单轮对话虽然可以回答问题，但很难稳定地交付结果。在真实场景中，一个完整任务往往不仅仅是“生成答案”，还包含检索信息、调用工具、输出结构化结果、质量检查、失败重试，以及在结果不满意时进行多轮修正。这些行为并不是临时补丁，而是系统结构本身的一部分。因此，我们需要一种可分支、可循环、可观测的执行路径，而不是把所有逻辑堆进一段超长 Prompt。
传统软件流程通常是确定性的：输入固定、步骤固定、输出相对稳定。但 LLM 的特点恰恰相反——它“能力很强，但不完全稳定”。它可能答非所问、格式错误、产生幻觉，或者在调用工具时失败。这就引出了三个核心问题：
- 下一步并不唯一，需要根据当前结果动态决策路径；
- 当结果不理想时，系统需要自动修正，而不是直接失败；
- 中间状态必须被记录，否则难以调试、追踪与恢复。
正是在这样的背景下，工作流思维变得必要。它并不是把问题复杂化，而是在解释：为什么现代 AI 系统必须以这种方式构建。
以一个简单例子来看：当我们让 AI 写一篇文章时，一次生成的结果往往不够理想。直觉做法是手动复制结果，再附加新要求继续提问，但这种方式既不高效，也会快速消耗上下文。如果将这一过程结构化为“审查 → 修改 → 再审查”的循环，并设定停止条件（如达到质量标准或触达迭代上限），就能显著提升稳定性。
这正是 AI 工作流的核心价值：把一次性的生成过程，转变为一个可迭代、可收敛、可控制的系统化流程。
上图可以直观看到两类工作流的差异：传统 Workflow 更偏向“固定步骤 + 明确分支”的过程编排；AI Workflow 则更依赖运行时的状态（State）来动态决定下一步，并通过循环（Loop）把“生成—评估—修正”变成可收敛的过程。
先说基本定义：Workflow 就是为了完成某个目标，把任务拆成若干步骤，并规定这些步骤如何协作推进。它回答的问题是：“这件事怎么做完？”
在传统工作流体系中，流程设计通常强调顺序性与确定性。也就是说，大多数流程都可以被描述为一条清晰的路径：从起点出发，按照既定步骤逐步推进，最终抵达终点。例如审批流程、订单流转、ETL 数据管道等，基本都遵循“步骤 A 完成后进入步骤 B”的线性逻辑。即使存在分支，也往往是基于明确条件触发的有限选择，而不是开放式的不确定路径。
到了 AI 场景，同样的“流程”一词，承载的内涵发生了变化。相比传统工作流强调的顺序性与确定性，AI 工作流需要处理的是一个充满不确定性的执行环境。我们面对的不再只是“按步骤执行”，还包括：
- 结果是否达标要在运行时判断。
- 是否需要继续重试，要由当前状态决定。
- 某一步失败后，系统不再是简单的报错然后结束, 而是考虑是否应该降级、回退或换一种策略。
- 节点之间传递的不只是参数，还包括上下文、草稿、评分、错误信息、历史轮次等状态。
所以 AI Workflow 与传统 Workflow 的差异，不在于“有没有流程”，而在于它更强调动态决策 和 状态驱动。一旦我们想要表达下一步不唯一 或者 不满意就再来一轮，线性列表就不够用，自然会落到 Graph（结构） 与 Loop（回流） 这两类概念上。
沿用贯穿案例：假如我们要搭一条「生成初稿 → 质量审核 → 不达标则修改 → 再回到审核」的路径。这里每一步对应图的 Node，步骤之间的走向由 Edge 表达，整条链路读写的共享上下文就是 State。
图里最基础的元素有三个：
- Node（节点）：表示一个执行单元, 其主要有三大功能: 读取state; 执行业务逻辑,加工state; 将加工好的state放回去。在文章审核例子里，典型有「生成初稿」「质量审核」「按反馈修改」; 此外还可以扩展检索、格式校验、人工审批等。
- Edge（边）：是流程图中的控制流抽象，用于描述节点之间的执行路径及其触发条件，决定流程在运行时如何在不同节点之间进行调度与跳转。常见的边类型如下：
| 边的类型 | 解释 |
|---|---|
| 顺序边（Sequential Edge） | 节点按固定顺序执行，执行完当前节点后直接进入下一个节点，不依赖条件或状态判断。 |
| 条件边（Conditional Edge） | 根据当前 state 中的条件判断结果，选择不同的后续节点路径，实现分支逻辑。 |
| 动态边（Dynamic Edge） | 下一节点由运行时逻辑决定（如函数、规则引擎或 LLM 决策），路径在执行时动态生成。 |
| 循环边（Loop Edge） | 节点可以回到自身或前序节点重复执行，用于重试、迭代优化或循环推理，直到满足终止条件, 通常是由条件边与顺序边结合形成。 |
| 终止边（Terminal Edge） | 将流程引导至结束状态，不再继续执行后续节点，用于输出最终结果或结束工作流。 |
| 并行边（Parallel Edge） | 一个节点同时分发到多个后续节点并行执行，用于多任务处理、RAG/工具并发等场景。 |
- State（状态）：表示在流程执行过程中持续被读写的共享上下文，是节点之间真正传递的“工作记忆”。它本质上是一个键值对结构（Key-Value Store）的上下文容器，用于在各节点之间传递和修改数据。在不同语言或框架中，通常使用等价的数据结构实现（如 Java 的
Map<String, Object>、Python 的dict、TypeScript 的Record<string, any>等），而不是限定于某一种具体实现。
下面是一些常用的状态字段（可根据实际业务自由扩展，不必拘泥于样例）：
| Key（字段名） | Value类型 | 说明 | 生命周期 |
|---|---|---|---|
| input | String | 用户输入问题 | 全流程 |
| messages | List | 对话历史 | 全流程 |
| retrieval_result | List | RAG检索结果 | 中间 |
| tool_result | Object | 工具调用结果 | 中间 |
| llm_response | String | LLM原始输出 | 中间 |
| intermediate_steps | List | 中间执行步骤记录 | 全流程 |
| next_step | String | 控制流跳转节点 | 当前执行 |
| output | String | 最终输出结果 | 结束 |
如果只看 Node 和 Edge，我们会得到一张“能跑起来的路径图”；而把 State 一起放进来，我们才真正拥有了一张“可以在运行时做决策的图”。
总之图结构比线性结构更贴近 AI 系统的真实形态，因为很多 AI 应用的控制流本来就是图，只是早期常被临时写成 if-else、重试逻辑或分散在不同模块里的状态机。
在同一套「文章审核」里：审核不通过时，控制流不应结束，而应沿某条边回到「修改」或「重新生成」——这就是 Loop 在业务上的含义。技术上，它表现为图上的回流边。
很多人第一次接触 AI 工作流时，会把 Loop 理解成“多跑几次”。这不算错，但还不够准确。更合适的解释是：Loop 不是独立系统，而是图结构上的一种控制模式。当某条边根据当前状态把控制流送回到先前节点时，就形成了Loop, 正如上图所示, 重点在判断是否达标, 在循环的内部LLM会根据提示词的要求对结果进行"评分"如果满足就会输出否则"打回重写"。
常见的 Loop 主要有两种：
- 固定次数循环：更像
for。例如“最多重试 3 次”。 - 条件驱动循环：更像
while。例如“只要评分低于 80 分，就继续修改”。
AI 场景里，第二类通常更有代表性。因为“跑几次”往往不是先验确定的，而是由内容质量、工具执行结果、外部反馈共同决定的, 但是实际开发中两者必须同时使用, 因为LLM的不确定性可能会导致生成的内容会一直不合格, 此时我们就需要参考固定次数循环思想对内容进行降级兜底处理。
总之, 一个可靠的 Loop 一定包含三件事：
- 继续条件：为什么还要再来一轮。
- 退出条件：什么时候已经足够好，可以结束。
- 安全边界：最大轮次、超时、预算、熔断条件。
如果没有这些约束，Loop 很容易从“自我修正”变成“无限打转”。
仍然放回文章审核的例子里，Loop 并不是“多试几次”这么简单，而是“审核结论驱动下一跳”。只有当评分未达标、且还没超过最大轮次时，流程才会从 ReviewNode 回到 ReviseNode；一旦达到阈值或触发边界条件，就应该退出并给出结果。这时我们看到的就不只是循环，而是一种可控的回流机制。
到这里我们基本上了解差不多了，可以用一句话把三者的层次关系收束起来：Workflow 是目标与过程，Graph 是结构与载体，Loop 是图上的控制模式。
从业务视角来看Workflow：回答了“要做什么、如何完成” 对象是一个庞大的项目工程。
从结构视角来看Graph：回答了“这些步骤如何连接与流转”为实现Workflow提供了解决模板。
从思想视角来看Loop：回答了“什么时候重复执行”是保证工作流智能的核心思想。
继续沿用同一个“写文章并审核”的例子，那么三者的关系其实可以直接贴标签来看：
- 当我们说“先生成初稿，再审核，不达标就修改，直到达标后输出”，我们描述的是 Workflow。
- 当我们把
生成节点-> 检查节点-> 修正节点-> 检查节点画成节点与连线，并让它们共享同一份状态时，我们得到的是 Graph。 - 当我们规定“审核不通过就回到修改，直到评分达标或达到上限”为止，我们定义的就是 Loop。
所以这三者并不是三个并列的新名词，而是同一件事的三个观察角度：Workflow 关注任务目标，Graph 关注结构组织，Loop 关注回流控制。回到这篇文章的案例里，我们真正实现的始终只有一条流程，只是我们分别从业务、结构、控制三个层面在理解它。
上图可以看到高抽象工作流将四个判断节点抽象成一个判断节点: 评估是否达标。如果使用低抽象那么当我们需要减少/添加新的判断节点时需要花费时间去阅读源码寻找对应的节点, 由此我们可以得出: 一个好的工作流不是步骤堆得多，而是 Node / Edge / State 的抽象是否经得起复用与扩展。
很多初学者设计工作流时，容易把每一步都写成具体动作，例如：调用模型生成文案; 检查标题长度; 检查语气是否合适; 判断是否需要补资料; 再调用模型修改。这样做短期可用，但流程会越来越碎，复用性也很差。更成熟的方式是把流程抽象到更稳定的结构层：
- Node 抽象职责边界（在这个节点中产出的结果该是什么样子的, 必须出现哪些信息），而不是抽象这一次调了哪个 API。
- Edge 抽象流转规则（在什么状态下允许去哪、何时结束），用条件边表达分支与循环，而不是在图外写满 if-else
- State 抽象推进任务时必须持久记住的信息（工单快照、审核结论、重试次数、错误码等），让路径有据可依。
例如在“生成并审核文章”的场景里，与其设计十几个零散节点来检查文章标题符不符合题意, 文章字数是否满足要求，不如先抽象出几个更稳定的职责：
DraftNode：负责产出当前版本内容。ReviewNode：负责评估当前结果是否达标。ReviseNode：负责根据反馈修正内容。ExitNode：负责在满足条件时输出最终结果。
真正把工作流落地时，问题往往不出在“图不会画”，而出在细节没有提前设计好。下面这些是实践里最常见的坑。
- 太粗：所有东西都塞进一个大对象里，谁改了哪个字段不好查。
- 太细：字段拆得特别散，每个节点都要拼来拼去，容易出错。
- 建议：按业务含义分几块，例如「用户原始输入一块」「当前生成结果一块」「审核/评分结论一块」「流程控制用的一块（如当前步骤、重试次数）」
不要只写“如果不满意就继续优化”，而要明确：
- 最大轮次是多少?
- 评分阈值是多少?
- 超时或成本超限时怎么办?
- 连续失败后是否要 fallback。
AI 工作流不是只处理“成功路径”。工具异常、模型超时、格式校验失败、外部接口限流，都应在图上有明确边：重试、降级（例如跳过某工具）、转人工、或输出「当前最优 + 错误说明」，而不是只靠外围 try-catch 吞掉。
Loop 会自然放大 token 与延迟。设计时要提前思考：
- 哪些节点必须调用大模型，哪些可以用代码替代。
- 是否可以先粗筛，再精修。
- 是否需要在达到“足够好”时就提前结束，而不是追求“理论最优”。
节点之间传什么、字段名怎么定义、结构化输出采用什么 schema，都应该尽早统一（例如统一用 JSON schema 或 Pydantic 模型）。否则图一旦复杂，调试成本会急剧上升。
当我们开始用这套视角看问题时，工作流就不再只是一个可视化画布上的箭头图，而是一种工程建模能力。常见演进方向包括：
- Agent 化：节点从「固定脚本」变成「能自主选工具、拆子目标」的执行单元，但底层仍需要清晰的图与状态边界，否则难以观测与兜底。
- 多智能体协作：多个角色分工、对话或委托；与 CrewAI、LangGraph 多子图等思路一致，难点往往在共享 State 的权限与冲突解决。
- 人机协同：在关键节点插入人工审核、标注或纠偏，把 HITL（human-in-the-loop）当作一等公民写进图与状态机。
- 更长上下文与记忆：工作流与 RAG、会话记忆结合时，要特别注意 State 里哪些该进向量库、哪些只该留在本轮任务上下文，避免成本和隐私失控。
- Agent安全: 工作流的出现将大模型生成的内容由不可控变为部分可控, 但是对于一些场景还是具有严重的安全问题, 毕竟我们知道AI发展日新月异谁也不能保证AI完全可控。
工作流框架会换代，但 「图结构 + 状态 + 可控循环」 这层抽象会持续存在, 所以我们需要深入思考这种思想摒弃框架思维。