《扣子开发AI Agent智能体应用（人工智能技术丛书）》(宋立桓，王东健，陈铭毅，程东升)【摘要书评试读】- 京东图书

《扣子开发AI Agent智能体应用》案例重现开发agent智能体的书籍-CSDN博客

工作流是指一系列相互关联的步骤或任务，用于完成特定的业务过程或项目。它定义了任务的顺序、执行者以及相关的条件和规则，以确保流程的顺利进行和最终目标的达成。本章将介绍扣子工作流的分类、解决的问题、逻辑结构。

工作流及其分类

工作流在日常工作中很常见。例如，财务报销要经过填写报销单、提交发票、财务审核、分管领导审核等步骤，就是典型的工作流；软件开发领域的CI/CD流水线也是一种工作流。扣子的工作流与传统工作流类似，但也有不同之处。传统工作流既可以手动执行，也可以自动执行，或者二者结合。扣子的工作流是一种自动执行多个相关步骤的可复用流程，一个Bot可以使用多个工作流，即Bot可以根据用户的行为选择并执行不同的工作流。

1. 扣子工作流

扣子工作流是一种通过可视化方式，组合插件、大语言模型、代码块等功能节点，用于实现复杂业务逻辑的流程编排。它允许用户通过拖放的方式，将不同的功能节点连接起来，形成一个完成特定任务的工作流程，使得解决问题的逻辑更加清晰，输出更加稳定和可靠。讲到这里，自然会产生一个疑问：为什么大模型不直接执行完成相关的任务，告诉我们结果就行？为什么还要引入一个工作流？

原因很简单，虽然现在的大模型比较智能，但是还没有达到绝顶智能的程度。大模型（或者说生成式AI）是基于概率来生成内容的，这就意味着它并不是每次都能给出符合要求的结果，特别是对返回结果要求比较精确的场景。

工作流的核心在于将大模型的能力与特定的业务逻辑相结合，通过系统化、流程化的方法来实现高效、可扩展的AI应用开发。工作流也是对当前大模型能力不足的一种补偿机制，在大模型智能化程度还不够高的时候，通过人为编排的工作流（注入人的智能），让智能体具有更高的可用性和可靠性，从而提升用户体验。

2. 扣子工作流的分类

扣子提供以下两种类型的工作流：

（1）工作流（Workflow）：用于处理功能类的请求，可通过顺序执行一系列节点实现某个功能。适合数据的自动化处理场景，例如生成行业调研报告、生成一张海报、制作绘本等。

（2）对话流（Chatflow）：是基于对话场景的特殊工作流，更适合处理对话类请求。对话流通过对话的方式与用户交互，并完成业务逻辑。

相较于工作流而言，对话流更适合处理对话场景下的交互逻辑。每个对话流都绑定了一个会话，运行时可以从此会话中读取历史消息，同时将本次运行对话流产生的消息记录在这个会话中，相当于一个拥有了记忆的工作流。

你如果需要搭建一个智能体，智能体本身支持上下文和会话能力，那么可以随意选择工作流或对话流。

如果你需要搭建一个对话式的AI应用，例如AI助手、智能体客服等基于对话方式交互的AI应用，推荐你使用对话流。对话流中的大模型可以读取会话上下文、管理会话，还可以搭建对话式的用户界面，并发布到各种社交通信软件中。

如果你需要搭建一个工具类的AI应用，用来批量处理数据、实现任务流程的自动化，可以选择工作流实现。

工作流能解决什么问题

既然我们已经对扣子的工作流有所了解，那么工作流能解决什么问题？或者说在什么情况下要使用工作流？根据作者自己的理解给出一些适用场景，供读者参考。

1. 使用提示词无法达到预期效果的场景

在Coze平台搭建Bot智能体时，一般先从编写提示词开始。有时我们按照提示词工程技巧编写了清晰明确的结构化指令，经过反复迭代优化，仍然达不到预期效果，那么可以考虑采用工作流。例如，在长文本写作（如调研报告）中，先要收集相关资料，生成写作大纲，划分各个章节，再对各个章节进一步收集资料、逐步生成内容，最后进行总结。仅仅通过提示词，大模型可能难以产生一篇结构合理、内容翔实的文章，这时可以通过工作流来实现。

2. 需要多次调用插件或外部工具的场景

有些大模型具有Function Call能力，可以调用外部工具。但如果需要调用多个外部工具，且它们具有严格依赖关系时，大模型可能不是每次都能很好地完成目标。例如，我们需要根据一个URL获取网页内容、总结要点、生成思维导图。其中，“网页内容抓取”和“生成思维导图”两个步骤都需要调用外部工具（插件），中间还需要大模型来总结要点。在这种情况下，通过工作流可以实现高效的流程管理。

3. 需要使用代码加工数据或生成响应的场景

我们利用大模型虽然能够产出还不错的内容，但是很难对数据进行精确处理。在这种情况下，可以使用工作流中的代码节点来解决精确处理的问题。在Coze官方文档中介绍了一个使用工作流和代码节点生成随机数的例子，读者可以查阅一下。

4. 需要根据某个条件执行不同分支来处理的场景

例如，开发一个答题Bot，根据用户选择的不同选项来回复不同的内容。

5. 需要在一次用户请求中多次输出消息的场景

大模型的工作方式是一问一答，即根据输入产生输出。在一些比较复杂的应用中，可能需要对一次用户的问题回复多条消息；或者一次完整输出的耗时较长，为了提高用户体验，需要分为多次输出。在这种场景中，可以在工作流中使用消息节点来实现多次输出。

扣子工作流的逻辑结构

简单来说，扣子工作流是一个有唯一输入和唯一输出的有向无环图。一个工作流是由一系列首尾相连的功能节点构成的，如图4-1所示。工作流的核心在于节点，节点是一个具有特定功能的独立模块，代表一个独立的步骤或逻辑。这些节点负责处理数据、执行任务和运行算法，并且它们都具备输入和输出。每个工作流都默认包含一个开始节点和一个结束节点。

图4-1 扣子工作流的逻辑结构

除了开始节点和结束节点是每个工作流中固定且唯一的节点之外，其他节点都可以任意添加。最简单的工作流可以只有一个开始节点和一个结束节点。开始节点是工作流的起始节点，定义启动工作流所需的输入参数。开始节点默认有一个输入参数 input，表示用户在本轮对话中输入的原始内容。结束节点是工作流的最终节点，用于返回工作流运行后的结果。结束节点支持两种返回方式：返回变量和返回文本。

通过引用节点的输出，你可以将节点连接在一起，形成一个无缝的操作链。例如，你可以在代码节点的输入中引用大模型节点的输出，这样代码节点就可以使用大模型节点的输出。在工作流编辑页面中，你可以看到这两个节点是连接在一起的。创建工作流就像搭积木，不同的积木（节点）可以自由组合，搭建成不同的形状（功能）。将一个任务分解为多个子任务，每个子任务对应一个节点，通过数据流将这些节点链接起来，便形成了工作流。

比如下图就是一个简单的工作流，包括3个节点：开始节点、大模型节点和结束节点。