workflow

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。

ZGI 文件产物：生成报告后怎样交付企业让智能体生成一份报告，常见的麻烦出现在最后一步：文件确实生成了，却不知道归到哪个任务；链接发给了不该看到的人；流程结束后找不到产物；外部系统只收到一段文字，没有拿到文件。生成动作完成，交付链路仍有几项工作需要安排。

ZGI Agent 发布：配置改了，线上为何还是旧版本Agent 的配置变化要经过保存、测试和发布，线上入口读取的配置范围也需要单独确认。开发者在草稿里改了模型、知识或 Workflow，测试页面可以立即看到变化；已发布入口仍可能继续使用上一版。两边表现不同，并不一定是模型随机性造成的。

技术小甜甜

Dify 工作流场景目录（2026）：客服、回访、采购、知识库、系统集成怎么找入口安装/排错还没稳住？先回 Hub-01，再回来选场景。很多人搜「Dify 工作流示例」「Dify 场景模板」「售后工单 Workflow」，并不是想再看一篇节点说明书，而是：今晚先决定做哪条业务流，以及该点进哪篇深文。

梦想很大很大

Workrun 进度更新：从理念到解决具体问题前不久我发了一篇文章《如果有一个本地优先的 Workflow 工具，你们团队会愿意用吗？》，和大家聊了聊我对本地优先工作流工具的一些构想。

星野云联AIoT技术洞察

Dify 适合什么 AI 应用项目：Workflow、RAG、Agent 与自研系统的边界如果项目的核心工作是把用户输入、知识检索、模型调用、条件分支、工具调用和结果输出串成一条可观察的 AI 流程，Dify 往往比从零开发更快。它把 Workflow、知识库、模型配置、插件和应用 API 放在同一工作台里，产品、业务和工程团队可以围绕同一条流程协作。

为什么选 MiniClaude：一个精简开源替代方案的选型过程电脑上原本装的是官方 @anthropic-ai/claude-code（v2.1.215）。这是一个由 Anthropic 官方发布的命令行 AI 编程助手，在 GitHub 上有 139k star。

ZGI Workflow：让知识检索进入业务流程知识库回答准确，只解决了“找到什么资料”。当企业希望系统继续核对字段、判断条件、发起审批、写入数据或发送通知时，需要把检索结果接入 Workflow。知识提供任务依据，流程负责安排执行顺序、条件分支、人工节点和失败处理。

JavaDog程序狗

【规范】这套 Git 规范，救了整个团队那天凌晨 2 点，小李一条 git push --force，把 master 上三天的提交历史抹得干干净净。没人知道线上代码对应哪个 commit，没人敢发布，领导在群里甩了一个字：查。事后复盘，领导写下一份团队 Git 规范。今天全文公开，只要团队超过 3 个人，照抄就能用。

ZGI：工作流分支失控，先把规则拆出 Prompt工作流分支越来越多，通常说明不同类型的规则被塞进了同一段 Prompt。模型既要理解用户意图，又要记住业务条件、选择工具、判断权限和决定异常处理，任何一条规则变化都可能牵动整段提示词。更稳的做法，是先给规则分类，再放进知识、Skill、Workflow 或人工审批对应的位置。

ZGI 企业智能体：从 Demo 到稳定上线ZGI 企业智能体从 Demo 进入生产环境，需要完成一次运行方式的调整。演示阶段通常关注模型能否回答问题，上线后还要管理数据范围、工具权限、任务状态、人工审批和失败记录。ZGI 作为可自托管的智能体运行时（Agent Runtime），可以把 Agent、工作流（Workflow）、知识、技能（Skills）、模型和受控执行放进同一工作区，帮助团队建立可检查的运行链路。

梦想很大很大

如果有一个本地优先的 Workflow 工具，你们团队会愿意用吗？大家好，最近在思考关于开发者/团队“工作流自动化”的一些场景，想和大家交流一下大家目前的真实做法。在日常开发、运维或数据处理中，很多团队都会有一些“胶水自动化”的需求，比如响应 Git / CI 事件、串联内部 API、批量处理数据、自动生成测试或发布报告，以及结合 LLM 做代码、文档或日志分析等。

用 Rust 打造 AI 时代的 SQL：把重复任务变成可执行文件每天让 AI 做重复的事，prompt 模板和输出格式几乎一模一样，但你从来没想过把它们"写下来"，因为你下意识觉得——这是跟 AI 聊出来的，不是程序能跑的。