工作流

前进的李工

Agent 学习笔记 02：Harness 与工作流怎么理解在上一节虽然我们知道LLM通过ReAct循环在上下文的辅助下使用工具完成任务，但也产生了问题：模型可能产生幻觉、选错工具，或者遇到错误时无法自我恢复。

Odoo 19 工作流调试概览与排错实操调试 Odoo 19 会涉及 Python 模型、OWL、JSON-RPC 与记录规则。HTTP / OWL / 前端打包也有变化，部分旧习惯会失效。优先用可落地的检查手段。

Agent 查资料停不下来，何时该结束？让 Agent 整理项目简报时，“继续查到资料充分”为止，很难成为明确的结束条件。更稳妥的做法是列出简报必须回答的问题，每轮搜索检查补到了什么，再设定调用次数和总时长上限。问题得到有依据的回答就进入交付，资料不足又无法继续时，则提交带缺口的阶段结果。

Agent 输出格式总变，工作流怎么接？Agent 把客服反馈整理成任务时，今天输出一段文字，明天换成几条列表，下游就很难稳定读取。解决办法是先约定输出字段，再用程序检查字段是否齐全、类型是否正确，随后核对负责人和来源等业务信息。只有两层检查都通过，结果才进入创建任务的步骤。

Agent Runtime 改配置，怎样避免影响正在运行的任务？Agent Runtime 里的模型、工具和工作流配置会共同决定任务怎样运行。修改其中一项时，不能只看保存按钮是否成功，还要知道哪些任务会读取新配置，哪些任务仍应沿用旧配置。比较稳妥的做法是先保存运行快照，再列出配置差异、影响范围和生效时间，确认后分批启用，并保留可回滚的版本。

UMI赋能企业

AI合作需求清单：从业务场景到交付与验收一句“接入AI能力”，可能被理解为原型验证、流程集成或持续运营。技术合作开始前，应先把目标、输入输出、协作依赖与验收方法写清楚。

UMI赋能企业

AI实战交流的提问模板：从业务描述到可分析的问题只说“模型输出不行”，很难判断问题来自输入资料、任务要求还是检查标准。技术与业务交流前，可以先准备一张最小问题单，让对方知道在哪里开始分析。

Agent 同时处理多份文件，怎样安排并发？让 Agent 处理一批文件并生成汇总报告，可以先把单份文件的读取、解析和摘录拆成独立任务，再按资源条件限制同时运行的数量。跨文件去重、比较和最终汇总依赖前面的结果，应在必要结果齐备后执行。判断能否并发，要看任务是否独立、会不会改同一份数据，以及后续是否需要等待它。

工作流 .... coze平台--AI--Agent--RAG--Function Calling工作流=业务逻辑的可视化执行工作流作用：它将一个复杂的任务分解成一系列可管理的、按顺序或按条件执行的步骤，并通过图形化的界面将这些步骤连接起来。

Agent 权限怎么配？先按动作拆开让 Agent 读取销售数据、生成周报并发送给负责人，至少涉及三种不同权限：访问数据、保存文件和发送消息。配置时应按动作分别授权，再限定表、目录、收件人和有效期。能读数据，不代表能修改原表；能生成报告，也不自动获得发送权限。模型写出了执行计划，每个真实动作仍要经过执行层检查。

规则引擎还是大模型？AI 工作流与传统自动化的分工边界：确定性流程照旧，‘每次都不太一样‘的知识型工作才交给 AI最近两年，“AI 工作流”这个词被越用越泛，仿佛所有自动化都该推倒重来做一遍。但如果你打开自己维护的那几十条 Power Automate 流，会发现它们大多数根本不需要 AI——表单触发、发通知、同步数据、审批流转，这些活儿规则引擎干得又快又稳。真正的问题不是“用不用 AI”，而是哪些工作值得交给 AI，哪些必须留在传统自动化里。

把 CLI 当工程系统用：从 Plan 模式到截图复现，Codex CLI 类工具的正确打开方式聊 AI 编程工具的文章已经够多了：测评、选型清单、“XX 对比 XX”每隔几周就有一篇。这篇文章不想再比工具好坏——工具迭代太快，今天的结论下个月就过期。真正值得沉淀下来的，是 CLI 形态的 AI 编程工作流本身：当你在一个终端里，把一个能读仓库、改文件、执行命令的 AI 代理当成协作对象时，怎么用它才稳定、可控、可复用。

国庆后开工第一周：用一张 Cursor 能力地图安排学习路径（Rules→MCP→工作流）长假回来，最容易发生两件事：工具版本跳了；学习欲被 Demo 清单带跑。与其打开二十个标签，不如先在一张能力地图上标出自己的位置，再按 Rules → 模式（Ask/Agent/Manual）→ MCP → 工作流往前走。地图是导航，不是收藏夹。

AI 办公助手选型指南：从聊天问答到主动式工作流，企业办公自动化该怎么挑、边界在哪这两年“AI 办公”这个词被用得很泛：能聊天的叫 AI 办公，能写周报的叫 AI 办公，能自动跑流程的也叫 AI 办公。但如果你是负责选型的人，就会发现这三者根本不是一回事——它们对应的能力栈、落地成本和风险边界完全不同。这篇文章把三份公开资料里的能力框架和场景拆解拼起来，回答三个选型时最常被问到的问题：主动式工作流和普通聊天 AI 差在哪、哪些环节必须留人工、按岗位怎么挑平台。

Agent 重试会不会越帮越乱？Agent 调用失败后，直接点“重试”并不稳妥。正确顺序是先判断动作有没有副作用，再确认外部系统是否已经收到请求，然后决定自动重试、查状态后继续，还是暂停交给人。读取文件、查询数据、生成草稿通常可以在边界清楚时重试；发送消息、创建工单、修改数据库这类动作，即使界面没有返回成功，也可能已经发生。

AI制作配图原来制作配图都是用 mermaid，在 markdown 里插个代码块就出图，这是没问题的，AI 也比较擅长使用mermaid。

EasyAdminBlazor 审批模块实战：从提交、审批到最终完成审批是 2.3 新增的重要能力。这篇文章不讨论"要不要上工作流引擎"，只讲一件事：用状态机 + 审批记录表，把固定 2~3 级审批做扎实，以及怎么在半小时内把它接进一个已经有了 AdminTable 的模块。

短视频脚本怎么写才不拖进度：从选题到口播稿的生产流程晚上 11 点，剪辑时间线已经铺开，脚本却还停在一句“大家好，今天我们来聊聊……”上。真正拖慢短视频项目的，往往不是写不出字，而是选题、素材和口播稿没有接成一条线：选题改了三遍，参考视频散在收藏夹里，录完才发现稿子根本不适合说出口。

企业内网部署 Agent，先检查什么？企业内网部署 Agent，先检查五个边界：任务能接触哪些资料、能调用哪些工具、每一步由谁确认，以及失败后能不能找到原因。资料范围没有锁定，模型答得再顺也可能引用错文件；工具没有边界，一次误调用就会把试验变成生产动作；运行过程没有记录，出了问题只能凭最后一句回答猜测。

AI 时代，MOM（制造运营管理系统）该如何演进？中AI 时代，MOM（制造运营管理系统）该如何演进？——从零设计一套适配多品类产线的通用 MOM 架构04　架构全景（六层 + 两横切）