认识AI工作流

写在前面：

致谢Datawhale社区提供的开源学习资料，以及每一位社区共建者

本次学习链接：coze-ai-assistant-课程详情 | Datawhale

什么是工作流？

我们直接来看一个已经完善的关于金融知识问答的工作流 ：

 摘取自《从ChatGPT到Manus》

由此可以看出工作流具有以下几个特点：

1. 结构化流程：工作流将复杂任务拆解成多个明确步骤，按顺序执行。
2. 条件分支：根据不同条件来选择不同路径，提高处理的灵活性和针对性。
3. 模块化设计：每一步（如意图识别、改写问题、搜索资料）是独立模块，便于维护和复用。
4. 自动化执行：整个过程自动运行，减少人工干预，提高效率。
5. 多任务协作：结合不同模型和工具（如基础模型、检索系统）协同完成任务。
6. 反馈输出：最终生成结果反馈给用户，形成闭环
7. 可预测性：说白了就是我能知道他后面会干什么

“工作流是指一系列按照预定义规则和顺序执行的任务或步骤，通常用于描述业务流程或操作的结构化执行路径。它强调的是过程的标准化和自动化，确保任务按部就班地完成。”码事漫谈

Agent和工作流？

那么问题来了，反过来思考，一看工作流这三个字就能想到单一的劳动（也确实如此），为什么不用这个听起来就很智能的智能体？工作流有什么智能体的不可替代性？他们分别用来做什么？首先我们需要知道智能体的定义：

什么是Agent智能体？

老样子，直接上原理图：

  摘取自《从ChatGPT到Manus》

由此可以看出Agent具有以下几个特点：

1. 感知能力：智能体能够感知或观察环境状态（流程图中的“观察”步骤），并获取任务完成的反馈信息。
2. 自主决策：智能体具备自主规划能力（“计划”步骤），能够根据当前环境和任务要求制定执行方案。
3. 执行能力：智能体能够根据计划执行相应动作（“执行”和“工具调用”步骤），并实际影响环境或完成任务。
4. 反馈循环：智能体具有闭环反馈机制，会根据观察结果不断调整计划和执行，直到任务完成。
5. 目标导向：智能体所有行为都是围绕完成特定的“任务输入”目标设计，体现出目的性和智能性。

综上，智能体的核心特点是感知-决策-执行-反馈循环的自主智能行为体系。

根据上述实例以及总结的内容，我们可以从这几个方面来看Agent和工作流的区别：

Agent和工作流各自的特点和区别  

摘取自公众号：把自己产品化 

方面	智能体	工作流
目标导向	以自主完成特定任务为目标	以执行预定义的业务流程为目标
执行方式	自主感知、决策并执行，具备反馈调整能力	按预设步骤和条件自动执行，决策较为固定
灵活性	具有动态调整计划和行为的能力	结构化且流程固定，依赖条件分支实现有限灵活性
模块职责	模块常围绕感知、计划、行动和反馈设计	模块倾向于业务功能分块，如信息处理、调用工具等
反馈机制	闭环反馈影响下一步决策和行为	反馈主要用于流程控制或结果输出，反馈环节较简单
适用范围	适合需要自主决策和动态应对的复杂场景	适合规则明确、步骤固定的业务处理场景
重点强调	智能自主性、适应性和任务完成能力	自动化执行、流程管理和多模块协同

简单说， 工作流是全局的，智能体是局部的。

在业务中，通常需要的是工作流而非单个智能体，因为整个业务流程设计至关重要。例如，在烹饪中，关键不在于使用多贵的锅，而是按步骤完成每道工序。

因此，工作流才是解决问题的关键，它帮助优化思路、提升效率。设计好工作流才能大幅提升整体业务效率。

因此我们需要辨别，有什么业务适合工作流？

适合工作流的业务

除了一开始的金融知识问答之外，再举几个例子：

实例：

电商数据处理

• 特点：涉及从数据库抽取用户行为数据→数据清洗与转换→加载到数据仓库→生成业务报表等多个环节。
• 任务流程复杂，有严格的顺序依赖，适合通过工作流调度系统保证任务的有序和自动执行。

制造业供应链分析

• 特点：供应链数据涉及多个来源，需要先进行数据整合、质量检查、分析处理，再输出决策报告。
• 数据处理流程多且需要实时或周期性调度。

现在便可以总结这些业务的特点了：

这些业务的共同特点

• 任务多、环节复杂：业务流程被拆分成多个子任务，且存在明确的执行顺序和依赖关系。
• 需要自动化调度：多个任务需按照预设策略自动执行，减少人工干预，提高效率。
• 依赖管理严格：后续任务依赖前置任务的成功完成，任何中间环节异常都需及时发现和处理。
• 多系统、多技术结合：往往涉及调用脚本、SQL查询、数据计算任务，以及跨环境执行。
• 实时性和准确性要求高：例如流批一体、实时事件触发等场景，需快速反馈和调整。
• 可视化和监控需求强烈：通过工作流可视化界面展示任务链路，实时监控任务执行状态，保障业务稳定运行。