第十二章 Workflow：为什么企业 AI 都离不开工作流？
目录
零基础认识大语言模型（LLM）工作原理目录 - GuZhenYin - 博客园
本章导读
上一章我们介绍了 MCP，它解决的是：AI 如何连接工具。
但是企业在真正使用 AI 时，很快又会发现另一个问题。
例如，一个采购审批流程：
- 读取采购申请
- 检查库存
- 判断是否超预算
- 发送审批
- 等待结果
- 通知仓库
这一串操作,就不是"调用一个工具"能完成的事情了。
它需要：
- 顺序执行
- 条件判断
- 等待外部结果
- 失败重试
- 状态管理
这时候，仅靠 LLM+Tool Call 已经不够了。
于是 Workflow（工作流）出现了。
12.1 为什么 LLM 不适合控制流程？
我们还是先看一个简单任务：帮我统计 Excel 销售额。
LLM 可以一次完成
但是一旦用户把任务变成：每天自动读取销售数据，如果低于目标就给负责人发消息。
那么问题就来了
因为这里出现了：
- 时间触发
- 条件判断
- 循环执行
- 异常处理
- 长期运行
而 LLM 的特点是：
一次请求 → 一次推理 → 结束。
所以它并不是一个长期运行的流程引擎。
12.2 Workflow 的本质是什么？
我们先概括一下: Workflow等于用确定性的流程，组织不确定性的 AI 能力。
这里面有两个关键词：
确定性
例如：
- 先查库存
- 再审批
- 最后发通知
这些步骤顺序是固定的。
不确定性
例如：
- 审批意见如何生成？
- 邮件怎么写？
- 问题如何总结？
这些更适合交给 LLM
所以,我们就需要 Workflow 负责"流程"，LLM 负责"智能"。
12.3 一个最小工作流
假设我们做一个"日报生成"流程：
流程图：
对应步骤：
- 读取数据库
- 统计数据
- 调用 LLM 生成摘要
- 发送邮件
注意：
这里只有第 3 步用了 AI。
其他步骤则全部是普通程序。
12.4 为什么企业特别需要 Workflow？
因为企业系统天然就是流程化的。
例如医院 SPD：
这里最关键的是：流程必须可控、可追踪、可审计。
然而 LLM则本身并不具备这些能力。
12.5 Workflow 与 Agent 有什么区别？
这是比较容易混淆的地方。
| Workflow | Agent |
|---|---|
| 流程预先定义 | 步骤动态决定 |
| 可预测 | 更灵活 |
| 适合企业流程 | 适合复杂开放任务 |
| 强调稳定 | 强调自主性 |
| 像 BPM 系统 | 像智能员工 |
12.6 什么时候用 Workflow？什么时候用 Agent？
适合 Workflow 的场景
- 审批
- 报表
- 通知
- 数据同步
- ERP 流程
- 医院业务流程
适合 Agent 的场景
- 代码开发
- 复杂调研
- 多步分析
- 开放式问题解决
- 自动化运维
12.7 实际案例：以 Dify Workflow 为例
前面我们讲的是原理。
现在来看一个真实的开源产品(它带火了2025年的AI浪潮)
Dify 的 Workflow 其实本质上就是一个可视化流程编排器。
典型流程：
其中：
| 节点 | 作用 |
|---|---|
| LLM | 生成内容 |
| IF | 条件判断 |
| HTTP | 调用 API |
| Code | 执行代码 |
| End | 输出结果 |
这里,我们就可以发现：
Dify 的核心并不是 LLM，而是"流程编排"。
LLM的调用只是其中一个节点。
12.8 组合才能更佳
很多人以为：
AI 应用等于调用大模型。
但是在实际应用过程中,企业里的 AI应该是Workflow + LLM的组合
真正稳定的 AI 系统，往往是"Workflow + LLM"的组合，而不是单纯的大模型。
本章总结
这一章，我们解决了四个关键问题：
①为什么 LLM 不适合控制流程？
因为它是一次性推理，不擅长长期运行与状态管理。
②Workflow 的本质是什么？
用确定性的流程组织 AI 能力。
③Workflow 与 Agent 的区别？
Workflow 强调稳定和可控，Agent 强调灵活和自主。
④Dify 的核心价值是什么？
不是"大模型"，而是"可视化工作流编排"。