • 把一个模型功能拆成可检查和可恢复的步骤
  • 区分固定控制流、模型输出的不确定性与重试风险
开始深读 →先做一道自测 →查看 2 份来源 →
建议先看:LLM

它解决什么

  • 重复任务的一致执行
  • 将复杂任务拆成可检查的小步骤

它不是什么

  • 预定义流程不保证模型输出确定
  • 可以用模型路由但允许的分支由程序限定
  • 它不是低级版 Agent

适合使用

  • 步骤已知且稳定
  • 需要可预测成本和结果
  • 中间结果需要规则校验

暂时别用

  • 路径无法事先枚举
  • 环境变化要求持续重新规划

常见失败方式

  • 把所有步骤都做成模型调用
  • 分支爆炸后仍坚持硬编码
  • 没有保存中间结果导致难以恢复

固定的是允许的流程#

Workflow 可以有分支、并行和模型判断,并不意味着每次都走相同路线。关键是程序预先定义了可走的步骤与衔接方式。模型可以决定“物流还是退款”,但不能因此任意添加一个未经设计的支付步骤。1

拆解一个工单流程#

本站教学示例: 把客服留言变成待处理工单。

  1. 输入检查: 空消息直接返回提示,不调用模型。
  2. 信息提取: 模型提取分类、订单号和原文依据。
  3. 结构与业务校验: 检查字段、订单归属和必要信息。
  4. 分支处理: 信息不足则询问;可处理则创建草稿;特殊情况转人工。
  5. 记录结果: 保存工单标识与失败状态,便于恢复。

其中输入检查和订单归属适合普通代码;信息提取才是需要语言理解的部分。不必把每个步骤都包装成模型调用。

给每一步约定失败出口#

提取失败 → 限次重试或转人工
编号缺失 → 请求补充,不猜编号
权限不足 → 拒绝处理,不暴露订单内容
创建超时 → 先查请求状态,再决定是否重试

这份列表可以直接变成测试场景。还要区分“生成结果不合格”和“网络暂时失败”,避免对不同原因使用同一种重试。

重试不是从头再来#

如果创建工单已经成功,只是响应丢失,再执行一次可能产生重复记录。AWS 的一手工程资料讨论了利用幂等请求设计控制这类重复副作用。2

实践中要约定:哪个请求标识表示同一次业务意图、重复请求如何返回结果、保留多久、参数变化如何处理。本文只给出检查方向,不能代替具体业务接口的契约。

怎样证明流程改善了#

本站建议比较两版流程时,至少记录每个步骤的失败率、端到端完成率、人工介入次数和耗时。固定流程更便于定位错误,但仍可能包含不稳定的模型步骤;不能从流程图整齐就推断系统可靠。

如果分支开始难以维护,先检查任务是否划分过粗,再考虑让某个局部步骤具有自主决策能力。Workflow 与 Agent 可以组合,不需要一次把全部控制权交给模型。

检验理解 · 教学情境

你会怎么判断?

工作流在“创建工单”时超时了,但不确定后台是否已经创建成功。直接从头再跑一遍为什么可能有问题?

想好后,展开参考答案

超时不等于操作没有执行,从头重跑可能重复创建工单。应保存请求标识和步骤状态,先核查结果;有副作用的接口需要约定幂等或去重行为。生成文本可以重试,不代表创建业务记录也能无条件重试。

可信来源

依据在哪里,能说明什么

正文中的编号链接对应下列资料。教学案例与操作建议由本站整理,不是原作者的实验结果或普遍保证。

来源 1一手工程实践Anthropic

Building effective agents — Workflows

支持的结论:介绍提示串联、路由、并行及生成后评估等组合模式,并区分预定义流程与模型自主控制。

适用边界:模式是工程参考,文章不能证明某个工作流在所有业务上必然更便宜或更可靠。

资料核验于 2026-09-05返回正文 ↑
来源 2一手工程实践AWS Builders’ Library

Making retries safe with idempotent APIs

支持的结论:解释重试可能造成重复副作用,以及通过请求标识和幂等接口降低风险的设计思路。

适用边界:这是分布式系统设计经验,不是所有接口天然支持幂等,也不是某个 LLM 框架的功能承诺。

资料核验于 2026-09-05返回正文 ↑