工作流编排基础

时长：约 34 分钟（2012 秒）

本节要点

智能体的整体架构：用户输入 → 编排引擎 → LLM 推理 → 工具执行 → 结果返回的闭环。
工作流的定义，以及智能体遵循的 ReAct「思考—行动—观察」循环。
工作流三大基础概念：节点（Node）、边（Edge）、状态（State）。
DAG（有向无环图）的含义、形态与核心优势。
常用工作流模式之一：顺序执行。
实操：在 Coze（扣子）平台搭建一个「销售话术多维分析」智能体，理解业务拆解 → 调用链路 → 节点选择 → 提示词编写的完整过程。

一、智能体整体架构概览

课程开篇先给出智能体的整体架构。一个智能体本质上是一个「感知 → 思考 → 行动」的闭环：

用户输入 → 编排引擎 → LLM 推理 → 工具执行 → 结果返回

架构里有三个关键角色：

编排引擎：智能体的「核心大脑」。它接收用户的自然语言请求，管理任务全流程，决定什么时候让 LLM 推理、什么时候调用工具，并维护任务上下文与状态信息。
LLM 推理：智能体的「思考单元」。它接收编排引擎的指令与当前状态进行逻辑推演，输出形式很灵活——既可以是直接的自然语言回答，也可以是结构化的工具调用指令（Function Call）。
工具执行：智能体的「行动单元」。它依据 LLM 给出的指令去调用外部 API（如天气、航班查询）、检索数据库或执行代码，把虚拟推理转化成实际结果。

支撑整个流程运转的三大核心组件是：

工作流定义：规范任务的执行路径，决定「先做什么、后做什么」。
工具集：构建能力资源库，决定「能做什么」。
状态存储器：完整记录任务过程中的上下文与关键数据，保障流程连贯性。

把这三层想清楚，是后面所有编排设计的基础。

二、什么是工作流（Workflow）

工作流是为完成特定目标而定义的、一系列相互关联的任务或步骤的有序集合。它本质上描述的是：如何把初始输入，通过既定的转换规则和操作序列，最终转化为期望的输出结果。

课程用「手冲咖啡」做类比：准备咖啡豆、滤纸、水等原料 → 研磨 → 冲泡 → 收集萃取液 → 根据口味调味。每一步都有明确的先后顺序和依赖关系，这就是一个典型的线性工作流。

智能体的工作流遵循 ReAct 模式，即「思考—行动—观察」的闭环循环：

LLM 基于目标和当前状态，决策下一步动作（思考）；
调用工具执行该动作（行动）；
获取工具返回的结果进行观察反馈（观察）；
循环往复，直到任务达成。

三、工作流编排基础概念：节点、边、状态

要理解编排，先要掌握三个最基础的原子概念。

01 节点（Node）——工作流的原子单元。 节点是工作流中离散的任务步骤，常见类型包括：

LLM 节点：负责思考决策；
工具节点：调用外部 API/函数；
条件节点：控制分支走向；
此外还有开始/结束节点、聚合节点等。

02 边（Edge）——定义执行的逻辑流向。 边是连接节点的有向线段，它既确定节点的执行先后顺序，也承载节点间的数据传递关系，决定了工作流从起点到终点的完整逻辑路径。

03 状态（State）——全局共享的「内存空间」。 状态存储用户输入、中间计算结果与工具返回数据等信息。所有节点都可以读写状态，它是实现循环、分支等复杂业务逻辑的核心支撑。

一句话记忆：节点决定「做什么」，边决定「按什么顺序做、数据怎么流」，状态负责「记住做过什么」。

四、DAG（有向无环图）

工作流底层的数据模型是有向无环图 DAG（Directed Acyclic Graph）。

「有向」：流程有明确的走向，边的方向代表执行顺序；
「无环」：流程不会无限循环，最终必达终点。

智能体工作流的 DAG 形态主要有三种：

顺序执行：线性 DAG，节点一个接一个；
条件分支：单节点引出多条输出边的 DAG；
并行执行：多个节点分流后再次汇聚的 DAG。

DAG 的核心优势：确定性让流程可预测、易调试；无环特性确保工作流可终止，避免死循环；清晰的拓扑结构让流程逻辑可视化，大幅降低设计与维护成本。

五、常用工作流模式（一）：顺序执行

顺序执行是最基础的工作流模式：节点严格遵循预先定义的线性路径依次运行，前一个节点执行完毕后，后续节点才会触发，呈现「Node A → Node B → Node C」的单一走向。

典型场景是任务间存在明确线性依赖的业务。例如旅行行程规划：先获取用户出行需求，再依次查询对应航班信息、匹配目的地酒店资源，最后整合数据生成完整行程方案——步骤不可跳跃，也不可并行。

优点：逻辑简单直观，易于设计、实现与维护；执行路径唯一、确定性高，测试和结果预测难度低。

缺点：缺乏灵活性，无法适配复杂的分支判断；全程串行执行，无法利用并行处理提升效率，整体耗时较长。

六、实操：在 Coze 搭建「销售话术多维分析」智能体

后半节课围绕一个完整案例展开：给销售人员搭建一个「销售话术多维分析」智能体，输入销售对话记录，输出话术分析报告和优化建议。

6.1 先想清楚业务

做任何 AI 项目之前，先要把业务想清楚。课程给出了拆解业务的 5 个核心问题，把模糊需求拆成可量化、可执行的目标：

分析什么？ 销售对话的话术质量（开场、需求挖掘、产品介绍、异议处理、逼单等维度）；
怎么分析？ 用大模型做语义理解 + 结构化输出；
输出什么？ 多维评分 + 具体问题点 + 改进建议；
给谁看？ 销售本人看成长，销售主管看团队质检；
落到什么约束？ 搭建工作流 + 搭建智能体。

「多维」具体展开为：开场白、需求挖掘、产品介绍、异议处理、逼单/促成、沟通技巧等维度。

6.2 设计调用链路与工作流步骤

整体调用链路是：用户说话 → 智能体识别意图 → 智能体调用工作流 → 工作流处理并返回结果 → 智能体回复用户。

设计原则小结：先想清楚业务 → 设计调用链路 → 拆工作流步骤 → 再动手搭节点。

这里有一个关键思想：工作流不是「一个节点搞定所有事」，而是分层处理：

结构化输出：第一次让大模型按 JSON 输出各维度评分（便于机器处理）；
人性化润色：第二次让大模型把 JSON 翻译成易读的报告（给人看）。

分层的好处是「结构稳定 + 表达灵活」——后续要加维度，只需要改第一个节点的提示词。

6.3 大模型节点的提示词设计

核心的大模型节点，系统提示词包含四部分：

角色：资深销售培训分析师，专门分析销售聊天对话，输出专业话术分析报告；
任务：阅读输入对话，从 5 个维度分析；
技能：话术结构完整性、需求挖掘、产品价值呈现、异议处理、促成策略；
限制：仅基于用户提供的对话文本分析，引用原文关键句作为支撑，输出需包含「优势亮点 + 问题清单 + 优化话术示例」三部分。

同时要求：给出综合打分（满分 100 分）、分点输出 5 个维度的分析、最后输出 3～5 条可直接落地的优化话术建议。

小结

这一课建立了智能体工作流的完整认知框架：架构闭环（编排引擎 + LLM + 工具执行）→ 工作流与 ReAct 循环 → 节点/边/状态三要素 → DAG 数据模型 → 顺序执行模式 → Coze 实操。核心方法论是「先想清楚业务，再设计调用链路，最后拆节点写提示词」，并记住「分层处理」——机器处理的 JSON 和给人看的报告分开交给大模型完成。

自测题

请画出智能体整体架构的闭环，并说明编排引擎、LLM 推理、工具执行各自扮演什么角色。
ReAct 模式中的「思考—行动—观察」分别对应什么过程？
工作流的节点、边、状态三个概念分别解决什么问题？各自承担什么职责？
为什么说 DAG 的「无环」特性对工作流很重要？顺序执行、条件分支、并行执行在 DAG 上各呈现什么形态？
在销售话术分析案例中，为什么要把「结构化 JSON 输出」和「人性化润色报告」拆成两次大模型调用，而不是一个节点搞定？

答案提示：1. 用户输入 → 编排引擎 → LLM 推理 → 工具执行 → 结果返回；编排引擎统筹调度，LLM 负责思考决策，工具执行负责实际动作。2. 思考=决策下一步动作，行动=调用工具执行，观察=读取工具返回结果。3. 节点定义「做什么」，边定义「顺序与数据流」，状态负责「记住上下文」。4. 无环保证流程可终止、不陷入死循环；顺序=线性 DAG，分支=单节点多输出边，并行=分流后汇聚。5. 结构稳定 + 表达灵活，机器处理与人类阅读分离，后续加维度只改第一个节点。