Workflow

Workflow 这个词在 AI 项目里出现得非常频繁，但它真正重要的地方，不是“听起来更高级”，而是：

当一条任务链路已经足够清楚时，你需要的往往不是更聪明的 Agent，而是一条更稳的 Workflow。

很多系统最后能不能落地，差别就出在这里。

1. Workflow 到底是什么

可以把 Workflow 直接理解成：

把一件事情拆成若干个明确步骤，再按预先定义好的顺序去执行。

它最强调的不是自由决策，而是：

1. 步骤清楚
2. 输入输出明确
3. 过程可观测
4. 失败时容易定位

所以 Workflow 的核心价值，不在“像人一样会想”，而在“按设计好的主线稳定跑完”。

2. 它最适合解决什么问题

Workflow 最适合那些已经看清主线的任务。

常见场景包括：

1. 工单分类 -> 检索知识库 -> 生成回复
2. 文档清洗 -> 分片 -> 向量化 -> 入库
3. 表单抽取 -> 字段校验 -> 落库
4. 内容生成 -> 审核 -> 发布

这些任务通常都有几个共同点：

1. 每一步都知道该做什么
2. 顺序相对稳定
3. 希望批量复用
4. 出错后要能快速排障

3. 一条最小 Workflow 链路

flowchart LR
    A[输入任务] --> B[步骤 1：预处理]
    B --> C[步骤 2：模型调用]
    C --> D[步骤 3：工具或检索]
    D --> E[步骤 4：结果校验]
    E --> F[输出结果]

这条线里最关键的不是步骤名字，而是每一段都能被单独看、单独测、单独替换。

这也是 Workflow 比纯提示词堆叠更稳的原因。

4. 为什么很多项目该先上 Workflow

因为大多数业务场景，真正难的不是“模型会不会推理”，而是：

1. 流程有没有固定下来
2. 输入是不是足够干净
3. 中间结果有没有校验
4. 失败后能不能知道卡在哪一步

如果这些问题还没收住，直接上开放式 Agent，系统通常会更难控。

🌟 更常见的工程经验是：把高频主线写成 Workflow，再决定哪些节点值得交给 Agent 自主判断。

5. Workflow 不解决什么问题

这点也很重要。

Workflow 擅长的是稳定执行，不擅长的是开放探索。

它通常不适合：

1. 目标本身不清楚的任务
2. 中途需要频繁改计划的任务
3. 需要边做边试、边看边问的任务

比如故障排查、多轮调研、开放式任务拆解，这类事情往往更需要 Agent。

6. Workflow 和 Agent 到底差在哪

最简单的区分方法可以记成：

1. Workflow 是先定步骤，再执行
2. Agent 是先给目标，再决定步骤

如果换成更直白的话：

Workflow 更像按图施工，Agent 更像边走边判断。

所以很多成熟系统里，这两者并不是二选一，而是：

1. 大框架用 Workflow 固定
2. 某些节点用 Agent 提供灵活性

7. 工程里最容易踩的几个坑

7.1 把所有链路都写成 Workflow

这样会导致系统越来越硬，后面遇到稍微开放一点的任务就很难接。

7.2 把 Workflow 写得过细

如果每一个很小的动作都拆成单独节点，链路会非常长，维护和观察成本都会上来。

7.3 没有给中间结果留校验点

这会让 Workflow 看起来是固定的，但实际一旦中间数据脏掉，后面所有步骤都会被带偏。

8. 一段更稳的总结

Workflow 解决的是“如何把一条已经看清的任务主线稳定跑完”。它最重要的价值，是让流程可复用、可观测、可排障。很多 AI 系统真正需要的第一层编排能力，其实不是更聪明的 Agent，而是把 Workflow 站稳。