AI Agent 工作流:一步步搭出能跑通的版本

AI Agent 工作流:一步步搭出能跑通的版本

2026年5月25日
228 次阅读
ai-agent workflow agentic-workflows llm tutorial best-practices validation

嗨,我是 Lena。所谓 AI agent 工作流,本质上就是一个结构化的循环——LLM 先做推理,调用工具,观察结果,再决定下一步该干什么,循环往复,直到任务完成。如果你之前读过关于 agentic workflows 的内容,这个概念你已经懂了。这篇文章想讲的是另一件事——几乎没人讲清楚的那部分:怎么真的搭出一个能跑通的工作流。

过去几周,我从"我理解这个概念"走到了"我搭了个东西、它不会每跑三次就崩一次"。这中间的差距比我预想的大得多。这里写的就是我实际走完的流程——不是教科书版本,而是经历了真实失败之后还活着的那一版。

动手之前:先把工作流契约写清楚

输入、输出、成功标准、负责人、失败状态

这一步我第一次做的时候跳过了,结果一天内就后悔了。

在你碰任何框架之前,先把五件事写下来:输入是什么,输出是什么,"完成"长什么样,谁对结果负责,失败了怎么办。 这就是你的工作流契约。它能挡掉一个最常见的错误——搭出来一个"在做事"的 agent,但没人能说清它做的事对不对。

我那个客服工单分发器的契约是这样的:

  • 输入: 客户消息(文本,2000 字以内)
  • 输出: 分类后的类别 + 起草好的回复
  • 成功标准: 类别正确率 ≥ 90%,回复通过人工审核
  • 负责人: 客服团队 lead 每天审一次
  • 失败状态: 如果分类置信度低于阈值,转人工——不要瞎猜

最后一条比大多数人想得都重要。没有定义失败状态的 agent,就是一个会默默输出垃圾、直到客户投诉才被发现的 agent。

Step 1:挑一个工作流,不是一整个产品

……大多数人栽就栽在这里。

我差点上来就说"做一个能搞定所有客服的 AI"。那不是一个工作流,那是一份产品路线图。Anthropic 关于 building effective agents 的文档说得很直白:从最简单的方案开始,只有在必要时才提升复杂度。

挑一个工作流。 一个边界清晰、可重复执行的任务。"对进来的工单做分类、再起草一条回复"——这是一个工作流。"自主处理所有客户交互"——那是上线第一个月不可能完成的幻想。

如果你没办法在两分钟内向一个新同事讲清这个工作流是什么,那就是范围太大了。继续缩,直到能讲清为止。

Step 2:把工作流图画出来

任务节点、工具调用、决策点、审核关卡

一开始我抗拒画图。然后我跳过画图直接动手搭,结果花了两个小时调一个我根本不知道存在的循环。

AI agent 工作流图不需要画得多漂亮,纸上的方框加箭头就够用。关键是要标清楚四类元素:

任务节点——LLM 真正在干活的地方(分类这段文字、生成一段摘要、起草一条回复)。每个节点只做一件事。

工具调用——agent 伸手到外部的地方(查数据库、调 API、搜文档)。每一次工具调用都是潜在的失败点,必须标出来。

决策点——基于条件分叉的地方(如果类别 = 计费,走左边;如果类别 = 技术,走右边)。这些必须是显式的,不要交给模型自己判断。

审核关卡——人工检查输出、然后工作流才继续的地方。我一开始没加,后果在 Step 5 会讲。

图画出来之后能看到代码里看不到的东西。我发现自己的工作流有一个分支,agent 会在两个节点之间无限循环——纸上一眼看得到,写在代码里却隐形,直到把我的 API 预算烧光才暴露出来。

Step 3:加上工具和数据访问

API、数据库、文档、文件系统、浏览器

工具是 agent 和 chatbot 的分界线。但我吃过亏才学到一件事:工具更多不等于性能更好。 Anthropic 工程团队提到,太多工具或功能重叠的工具会让 agent 分心,影响它选择高效的执行策略。

我那个工单分发器,一开始挂了六个工具,最后剩下三个。活下来的是:

  • 知识检索——从内部文档里查相关答案
  • 工单系统 API——读取工单元数据(优先级、客户层级、历史记录)
  • 回复起草工具——基于检索到的上下文生成回复

被我砍掉的那三个呢?一个网页搜索工具(内部工单根本不需要)、一个情感分析工具(LLM 自己就能处理得够好)、一个通知工具(放在 agent 循环外面更合适)。

每个工具都需要一份清晰的描述,告诉模型什么时候用它,而不仅是它做什么。"账单相关的问题用这个工具" 比 "查询账单数据库" 要好用得多。

我现在也不敢说工具描述写对了。这部分总让我有种感觉——可能现在写错了,但要很久以后才会发现。

Step 4:只在真的有用的地方加内存

哪些记住、哪些重算、哪些丢掉

内存是 agent 设计里被过度使用的功能。不是每个工作流都需要它。Anthropic 工程团队把上下文形容为一种关键但有限的资源——挑战在于决定保留什么、丢掉什么。

我的工单分发器是单次工作流——消息进来,处理一遍,结果出去。完全不需要内存。每次跑都从零开始,调试简单,行为可预测。

但如果我在做的是一个跟踪客户长期问题的多轮助手,内存就是必需的了。问题不是"我要不要加内存",而是 "哪些具体信息一旦被遗忘,输出质量就会下降?"

三个分类帮我做决定:

要记住的: 客户 ID、长期问题的对话历史、之前的解决尝试。没有这些,agent 会重复问同样的诊断问题。

要重算的: 当前工单状态、最新的知识库检索结果。这些会在两次会话之间变化,缓存它们只会带来过期上下文的问题。

要丢掉的: 中间推理步骤、失败的工具调用尝试、调试日志。把这些留在上下文里只会浪费 token,并且可能干扰后续运行时的模型判断。

Step 5:加上验证和人工审核

测试用例、检查清单、交接点

我加人工审核加得很晚——是在我已经部署了一版"在工作"的系统之后。结果发现,"在工作"的意思只是"在产出输出",不是"在产出正确的输出"。

验证有两层:自动化和人工。

自动化测试用例检查模型应该永远做对的事。我写了大概 30 条带已知正确分类的测试输入。如果 agent 答对的少于 27 条,说明有东西坏了。这一步在每次部署前都会跑一次。

人工审核负责自动化测不出来的部分——语气、细微差别、起草的回复对这位客户来说到底合不合适。我搭了一个简单的交接流程:每一条草稿都进队列,由人审核或修改,他们的修改再反哺到 prompt 改进里。

交接点的位置很关键。 不要把人工审核放在 15 步流水线的末尾。把它放在 agent 判断最容易出错的那个最早的点。对我而言,那个点就在分类之后——如果类别错了,下游所有步骤都白做。

Step 6:在自动化之前先跑失败测试

工具失败、坏输入、上下文过期、错误输出

这一步彻底改变了我对 agent 工作流的看法。

在让工作流接触真实流量之前,我用所有可能出错的情况来挑战它:

工具失败: 知识库 API 超时会怎样?我第一版直接挂死。现在的版本会重试一次,然后回退到通用回复并标记给人工。

坏输入: 遇到空消息、意料之外的语言、或者其实是图片的消息会怎样?agent 必须能处理这些情况而不崩溃。

上下文过期: 知识库没更新、但产品已经变了,会怎样?agent 会自信地引用过期信息。我加了一个时间戳检查——如果文档超过 30 天没更新,回复里会带上免责声明。

错误输出: agent 分类正确、但写了一条糟糕的回复,会怎样?这个最难自动化测试。我用第二次 LLM 调用当评估器——它会拿草稿对照我们的风格指南,标出任何不对劲的地方。

失败测试抓到的问题,是 happy path 测试里我永远不会发现的。不要跳过这一步。

FAQ

搭一个能用的 AI agent 工作流要多久?

一个基础的单任务工作流,几天就能跑起来。但要让它达到生产级别可靠——包含验证、失败处理、人工审核——需要两到四周。

怎么从零搭一个完整的 AI agent 工作流?

先定义工作流契约,挑一个收窄过的任务,把流程图画出来,只加 agent 真的需要的工具,在部署前先把验证和失败测试搭起来。

设计 agent 工作流最关键的几个步骤是什么?

契约定义、任务范围、可视化建图、工具选择、内存决策、验证层、失败测试。跳过任何一步都会埋下后续会复利式放大的问题。

我一直反复想的是这件事:搭 AI agent 工作流最难的部分不是搭出来,而是知道你搭的东西到底有没有真的在工作——以及上周打的补丁,下个月是不是还成立。 那些能活下来的工作流,都是被验证过、做了版本管理、当作工程资产来对待的。

这也是为什么我开始关注 EvoMap 的原因。它的想法是——一个成功的工作流(一个 agent 解决某个问题时所走的路径)可以被记录、被验证、被其他 agent 继承,而不是每次从零重搭。这件事在实践中到底怎么落地,我现在理解得还很浅,但这个问题的方向感觉是对的:一个工作流跑成功之后,接下来会发生什么?

……我会继续观察这块东西怎么演化。

往期文章

相关文章