工作流编排基础（续）

时长：约 69 分钟（4145 秒）

本节要点

完成上一课「销售话术分析」案例：预览输出报告，看到综合打分、分维度分析与落地话术建议。
常用工作流模式（二）：条件分支——状态驱动的「单入口、多出口」路径抉择。
实操：在 Coze 搭建「生成问卷」智能体，用「大模型节点 + 条件选择节点 + 合并节点」实现分支逻辑。
常用工作流模式（三）：循环迭代，以及严防死循环的双重保障。
常用工作流模式（四）：并行与汇聚，突破串行瓶颈。
工作流编排工具概览：代码框架、低代码平台、企业级框架。
工作流引擎内部机制：解析构建、调度执行、状态维护、错误处理。
什么是工具/插件，以及把工具封装成「名称 + 描述 + 参数规范」的关键做法。

一、续：销售话术分析案例的完整闭环

课程先接上一课，跑通了 Coze 里「销售话术多维分析」智能体的完整链路。输入一段销售对话后，工作流输出一份结构化报告：

综合打分：满分 100 分，并附评分说明；
分维度专业分析：话术结构完整性、需求匹配、异议处理、信任建立、促成策略等；
优化改进建议（落地话术版）：给出「开场身份锚定话术」「场景化价值输出话术」「异议处理标准话术」等可以直接照着用的说法。

这印证了上一课的设计思想：先让大模型做结构化 JSON 分析，再让人性化润色成报告，机器处理与人类阅读分离。

二、常用工作流模式（二）：条件分支

条件分支是「状态驱动的路径抉择」：在工作流执行的关键节点，系统依据状态中的特定数值或标识（如用户意图、数据阈值）作为判断条件，动态选择后续分支，形成「单入口、多出口」的处理逻辑。

NodeA → [Condition] → True  → NodeB
                     → False → NodeC

典型场景是多意图的并行/串行处理。以智能客服为例：用户输入「查明天去上海的机票并看天气」，LLM 节点先识别出「航班查询」和「天气查询」两个意图；随后进入条件节点判断——检测到「航班意图」就调用机票查询工具，检测到「天气意图」就调用天气查询工具，实现多需求的精准分流。

主流实现分两个层次：

传统方式：代码硬编码，用 if-else 语句写死条件判断逻辑，适配性较弱；
进阶方式：LLM 驱动路由，直接让大模型分析当前上下文状态，自主决策下一个要调用的节点或工具，大幅提升灵活性与泛化能力。

课程还用代码类比了单分支 if 与多分支 if / else if / else：如果 name == '张三' 就推荐方案 A，name == '李四' 推荐方案 B，否则推荐方案 C——工作流里的条件节点就是把这套判断「可视化」了。

三、实操：在 Coze 搭建「生成问卷」智能体

3.1 任务与设计思路

任务：根据用户不同的输入内容，输出「问卷主题」和「调查核心」；如果输入内容里没有调查核心，则调查核心输出为 0。

工作流的实现思路（先画图再动手搭节点）：

开始节点(user_input)
   ↓
大模型节点：结构化解析，输出「问卷主题」「调查核心」两个变量
   ↓
IF 选择节点：判断「调查核心」是否为空 / 无有效信息
   ├─ 分支1（条件成立，没有调查核心）→ 赋值节点：把调查核心设为数字 0
   ├─ 分支2（条件不成立，存在调查核心）→ 直接透传原值
   ↓
合并节点：把两条分支汇总（扣子工作流必须会合分支，否则结束节点拿不到变量）
   ↓
结束节点：返回用户

3.2 两个大模型节点的提示词

第一个「意图识别 / 问卷解析」节点负责结构化提取，提示词要点：

角色：问卷解析助手；
任务：读取用户输入，提取两个信息——问卷主题、调查核心；
规则：问卷主题用一句话概括本次调研；调查核心提炼用户明确说明的关键信息点，若用户完全没说调研内容则填 0；
输出：只输出标准 JSON，不要多余文字、不要解释、不要 markdown。

第二个「问卷设计专家」节点用于兜底：当 q_core == 0 时，根据用户给出的主题，专业地推荐 5 个最应该调研的核心维度，输出 suggest_core（维度列表）和 suggest_desc（说明）。

试运行示例：输入「帮我做食堂就餐满意度问卷」，工作流输出问卷主题为「食堂就餐满意度调研」，并给出「薪酬福利、工作环境、职业发展、管理方式、工作压力」等推荐维度。

四、常用工作流模式（三）：循环迭代

循环迭代指智能体重复执行一个或一组任务节点，直至触发预设的退出条件。执行逻辑为：

执行节点A → 执行节点B → 条件判断 → 满足则退出，不满足则返回节点A重新执行

两类典型场景：

反思与改进：生成报告后，LLM 评估结果不达标，自动调用工具补充资料并重新生成；
容错重试：工具调用出现网络超时、接口报错等临时性失败时，自动触发有限次数的重试，提升任务成功率。

关键安全事项：使用循环必须严防死循环，需要设置双重保障——首先要有明确、可达成、可验证的业务退出条件（如结果符合质量阈值）；其次要配置最大迭代次数作为兜底限制，即使逻辑出现偏差，也能在固定次数后强制终止，避免资源无限消耗。

五、常用工作流模式（四）：并行与汇聚

并行与汇聚解决的是「无依赖任务」的效率问题。

并行：从起点节点同时启动多个相互独立的任务分支，各分支互不干扰、同步运行；
汇聚：设置统一的等待节点，必须等所有并行分支任务全部完成后，才触发后续节点执行。

节点A → 并行分支(B & C) → 汇聚节点 → 节点D

典型场景：复杂主题的信息查询，同时触发「互联网全网搜索」「内部知识库检索」「学术论文数据库查询」三个独立分支，等所有检索工具返回结果后，再由 LLM 统一汇聚、分析、提炼，生成全面回答，避免了串行检索的耗时问题。

核心价值：把原本依次执行的独立任务改为并行处理，最大程度利用系统资源，显著压缩总耗时，是处理无依赖关系多任务场景的最优解。

六、工作流编排工具概览

01 代码框架：以 LangChain 和 LlamaIndex 为代表，适合开发者深度定制。LangChain 生态庞大，提供 Chains、Agents、Vector Stores 等丰富组件；LlamaIndex 专注连接 LLM 与私有数据，在非结构化数据处理、索引构建与 RAG 场景有独特优势。
02 低代码/无代码平台：主打可视化编排与快速落地。Dify 开源易用，支持快速构建部署对话、问答类应用；字节跳动 Coze（扣子）社区活跃，提供直观的工作流设计界面；Flowise 基于 LangChain 封装，可拖拽式搭建 LLM 应用。
03 企业级/专业级框架：聚焦生产级稳定性。LangGraph 由 LangChain 团队推出，专注构建有状态、多步交互的 AI 智能体，适配长流程业务；Temporal 是成熟的分布式工作流编排引擎，提供容错、重试、状态持久化等高级特性。

七、工作流引擎内部机制

工作流引擎内部有四个关键环节：

解析与构建：读取 JSON/YAML 或代码形式的工作流定义，解析为节点与边组成的图结构，再构建执行计划，明确节点类型、依赖关系与执行顺序；
核心调度执行：调度器管理全生命周期，从开始节点启动流程，按边的指向依次调用节点的 run() 方法，并负责节点间数据传递，把前序输出作为后续输入或更新共享状态；
全局状态维护：维护统一的全局状态对象，节点执行前读取上下文，执行后更新状态，保障数据一致性与可追溯性；
鲁棒性错误处理：节点级自动重试机制处理 API 超时等临时故障，同时提供流程级异常捕获，按预设策略进行容错、告警或中断。

八、案例演示：一个简单工作流的拆解

课程以「明天北京天气怎么样？下雨提醒带伞」为例，把工作流拆成五步：

接收用户输入：捕获用户指令，提取关键信息（城市：北京，日期：明天），存入系统状态库；
调用天气工具：读取状态中的城市与日期参数，调用外部天气 API（get_weather）查询，把结果写回状态；
条件判断分支：读取天气结果，判断「是否包含雨/雪等降水关键词」。是 → 进入「发送邮件提醒」节点；否 → 直接跳转结束节点；
执行邮件提醒：触发邮件工具节点（send_email），按预设模板生成邮件发送至指定地址，并记录成功/失败状态；
工作流终结：无论是否触发邮件，最终都汇聚到结束节点，清理临时状态、释放资源。

九、什么是工具 / 插件

工具（插件）是智能体可调用的外部函数或服务，是智能体与现实世界交互的关键接口。其核心作用是突破大模型「只能文本生成」的局限，赋予它执行实际操作的能力。

主要形式包括：

调用天气、航班等远程 Web 服务的 API 调用；
执行数据处理、逻辑判断的应用内 Python 函数；
实现 SQL 增删改查的数据库操作；
动态执行代码片段（需注意安全风险）；
读取、写入本地文件的文件操作。

关键封装：为了让 LLM 能准确理解并调用工具，必须把工具封装为包含「名称、描述、参数规范」的结构化对象。这个封装过程是工具开发的核心环节，直接决定智能体调用工具的准确性与效率——这正好引出下一课「自定义工具」的主题。

小结

本课把工作流编排从「概念」推进到「模式与引擎」。四种常用模式各有分工：顺序执行最直观、条件分支做路径抉择、循环迭代做反思与重试、并行汇聚提效率。实操上，用「大模型节点 + 条件选择节点 + 合并节点」就能搭出带分支的工作流。最后落到工具层面：工作流引擎负责解析、调度、状态与容错，而「工具」则是智能体连接现实世界的接口，封装成「名称 + 描述 + 参数规范」是重中之重。

自测题

条件分支的「单入口、多出口」是什么意思？请写出条件分支的典型执行形态。
「生成问卷」工作流里为什么要加一个「合并节点」？两条分支分别在什么时候触发？
循环迭代有哪两类典型场景？防止死循环的双重保障是什么？
并行与汇聚模式适合什么场景？它相比顺序执行的核心价值是什么？
工作流引擎内部机制包含哪四个环节？把工具封装成结构化对象时，必须包含哪三个要素？

答案提示：1. 一个节点进入、根据条件走不同出口；NodeA → [Condition] → True→NodeB / False→NodeC。2. 扣子要求分支必须会合，否则结束节点拿不到变量；分支1=调查核心为空时设为0，分支2=有调查核心时透传。3. 反思改进、容错重试；明确可验证的退出条件 + 最大迭代次数兜底。4. 无依赖关系的多任务；把串行改并行、压缩总耗时。5. 解析构建、调度执行、状态维护、错误处理；名称、描述、参数规范。