跳到主要内容

AI Workflow（工作流）

AI Workflow 是将 LLM 调用组织成多步骤、有结构的流程来完成复杂任务的设计模式。与 Agent 不同，Workflow 的控制流是预定义的、可预测的。

核心原则​

能用简单 Workflow 解决的，就不要用复杂的 Agent。

从最简单的单次 LLM 调用开始，只在确实需要时才增加复杂度。

常见 Workflow 模式​

1. Prompt Chaining（提示链）​

将任务分解为多个顺序步骤，每步的输出作为下一步的输入：

输入 → LLM(生成大纲) → LLM(扩展内容) → LLM(润色校对) → 输出

适用场景：

  • 文档生成（大纲→正文→摘要）
  • 数据处理（提取→清洗→格式化）
  • 代码生成（需求分析→设计→实现→review）

关键点：每一步之间可以加入验证（Gate），不合格则终止或重试。

2. Routing（路由分发）​

根据输入类型或意图，将请求分发到不同的专业处理路径：

用户输入 → 分类器(LLM) → 简单问题 → 直接回答
                        → 代码问题 → 代码专用 Prompt
                        → 数学问题 → 调用计算工具
                        → 翻译需求 → 翻译专用模型

适用场景：

  • 客服系统（不同类型工单分发到不同处理流程）
  • 多意图识别

3. Parallelization（并行化）​

多个 LLM 同时处理不同方面，最后汇总：

                 ┌→ LLM-A（代码质量分析）──┐
用户输入 ────────┼→ LLM-B（安全性检查）────┼→ 汇总结果
                 └→ LLM-C（性能评估）──────┘

两种模式：

  • 分区（Sectioning）：不同子任务并行处理，最后合并
  • 投票（Voting）：相同任务多次运行，取多数结果或最佳结果

适用场景：

  • 代码审查（多角度同时检查）
  • 内容审核（多模型交叉验证）
  • 翻译质量评估（多人投票）

4. Orchestrator-Workers（编排-工作者）​

一个编排 LLM 动态拆解任务，分配给多个工作者 LLM 执行：

用户输入 → 编排者(分析任务，拆分子任务)
              ├→ Worker1(子任务A)
              ├→ Worker2(子任务B) → 编排者(汇总结果)
              └→ Worker3(子任务C)

与并行化的区别：编排者可以根据中间结果动态调整后续任务。

适用场景：

  • 复杂的代码重构（编排者决定修改哪些文件）
  • 研究任务（编排者决定搜索方向）

5. Evaluator-Optimizer（评估-优化循环）​

生成结果后由评估者审查，不合格则带着反馈重新生成：

                    ┌──────────────────┐
                    ↓                  │
用户输入 → 生成器(LLM) → 评估器(LLM) → 通过？─→ 输出
                                       │ 不通过
                                       └→ 反馈给生成器

适用场景：

  • 代码生成（生成→运行测试→修复→再测试）
  • 文案创作（写→审→改→再审）
  • 翻译（翻译→回译验证→修正）

如何选择​

单步能完成吗？ → 是 → 单次 LLM 调用
    ↓ 否
需要分类处理？ → 是 → Routing
    ↓ 否
可以并行处理？ → 是 → Parallelization
    ↓ 否
步骤固定可预测？ → 是 → Prompt Chaining
    ↓ 否
需要动态拆解？ → 是 → Orchestrator-Workers
    ↓ 否
需要迭代改进？ → 是 → Evaluator-Optimizer
    ↓ 否
需要自主决策？ → 是 → Agent

实现工具​

工具特点
LangChain/LangGraph最流行，图+状态机
Dify可视化拖拽编排
Flowise开源可视化 LLM 编排
n8n通用 Workflow + AI 节点
Prefect/Airflow传统编排工具 + LLM 集成