workflow

【无标题】把客服对话交给 Agent 生成问题报告，关键是让每条判断都有明确身份：用户实际说了什么，团队据此推断了什么，还需要验证什么。先摘录事实并绑定来源，再归类问题，最后写建议；不能让模型直接把零散抱怨拼成已经确认的产品故障。表达流畅的报告，也可能把使用困惑、功能需求和真实异常混在一起。

Blockbuater_drug

《AI Agent原理与实战》2026版第1课 AI Agent 是什么：定义、分级与适用边界本文收录于专栏 agent智能体系列 —— 专栏系统覆盖 AI Agent 的记忆、工具、插件与实战，点击订阅可跟踪后续更新。

Agent 模型怎么选？先把路由规则写进 Runtime同一个 Agent 可能要做资料分类、长文总结、代码生成和结构化抽取。把所有请求都交给一个模型，配置简单，却很难解释成本、延迟和结果差异；让模型自己临场决定，又会把路由标准藏在一次次对话里。更稳的做法，是先把任务分成少数几类，再为每类写清首选模型、备用模型和不能接受的结果。

Agent 定时任务总跑偏？先写清触发和补跑规则Agent 每天定时运行，要先确定三个问题：按哪个时区启动，处理哪段时间的数据，错过时点后怎样补跑。定时器只负责发出启动信号，输入是否齐全、报告是否仍有用、旧任务是否需要补做，都需要单独的业务规则。只写“每天生成日报”，模型就可能把运行当天、资料更新日期和报告所属日期混在一起。

Agent Runtime 需要预览模式吗？先生成变更清单，再提交真实动作当 Agent 要批量改状态、更新字段或发送通知时，直接执行会让人很难在动作发生前发现范围错误。模型可能理解错对象，也可能把多条记录合并成一个模糊意图。把“准备改什么”和“真的改了什么”放在同一个节点里，出了问题只能事后追溯。

我是小白呀

21-Workflow与AI-Agent怎么分工：确定流程里容纳不确定判断第 19 篇用 Temporal 验证持久执行，第 20 篇用 Camunda/BPMN 验证可读模型。到了第 21 篇，客户可能提出一个看似自然的问题：“既然 AI 能读材料，能不能让 Agent 直接审核、直接调用 ERP、直接把客户设成 ACTIVE？”这句话把三个不同责任混在一起。阅读资料和提出疑点，是概率性判断；批准申请，是有身份和规则版本约束的人工作业；操作 ERP 与权益，是可能产生跨系统副作用的命令。把这三件事都交给一次模型输出，确实能很快做出 Demo，但上线后将无法解释某个客户为何被批

我是小白呀

23-AI说可以开通以后呢：权限、审批、审计与执行门禁本文是「企业级 Workflow 实战」系列第 23 篇。沿用 AcmeFlow 企业开通申请案例：AI 能整理材料、给出风险提示与建议，真正改变业务状态的命令仍须经过可信身份、人工审批、独立事实和审计检查。文末提供只依赖 Python 标准库的本地实验。实验结果不等于生产系统已经完成鉴权、ERP 集成或并发验证。

我是小白呀

24-从提交到服务开通：交付一个可恢复、可升级的企业Workflow系统图：AI 生成的场景封面，用于表现交付与运维协作；并非真实企业现场照片，也不是实验截图。这是「企业级 Workflow 实战」专栏的第 24 篇。我们用 AcmeFlow 星河设备客户维保服务开通案例，交付一个可复现的端到端教学验收切片：提交申请，收集审批、签署和到账事实，遇到远端结果未知时停下并对账，再让新旧规则实例按各自版本运行。随文代码由一个 SQLite 业务库和一个独立的 SQLite 模拟远端库组成；它没有把 Temporal、Camunda、n8n、LangGraph 同时装进一个生产系统，

进击的雷神

手写 AI Agent 工作流太折腾？拖拽式可视化编辑器 CC Workflow Studio 上手记最近我在折腾 AI 编程工作流——你想让 Claude Code 自动做 PR 审查，或者让好几个 Agent 分工协作，最后发现最麻烦的不是写提示词，而是把这一整套流程用 JSON / Markdown 配出来。

我是小白呀

17-企业Workflow引擎怎么选：定时、队列、n8n、Temporal与Camunda讨论“用什么工作流引擎”很容易变成工具偏好投票。有人习惯 cron，认为加一张表就够；有人在消息队列上做过项目，主张所有步骤都异步；有人擅长 n8n，希望用可视化节点尽快接 CRM；有人喜欢 Temporal 的代码式长流程，也有人认为企业人工审核必须从 BPMN 和 Camunda 开始。每个意见都可能有合理的局部场景，但若不先定义业务硬条件，工具比较就只剩产品演示、学习曲线和个人经验。

我是小白呀

n8n 实战：把 AcmeFlow 的 READY 事件接到 CRM 通知第 17 篇讨论了为什么主链与旁路可以选不同工具。现在做一个具体而有限的练习：AcmeFlow 客户申请在审批、当前资料版本签署、到账全部齐备后进入 READY，通过 Outbox 发出 APPLICATION_READY 事件；n8n 收到事件，向 CRM 写一条客户经理通知。这里的“通知”是旁路副作用，它失败会产生待重试投递和告警，但不会把申请退回 APPROVED，也不会让 n8n 自行把主状态改为 ACTIVE。ERP 确认创建仍由 AcmeFlow 主状态机负责。

我是小白呀

19-Temporal项目实战：将客户开通流程迁移到持久执行架构在前面的 AcmeFlow 案例里，星河设备客户开通中心已经有了申请、运营审核、合同签署、到账、ERP 创建与权益开通。第十一篇讨论过为什么长时间等待不能只靠一段常驻 Python 进程。本篇更进一步：假设业务已经跑在旧的数据库调度器上，现在决定引入 Temporal，怎样让新实例使用持久执行，同时让正在处理的旧实例安全收尾？这不是把一段函数改写成装饰器的问题。真正危险的是迁移窗口里两个系统都以为自己是同一申请的主人，一个在旧表里扫描任务，一个在新引擎里等待消息，然后都去调用 ERP。

工业网关任务编排:从 DAG 到 Workflow 的工程实战工业网关上的任务通常不是孤立执行的：设备数据要先采集，再清洗、聚合、写入本地库或上传平台；异常事件要触发诊断任务；部分指令还要等待设备确认。任务一多，如果没有清晰编排，就容易出现依赖混乱、重复执行、失败后无人处理、上线后无法追溯等问题。

【AI应用】Agent：AI 为什么需要“自主决策”？前两篇我们分别介绍了：到这里，AI 已经可以完成很多实际任务。例如：但随着任务复杂度增加，一个问题逐渐出现：

拒绝重复造轮子：我写了一个生产级的 Kotlin 协程与 Flow 工具库（CoroutineKit）在日常的 Android 和 JVM 开发中，我们几乎每天都在和 Kotlin 协程（Coroutines）和 Flow 打交道。

Spring AI 2.0 进阶入门：Workflow、Routing、Task State 与可控 Agent前面的学习已经完成了 Memory → RAG → Tool → MCP → Structured Output。这些组件解决了 Agent 能知道什么、能够调用什么以及怎样把结果交给 Java 的问题。

一条指令，让 Claude Code 每天定时帮你追热点：动态工作流Workflows从 0 到 1 全流程一句话结论：Claude Code 的动态工作流（Dynamic Workflows）让你把「编排多个 AI 子代理」这件事从「逐句对话」变成「一段可复用的脚本」。脚本在后台跑，几十个 agent 并行干活，最后只把结论吐回给你。本文讲清它是什么、怎么装、怎么写、怎么定时跑，并用一个「每日热点雷达」实战把它串起来。

纪伊路上盛名在

Github workflow中如何设置private环境变量比如说workflow中调用某一个py程序，需要输入用户邮箱、私人api key，比如说llm 的api-key。

Workflow 与 Agent：AI 应用的两大范式如果你接触过 LangChain，一定见过这样的代码：这短短几行，背后是一个深刻的概念——AI 工作流（Workflow）。pipe 像传送带一样把数据从上一个节点送到下一个节点，就像企业的流水线。本文就从这里出发，讲清楚什么是 Workflow，它与 Agent 有什么本质区别，以及未来两者如何融合。

梦想很大很大

从 Scope State 到 Guardrails：Workrun 如何为 Agent 工作流建立安全边界在构建复杂 Agent 工作流（Multi-Agent Workflow）时，开发者面临的最严峻挑战往往不在于 LLM 的推理逻辑，而在于数据流（Data Flow）与工具链（Tool Chain）的越权与泄露。