addtoken

Posted on Jul 15

为什么 AI Agent 都离不开 Workflow？看懂现代 AI 应用的底层设计

#ai #agents #automation #architecture

博客 / 为什么 AI Agent 都离不开 Workflow？看懂现代 AI 应用的底层设计

为什么 AI Agent 都离不开 Workflow？本文从 Prompt、Workflow 到 Agent 的演进过程，结合 LangGraph、n8n 等主流方案，讲清现代 AI 工作流设计思路，并通过代码示例理解 Agent 的运行机制。

阅读约 12 分钟｜适合希望系统理解 AI Agent、Workflow 与 LangGraph 的开发者。

一、Prompt 和 Workflow 的根本区别

让 AI 总结一篇文章，效果不错，然后想能不能先抓网页、再总结、再翻译、再发邮件？你把所有要求塞进一个 prompt 里，让它一次干完。结果它忘了翻译，邮件格式也错了。你以为这是 prompt 没写好，其实是结构性问题。你需要的不是 prompt，而是一个 workflow。 这篇讲清楚 prompt 和 workflow 的区别，以及怎么设计一个真正能跑起来的 AI Agent 工作流。

Prompt 是一次对话。 你说一句，AI 回一句。

Workflow 是多次对话的组合。 把一个复杂任务拆成几个步骤，每步用一个 prompt，前一步的输出当后一步的输入，串成一条流水线。

举个最简单的例子：如果把一篇英文文章翻译成中文，利用prompt一次性能搞定。如果每天抓 10 个英文科技博客的新文章，翻译成中文，提取关键词，按主题分类，生成摘要，发到飞书群。这就不是一句 prompt 能解决的了。你需要：

1. 抓文章（脚本） 2. 翻译（AI） 3. 提关键词（AI） 4. 分类（AI） 5. 生成摘要（AI） 6. 发飞书（脚本）

每一步都是一个独立任务，有自己的输入输出。这就是 workflow。

判断标准很简单：

- 任务一步就能完成 → Prompt - 任务需要多步，每步有明确的输入输出 → Workflow - 任务需要根据上一步结果决定下一步做什么 → Workflow（带条件分支）

二、Workflow 的四个核心组件

不管用什么工具（LangChain、Dify、n8n、Coze、自写代码），workflow 都由这四个组件构成：

1. 节点（Node）

一个节点干一件事。可以是调 AI，也可以是调脚本、查数据库、发请求。

每个节点有三个要素： - 输入：从哪拿数据 - 处理：干什么活 - 输出：给下一节点什么

2. 连接（Edge）

节点之间的数据流。A 的输出接到 B 的输入。

3. 条件（Condition）

根据上一步结果决定走哪条路。比如"如果摘要长度 > 200 字，走精简分支；否则走原文分支"。

4. 循环（Loop）

对一批数据重复执行同一段流程。比如"对 10 篇文章逐篇执行翻译+摘要"。

记住这四个，所有 workflow 工具都是它们的变体。

三、一个完整的 Workflow 示例

需求：每天早上 8 点，抓 3 个科技博客的最新文章，翻译成中文，生成摘要，按质量打分（1-5），高于 3 分的发飞书，低于的存档。

用文字画出来：

[定时触发] 
    ↓
[抓取文章] ← 脚本节点，不是 AI
    ↓
[循环: 对每篇文章执行 ↓]
    ├── [翻译] ← AI 节点
    ├── [生成摘要] ← AI 节点
    ├── [质量打分] ← AI 节点
    └── [条件判断]
         ├── 分数 > 3 → [发飞书]
         └── 分数 ≤ 3 → [存档]

如果用一个 prompt 做，会有什么问题？

- 不可靠。让 AI 一次干 5 件事，它经常漏掉一两件。 - 没法复用。改"打分标准"要重写整个 prompt；拆开的话只改打分节点就行。 - 没法调试。出错时不知道是翻译错了还是打分错了；拆开后每步都能单独测。 - 没法并行。3 篇文章拆成 3 条并行流水线，速度 3 倍；塞一个 prompt 里只能串行。

这是 workflow 最核心的价值：把不可靠的"全能 prompt"，拆成可靠的"专项节点"。

四、设计 Workflow 的 5 条原则

原则 1：能不用 AI 就不用 AI

不是所有节点都要调 AI。抓网页、发消息、查数据库、算数学——这些用脚本更快更准更便宜。

新手最常犯的错：什么都让 AI 干。让 AI 算订单总价、让 AI 拼 SQL、让 AI 格式化日期。这些确定性任务，脚本一行搞定，AI 反而容易出错。

判断标准：如果这个任务的输出有唯一正确答案，别用 AI。AI 适合"模糊的、需要理解的、有创造性的"任务。

原则 2：每个 AI 节点只干一件事

一个节点 = 一个职责。

差的设计：

[AI 节点: 翻译 + 摘要 + 打分 + 分类]

好的设计：

[AI 节点: 翻译] → [AI 节点: 摘要] → [AI 节点: 打分] → [AI 节点: 分类]

拆开后： - 每个节点的 prompt 更短更准 - 单独测试更容易 - 出错时能定位到具体节点 - 可以并行执行（翻译和打分可以同时跑）

原则 3：节点之间用结构化数据传递

节点之间的数据格式要明确。推荐用 JSON。

差的设计：让 AI 输出一段自然语言，下一个 AI 节点再去"理解"这段话。

好的设计：

// 翻译节点的输出
{
  "original_title": "GPT-5 Released",
  "translated_title": "GPT-5 发布",
  "content": "..."
}

下一个节点直接读 JSON 字段，不用"理解"。

配合 Function Calling 或 JSON Mode 使用效果最好。让 AI 强制输出 JSON，而不是自然语言里夹带 JSON。

原则 4：每个节点都要有"失败处理"

AI 会失败。超时、限流、输出格式错、内容被拦截。你的 workflow 必须能处理这些情况。

最简单的做法：每个 AI 节点配一个重试 + 兜底。

[AI 节点] 
  ├── 成功 → 继续
  ├── 失败 → 重试 3 次
  └── 3 次都失败 → 兜底（用默认值 / 跳过 / 报警）

不设计失败处理的 workflow，跑两次就崩。

原则 5：能并行就并行

串行慢，并行快。能同时跑的节点就别排队。

# 串行（慢）
[翻译] → [摘要] → [打分] → [分类]   总耗时 12 秒

# 并行（快）
[翻译] ──┬── [摘要] ──┐
         ├── [打分]  ──┼── [汇总]
         └── [分类]  ──┘            总耗时 5 秒

翻译完后，摘要、打分、分类三个节点互不依赖，可以同时跑。

不是所有节点都能并行——有依赖关系的必须串行。但只要没有依赖，就并行。

五、Workflow 工具怎么选

按使用门槛从低到高：

1. 可视化工具（Dify、Coze、FastGPT）

拖拽节点连线，不用写代码。适合非技术人员、快速验证想法。缺点是复杂逻辑难表达，被工具能力限制。

2. 自动化工具（n8n、Make、Zapier）

更偏"连接各种服务"。AI 只是其中一个节点类型。适合"AI + 现有系统"的集成场景。

3. 代码框架（LangChain、LangGraph、LlamaIndex）

写代码控制每一步。最灵活，但门槛最高。适合需要精细控制和长期维护的项目。

4. 自写代码

直接调 API，自己写流程控制。最简单直接，适合简单 workflow。不依赖框架，没有学习成本。

我的建议：从自写代码开始。想清楚后再上框架，别让框架替你想。

六、一个最小可跑的代码示例

用 Python + OpenAI SDK 写前面那个"翻译 + 摘要 + 打分"的 workflow，不到 50 行：

from openai import OpenAI
import json

client = OpenAI(
    base_url="https://api.example.com/v1",
    api_key="sk-xxx",
)

def call_llm(system, user, model="gpt-4o-mini"):
    resp = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": system},
            {"role": "user", "content": user},
        ],
        response_format={"type": "json_object"},
    )
    return json.loads(resp.choices[0].message.content)

def translate(text):
    return call_llm(
        "你是翻译。把英文翻译成中文。返回 JSON：{translated: string}",
        text,
    )["translated"]

def summarize(text):
    return call_llm(
        "你是摘要生成器。生成 100 字以内的摘要。返回 JSON：{summary: string}",
        text,
    )["summary"]

def score(text):
    return call_llm(
        "你是内容评审。给文章打 1-5 分。返回 JSON：{score: int}",
        text,
    )["score"]

def workflow(article):
    translated = translate(article)        # 翻译
    summary = summarize(translated)        # 摘要
    score_val = score(translated)          # 打分

    if score_val > 3:
        send_to_feishu(summary)            # 发飞书
    else:
        archive(summary)                   # 存档

workflow("OpenAI just released GPT-5...")