AI 工作流是把一项任务拆成多个步骤，并按预先设计的规则连接起来的处理流程。某些步骤可以调用 AI，其他步骤可以负责读取数据、检查条件或保存结果。它不一定是一条直线，也可以包含分支、循环和模型判断。
一句话理解：把做事步骤变成可重复的流程
你每周都要把读书笔记整理成分享提纲，如果每次都重新复制、提问、检查和排版，就会重复许多操作。工作流把其中适合固定下来的部分安排好，让相同类型的材料按相同规则处理。
“工作流”本身不专属于 AI。文件审批和表单通知早就可以按流程执行。加入模型以后，某些不容易用简单规则完成的步骤，例如归纳主题或起草说明，也能成为流程的一部分。
一个整理笔记的教学流程
假设任务是从三段自写笔记生成一份读书分享提纲，流程可以这样设计：接收文字，检查是否为空，提取重点，生成提纲，交给你确认。这里是结构示例，不代表已经搭建了在线服务。
如果文字为空，就提示补充，而不是继续要求模型编写；如果提纲缺少来源段落，就退回检查；你确认后再保存。这些不同走向就是分支。分支依据可以是明确规则，也可以使用模型分类后的结果。
循环也很常见，例如逐篇处理几份笔记，或在规定次数内修订输出。循环应该有停止条件，不能只写“不断优化直到完美”。对于会发送消息、覆盖文件的操作，还要防止重复执行带来额外后果。
看懂四种组成就够了
- 输入：本次任务收到什么，例如笔记文字与目标读者。
- 处理节点：某一步做什么，例如提取主题、调整格式。
- 条件与连接：满足什么情况进入下一步，不满足怎么办。
- 输出：交付什么，例如可编辑的提纲，而不是笼统的“成功”。
“节点”只是流程中一个处理步骤的叫法，“变量”则是步骤之间传递的信息。例如前一步输出“重点清单”，后一步拿它生成提纲。不是所有节点都需要调用语言模型：判断输入是否为空，普通程序规则就能完成。
为什么不能只关心最终答案
如果最后的提纲出错，需要能回头查看：原始材料是否完整？提取重点时是否遗漏？写提纲时是否补出了材料没有的结论？每一步的输入和输出可检查，才更容易定位问题。
还应考虑异常路径。网络失败时是重试、暂停，还是交给人处理？某一步没有返回内容，下游是否停止？这些安排看起来不如“自动生成”显眼，却直接影响流程能否可靠使用。
模型输出可能变化，因此相同流程不代表每次得到完全相同文字。对于必须严格符合格式的结果，最好安排明确检查，必要时人工确认，而不是把下一步的正确性完全寄托在模型自觉上。
什么时候值得使用
当任务经常重复、输入类型相对稳定、完成标准可以说明时，工作流比较容易带来价值。例如把固定格式的周记录整理成草稿，或把多篇笔记统一成提纲。
如果只是偶尔修改一句话，直接提问可能已经足够。流程会增加配置和维护成本：素材变了，规则也可能需要改。不要为了“自动化”把所有小事都串进一个庞大的系统。
常见误区：有判断就是智能体？
不是。工作流可以让模型判断文本属于哪类，再进入预先安排的分支。也可以循环修改内容。区别不在于“有没有智能”，而在于步骤和路径主要如何决定。工作流与智能体还有混合实现，后续文章会专门比较。
小练习：先在纸上画五步
为“整理本周读书笔记”写出五个步骤。每一步旁边填上输入、输出，再补两个异常：没有笔记怎么办？模型新增了原文没有的观点怎么办？
最后圈出必须由你确认的地方。只做这个纸面练习就能理解工作流，不需要注册平台或配置开发环境。等步骤清楚、确实会反复使用，再考虑具体搭建方式，会更容易控制范围。
参考来源
以下资料用于核对概念；正文与练习为本站重新组织的原创讲解，不是外文逐段翻译。
- Anthropic：Building effective agents
本文采用其中工作流与智能体的架构区分；术语存在其他用法，不采用旧产品清单。
查阅：2026-09-19 - Dify：If-Else
工作流可依据条件进入不同分支的官方实现示例。
查阅：2026-09-19 - Dify：Loop
流程循环、退出条件与最大次数的官方实现示例。
查阅：2026-09-19