wehub-resource-sync
458 lines
32 KiB
Markdown
458 lines
32 KiB
Markdown
---
|
||
title: AI 工作流中的 Workflow、Graph 与 Loop：从概念到实现
|
||
description: 深度解析 AI 工作流中 Workflow、Graph、Loop 三大核心概念，对比传统工作流与 AI 工作流的差异，结合 Spring AI Alibaba 和 LangGraph 给出完整代码示例。
|
||
category: AI 应用开发
|
||
icon: "mdi:robot-outline"
|
||
head:
|
||
- - meta
|
||
- name: keywords
|
||
content: AI Workflow,Graph,Loop,AI工作流,Spring AI Alibaba,LangGraph,状态机,Agent,工作流引擎
|
||
---
|
||
|
||
刚上手 AI 工作流时，很容易有类似的困惑——这不就是传统工作流换了个壳吗？为什么不用 Camunda、Temporal 这些成熟引擎？甚至觉得把几个 Prompt 用 if-else 串起来就算“工作流”了。
|
||
|
||
但真正上手做项目后，这些想法很快会被现实打脸。LLM 的输出天然不确定，单次生成往往不达标，工具调用随时可能失败，上下文窗口还有硬上限。光“跑一遍就完事”的线性流程不够用，你需要的是一套能**动态决策、自动修正、可控收敛**的执行机制。
|
||
|
||
今天这篇文章就来系统梳理 AI 工作流中三个核心概念——**Workflow、Graph、Loop**，帮你建立从概念到实现的完整认知。本文接近 7300 字，建议收藏。通过本文你会搞懂：
|
||
|
||
- 单轮对话和固定流程为什么不够用，动态决策、自动修正、可控收敛分别解决什么问题
|
||
- Workflow、Graph、Loop 三者如何协作，为什么说 Workflow 是目标与过程，Graph 是结构与载体，Loop 是图上的控制模式
|
||
- Graph 的核心元素 Node、Edge、State 分别是什么，State 的更新策略怎么选
|
||
- Loop 的设计要点：固定次数循环 vs 条件驱动循环、嵌套循环的独立性、安全边界三要素
|
||
- Spring AI Alibaba 和 LangGraph 的完整代码实现
|
||
- 高抽象 vs 低抽象工作流的区别，以及 Node、Edge、State 的抽象原则
|
||
|
||
## 为什么 AI 系统需要工作流？
|
||
|
||
单轮对话能回答问题，但很难稳定地**交付结果**。线上真实任务很少是“问一句答一句”就完事——检索信息、调用工具、输出结构化结果、校验格式、失败重试、不满意再来一轮，这些步骤串起来才叫交付。靠一段超长 Prompt 把所有逻辑塞进去，早晚会炸。你需要的是一种**可分支、可循环、可观测**的执行路径。
|
||
|
||
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：
|
||
|
||
1. 下一步并不唯一，需要根据当前结果动态决策路径；
|
||
2. 当结果不理想时，系统需要自动修正，而不是直接失败；
|
||
3. 中间状态必须被记录，否则难以调试、追踪与恢复。
|
||
|
||
这也是为什么 AI 系统需要工作流思维。
|
||
|
||
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），稳定性会明显好很多。
|
||
|
||
说到底，工作流就是把一次性的生成过程，变成一个**可迭代、可收敛、可控制**的系统化流程。
|
||
|
||
## 传统工作流和 AI 工作流有什么区别？
|
||
|
||
|
||
|
||
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。
|
||
|
||
### 传统工作流的特点
|
||
|
||
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，流程设计虽然也支持事件驱动和动态分支（如 BPMN 2.0 的信号事件、Camunda 的 DMN 决策表），但其核心假设是：**给定相同输入，同一节点的执行结果是确定的**。以 BPMN 2.0 规范为代表的主流工作流引擎（如 Camunda、Temporal、Apache Airflow）支持并行网关、包容网关、子流程、补偿事务等丰富的控制结构，远非简单的线性顺序。但分支条件通常在设计时确定，运行时按照预定义路径执行。
|
||
|
||
AI 工作流与传统工作流的关键差异在于：路径选择依赖于运行时生成内容的质量评估，且同一节点可能因输出不确定性而需要反复执行。例如审批流程、订单流转、ETL 数据管道等传统场景中，分支条件是明确的（金额 > 10000 走高级审批）；而 AI 场景中，“生成结果是否达标”这个判断本身就需要运行时评估，且评估结论可能驱使流程回到之前的步骤反复修正。
|
||
|
||
### AI 工作流的特点
|
||
|
||
到了 AI 场景，同样的“流程”一词，含义不太一样了。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 都有流程，差别在于前者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（回溯）这两类概念上。
|
||
|
||
## Graph 和 Loop 是什么？
|
||
|
||
### Graph：工作流的结构
|
||
|
||
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）**：执行单元，主要功能：读取状态、执行逻辑、更新状态。文章审核例子里的典型节点有「生成初稿」「质量审核」「按反馈修改」，还可以扩展检索、格式校验、人工审批等。
|
||
- **Edge（边）**：控制流抽象，决定节点之间的执行路径。常见的边类型：
|
||
- **顺序边**：节点按固定顺序执行，不依赖条件判断
|
||
- **条件边**：根据运行时状态在预定义候选路径中选择，Spring AI Alibaba 通过 `addConditionalEdges()` 实现
|
||
- **动态路由**：候选节点在运行时动态确定，比如 LangGraph 的 `Send` API 可以动态决定并行调用次数
|
||
- **循环边**：节点回到自身或前序节点重复执行，用于重试和迭代
|
||
- **终止边**：流程结束，不再执行后续节点
|
||
- **并行边**：一个节点同时分发到多个后续节点并行执行
|
||
|
||
> 实际工程中，条件边和动态路由是一个连续谱系——条件边的候选集在设计时确定但选择逻辑可以依赖运行时状态（如 LLM 评分），动态路由的候选集本身在运行时才确定（如 LangGraph 的 `Send` API 动态创建并行分支）。多数场景下条件边已够用，动态路由适用于 map-reduce 等需要运行时决定并行分支数量的场景。
|
||
|
||
- **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”。常见实现是**键值对数据结构**（类似 Java 的 `Map<String, Object>`、Python 的 `dict`、TypeScript 的 `Record<string, any>`），用于在各节点之间传递和修改数据。
|
||
|
||
需要注意的是，State 的设计不仅涉及“存什么”，还涉及“怎么更新”。在实际的工作流框架中，不同字段通常有不同的更新语义：
|
||
|
||
- **覆盖（Replace）**：新值直接替换旧值。适用于单值字段，如分类结果、当前状态。在 Spring AI Alibaba 中对应 `ReplaceStrategy`，在 LangGraph 中对应无 reducer 的默认行为。
|
||
- **追加（Append）**：新值追加到已有列表。适用于累积型字段，如对话历史（messages）。在 Spring AI Alibaba 中对应 `AppendStrategy`，在 LangGraph 中对应 `Annotated[list, operator.add]`。
|
||
- **自定义合并（Custom Reducer）**：通过自定义函数决定合并逻辑，例如 LangGraph 的 `add_messages` 会根据消息 ID 进行追加或更新。
|
||
|
||
当多个并行节点同时写入同一个使用覆盖语义的字段时，会出现竞态问题（LangGraph 会抛出 `INVALID_CONCURRENT_GRAPH_UPDATE` 错误）。所以设计 State 时需要提前规划哪些字段可能被并行写入，并为它们选择合适的更新策略。
|
||
|
||
实际项目中常用的状态字段（可根据业务需求调整）：
|
||
|
||
- `input`：用户输入，全流程保留
|
||
- `messages`：对话历史，用追加策略
|
||
- `retrieval_result`：RAG 检索结果，中间状态
|
||
- `tool_result`：工具调用结果，中间状态
|
||
- `llm_response`：LLM 原始输出，中间状态
|
||
- `intermediate_steps`：中间执行步骤记录，全流程保留
|
||
- `next_step`：控制流跳转节点（Spring AI Alibaba 通过此字段配合条件边实现路由；LangGraph 直接用条件边函数返回值，不需要这个字段）
|
||
- `output`：最终输出结果
|
||
|
||
如果只看 Node 和 Edge，我们会得到一张“能跑起来的路径图”；加上 State，这张图才能在运行时做决策。
|
||
|
||
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。
|
||
|
||
### Loop：Graph 上的回溯
|
||
|
||
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**回边（Back Edge）**。
|
||
|
||
> 需要区分本文的 Loop 与 Agent 基础篇中的 **Agent Loop**。Agent Loop 是 Agent 的顶层运行引擎——整个 Agent 在一个 while 循环中反复执行“推理 → 行动 → 观察”直到任务完成。而本文的 Loop 是 Graph 内部的控制模式——特定节点子集通过回边形成的迭代修正循环。两者的关系是：Agent Loop 是外层循环，Graph Loop 可以嵌套在其中的某个节点或子图内。
|
||
|
||
|
||
|
||
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。更准确地说：**Loop 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：
|
||
|
||
1. **固定次数循环**：更像 `for`。例如“最多重试 3 次”。
|
||
2. **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。
|
||
|
||
在实际工程中，还经常遇到**嵌套循环**的情况：外层循环负责“质量迭代”（生成 → 审核 → 修改），内层循环负责“工具重试”（某个节点内部调用外部 API 失败后的指数退避重试）。这两层循环的作用域、终止条件和计数器是独立的——内层重试耗尽不应影响外层的迭代预算，外层退出也不意味着内层可以无限制重试。设计嵌套循环时，需要为每层明确独立的退出条件和安全边界。
|
||
|
||
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 不只是“多试几次”，它是“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。到这里，循环已经变成了一种可控的回溯机制。
|
||
|
||
## Workflow、Graph 和 Loop 有什么关系？
|
||
|
||
|
||
|
||
可以用一句话收束三者的层次关系：**Workflow 是目标与过程，Graph 是结构与载体，Loop 是图上的控制模式。**
|
||
|
||
继续沿用同一个“写文章并审核”的例子：
|
||
|
||
- 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` 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**。
|
||
|
||
这三者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 关注回溯控制。
|
||
|
||
## 代码实现
|
||
|
||
前面建立了 Node、Edge、State 的概念模型，接下来看这些概念如何映射到具体的框架。以下以 Spring AI Alibaba Graph（Java 生态）和 LangGraph（Python 生态）为例。
|
||
|
||
### 框架概念对照
|
||
|
||
Spring AI Alibaba 和 LangGraph 里几个关键概念的对应关系：
|
||
|
||
- **状态**：Spring AI Alibaba 用 `OverAllState` + `KeyStrategyFactory`；LangGraph 用 `TypedDict` + `Annotated[type, reducer]`
|
||
- **覆盖语义**：Spring AI Alibaba 是 `ReplaceStrategy`，LangGraph 默认就是这样
|
||
- **追加语义**：Spring AI Alibaba 用 `AppendStrategy`，LangGraph 用 `Annotated[list, operator.add]`
|
||
- **节点**：Spring AI Alibaba 是 `NodeAction` 接口，LangGraph 就是普通函数
|
||
- **顺序边**：Spring AI Alibaba `addEdge(source, target)` 对应 LangGraph 的 `add_edge(source, target)`
|
||
- **条件边**：Spring AI Alibaba `addConditionalEdges(source, fn, map)` 对应 LangGraph 的 `add_conditional_edges(source, fn)`
|
||
- **循环**：两边都是条件边回指先前节点，Spring AI Alibaba 额外提供了 `LoopAgent`
|
||
- **固定次数循环**：Spring AI Alibaba 有 `LoopMode.count(N)`，LangGraph 需要自己维护计数器
|
||
- **条件驱动循环**：Spring AI Alibaba 用 `LoopMode.condition(predicate)`，LangGraph 用条件边 + while 逻辑
|
||
- **持久化**：Spring AI Alibaba 用 `MemorySaver` / `RedisSaver` 等，LangGraph 用 `MemorySaver` / `SqliteSaver`
|
||
- **人机协同**：Spring AI Alibaba 用 `interruptBefore()` + `updateState()`，LangGraph 用 `interrupt_before` + `update_state`
|
||
- **编译执行**：Spring AI Alibaba 需要 `StateGraph.compile(CompileConfig)`，LangGraph 直接 `StateGraph.compile()`
|
||
|
||
### 实现示例：用 Spring AI Alibaba 构建文章审核工作流
|
||
|
||
考虑到我的公众号的读者偏 Java 技术栈，这里笔者就基于 Spring AI Alibaba Graph 来实现贯穿全文的“生成 → 审核 → 修改”工作流。
|
||
|
||
**第一步：定义状态和更新策略**
|
||
|
||
```java
|
||
// 配置状态键策略：控制每个字段如何更新
|
||
public static KeyStrategyFactory createKeyStrategyFactory() {
|
||
return () -> {
|
||
HashMap<String, KeyStrategy> strategies = new HashMap<>();
|
||
strategies.put("input", new ReplaceStrategy()); // 用户输入
|
||
strategies.put("messages", new AppendStrategy()); // 对话历史（追加）
|
||
strategies.put("current_draft", new ReplaceStrategy()); // 当前草稿（覆盖）
|
||
strategies.put("review_score", new ReplaceStrategy()); // 审核评分（覆盖）
|
||
strategies.put("review_feedback", new ReplaceStrategy()); // 审核反馈
|
||
strategies.put("iteration_count", new ReplaceStrategy()); // 迭代计数
|
||
strategies.put("output", new ReplaceStrategy()); // 最终输出
|
||
strategies.put("next_node", new ReplaceStrategy()); // 路由控制
|
||
return strategies;
|
||
};
|
||
}
|
||
```
|
||
|
||
注意 `messages` 使用 `AppendStrategy`（对话历史持续追加），而 `current_draft` 使用 `ReplaceStrategy`（每次修改覆盖旧版本）。
|
||
|
||
**第二步：实现节点**
|
||
|
||
```java
|
||
// 生成初稿节点
|
||
public static class DraftNode implements NodeAction {
|
||
private final ChatClient chatClient;
|
||
|
||
public DraftNode(ChatClient.Builder builder) {
|
||
this.chatClient = builder.build();
|
||
}
|
||
|
||
@Override
|
||
public Map<String, Object> apply(OverAllState state) throws Exception {
|
||
String input = state.value("input").map(v -> (String) v).orElse("");
|
||
|
||
String draft = chatClient.prompt()
|
||
.user(String.format("请根据以下要求撰写文章：%s", input))
|
||
.call().content();
|
||
|
||
return Map.of(
|
||
"current_draft", draft,
|
||
"next_node", "review"
|
||
);
|
||
}
|
||
}
|
||
|
||
// 质量审核节点
|
||
public static class ReviewNode implements NodeAction {
|
||
private final ChatClient chatClient;
|
||
|
||
public ReviewNode(ChatClient.Builder builder) {
|
||
this.chatClient = builder.build();
|
||
}
|
||
|
||
@Override
|
||
public Map<String, Object> apply(OverAllState state) throws Exception {
|
||
String draft = state.value("current_draft").map(v -> (String) v).orElse("");
|
||
int count = state.value("iteration_count").map(v -> (int) v).orElse(0);
|
||
|
||
String prompt = String.format(
|
||
"请评估以下文章质量，给出 0-100 的评分和改进建议。\n" +
|
||
"以JSON格式返回：{\"score\": 85, \"feedback\": \"...\"}\n\n%s", draft);
|
||
|
||
String response = chatClient.prompt().user(prompt).call().content();
|
||
// 解析评分和反馈（实际项目中使用 Jackson/Gson）
|
||
double score = parseScore(response);
|
||
String feedback = parseFeedback(response);
|
||
|
||
String nextNode = (score >= 80 || count >= 3) ? "exit" : "revise";
|
||
return Map.of(
|
||
"review_score", score,
|
||
"review_feedback", feedback,
|
||
"iteration_count", count + 1,
|
||
"next_node", nextNode
|
||
);
|
||
}
|
||
}
|
||
|
||
// 修改节点：根据审核反馈修正内容
|
||
public static class ReviseNode implements NodeAction {
|
||
private final ChatClient chatClient;
|
||
|
||
public ReviseNode(ChatClient.Builder builder) {
|
||
this.chatClient = builder.build();
|
||
}
|
||
|
||
@Override
|
||
public Map<String, Object> apply(OverAllState state) throws Exception {
|
||
String draft = state.value("current_draft").map(v -> (String) v).orElse("");
|
||
String feedback = state.value("review_feedback").map(v -> (String) v).orElse("");
|
||
|
||
String revised = chatClient.prompt()
|
||
.user(String.format("请根据反馈修改文章。\n\n原文：%s\n\n反馈意见：%s", draft, feedback))
|
||
.call().content();
|
||
|
||
return Map.of(
|
||
"current_draft", revised,
|
||
"next_node", "review"
|
||
);
|
||
}
|
||
}
|
||
|
||
// 输出节点
|
||
public static class ExitNode implements NodeAction {
|
||
@Override
|
||
public Map<String, Object> apply(OverAllState state) throws Exception {
|
||
String draft = state.value("current_draft").map(v -> (String) v).orElse("");
|
||
return Map.of("output", draft);
|
||
}
|
||
}
|
||
```
|
||
|
||
**第三步：组装 Graph**
|
||
|
||
```java
|
||
public static CompiledGraph buildWorkflow(ChatModel chatModel) throws GraphStateException {
|
||
ChatClient.Builder builder = ChatClient.builder(chatModel);
|
||
|
||
var draft = node_async(new DraftNode(builder));
|
||
var review = node_async(new ReviewNode(builder));
|
||
var revise = node_async(new ReviseNode(builder));
|
||
var exit = node_async(new ExitNode());
|
||
|
||
StateGraph workflow = new StateGraph(createKeyStrategyFactory())
|
||
.addNode("draft", draft)
|
||
.addNode("review", review)
|
||
.addNode("revise", revise)
|
||
.addNode("exit", exit);
|
||
|
||
// 顺序边
|
||
workflow.addEdge(START, "draft");
|
||
|
||
// 条件边：根据 next_node 字段决定路由
|
||
workflow.addConditionalEdges("draft",
|
||
edge_async(state ->
|
||
(String) state.value("next_node").orElse("review")),
|
||
Map.of("review", "review"));
|
||
|
||
workflow.addConditionalEdges("review",
|
||
edge_async(state ->
|
||
(String) state.value("next_node").orElse("exit")),
|
||
Map.of(
|
||
"revise", "revise", // 审核不通过 → 修改
|
||
"exit", "exit" // 审核通过或达到上限 → 输出
|
||
));
|
||
|
||
// 修改后回到审核节点，形成循环
|
||
workflow.addConditionalEdges("revise",
|
||
edge_async(state ->
|
||
(String) state.value("next_node").orElse("review")),
|
||
Map.of("review", "review"));
|
||
|
||
workflow.addEdge("exit", END);
|
||
|
||
// 配置持久化：生产环境建议使用 RedisSaver 或数据库 Saver
|
||
var saver = new MemorySaver();
|
||
var compileConfig = CompileConfig.builder()
|
||
.saverConfig(SaverConfig.builder().register(saver).build())
|
||
.build();
|
||
|
||
return workflow.compile(compileConfig);
|
||
}
|
||
```
|
||
|
||
在这个实现中，可以看到：每个 Node 只做自己名字说的事（DraftNode 负责生成、ReviewNode 负责评估、ReviseNode 负责根据反馈修正），Edge（条件边）控制路由，State（`next_node`、`iteration_count`、`review_score`）驱动决策。Loop 通过 `review → revise → review` 的回边实现（审核不通过则由 ReviseNode 修正内容后重新进入审核），安全边界由 `iteration_count >= 3` 保证。持久化配置确保流程中断后可以从最近的 checkpoint 恢复，而不是从头开始——这对包含 Loop 的长时间运行工作流尤为重要：如果一个已迭代 2 轮的审核流程在第 3 轮中断，恢复后应该继续第 3 轮而不是重新从第 1 轮开始。
|
||
|
||
> 更完整的示例（包括人机协同、持久化、流式输出）可参考 [Spring AI Alibaba Graph 官方文档](https://java2ai.com/docs/frameworks/graph-core/quick-start/)。
|
||
|
||
## 工作流抽象能力
|
||
|
||
|
||
|
||
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。好的工作流关键看 Node、Edge、State 的抽象能否经得起复用与扩展，和步骤多少关系不大。
|
||
|
||
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：
|
||
|
||
1. **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”。
|
||
2. **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。
|
||
3. **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。
|
||
|
||
|
||
|
||
## 工作流落地的时候有没有遇到什么坑？
|
||
|
||
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。
|
||
|
||
### State 设计的粒度
|
||
|
||
- 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）」。
|
||
|
||
### 循环终止条件
|
||
|
||
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。
|
||
|
||
### 错误处理与降级
|
||
|
||
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。
|
||
|
||
Spring AI Alibaba 把错误分成四类，对应不同处理策略：
|
||
|
||
- **瞬时错误**（网络超时、API 限流）：用指数退避重试，设置最大次数
|
||
- **LLM 可恢复错误**（工具调用失败、输出格式异常）：把错误塞到 State 里，循环回去让 LLM 看着调整
|
||
- **用户可修复错误**（缺少必要信息、指令不明确）：调用 `interruptBefore` 暂停，等人工输入
|
||
- **意外错误**（未知异常）：让异常冒泡，交给开发者调试
|
||
|
||
这些策略和分布式系统里的弹性模式很接近：
|
||
|
||
- **指数退避重试**：工具调用超时时按 1s、2s、4s 递增间隔重试，最多 5 次，认证失败这种不可恢复的干脆跳过
|
||
- **熔断器**：连续 N 次 LLM 输出格式校验失败就熔断，降级到模板输出或换更简单的模型，别继续浪费 Token
|
||
- **舱壁隔离**：给不同外部 API 设独立的并发上限，防止某个慢服务把线程池打满
|
||
- **补偿事务（Saga）**：多步骤操作某步挂了，按反序执行已完成步骤的回滚操作
|
||
|
||
> 这些模式需要在节点内部或中间件层自行实现，Graph 框架只提供执行骨架和状态管理。具体做法：重试和熔断逻辑封装在节点里，通过 State 字段（如 `retry_count`、`circuit_state`）持久化状态；舱壁隔离用 Java 的 `Semaphore` 或 Resilience4j；补偿事务需要在 State 中记录已完成步骤的回滚信息，再设计专门的补偿节点。
|
||
|
||
### Token 与成本控制
|
||
|
||
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”。
|
||
|
||
### 节点间数据传递
|
||
|
||
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。
|
||
|
||
## 总结
|
||
|
||
工作流框架会更新换代，但“图结构 + 状态 + 可控循环”这层抽象基本不会变。几个正在发生的演进方向：
|
||
|
||
- **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**：工作流为 LLM 输出引入了结构和约束，但也带来了新的攻击面。根据 OWASP LLM Top 10，需要重点关注三类威胁：
|
||
- **提示注入的级联影响**：恶意用户输入可能覆盖系统提示，在工作流中逐节点传播放大。防御方式包括输入过滤、系统提示与用户输入严格分隔、对 LLM 输出做安全检测后再传递给下游节点。
|
||
- **工具调用的权限边界**：遵循最小权限原则，每个节点只能访问其任务所需的工具，高风险操作（删除、发送）需通过人机协同节点确认。
|
||
- **输出内容安全过滤**：LLM 输出在进入下游系统（数据库、前端渲染、Shell 命令）前必须经过校验，防止注入攻击、隐私泄露和幻觉传播。
|
||
|
||
除了上述通用风险，工作流还有两类特有的安全考量：
|
||
|
||
- **State 污染**：恶意输入通过节点处理后写入 State 的路由控制字段（如 `next_node`），可能影响后续条件边路由，跳过审核节点直接到达输出。防御：对 State 中的路由控制字段做白名单校验。
|
||
- **Loop 放大攻击**：恶意输入构造使 ReviewNode 永远返回低分，导致 Loop 达到最大轮次才退出，消耗大量 Token。防御：除了 `iteration_count` 上限外，增加 Token 消耗预算作为独立的安全边界。
|
||
|
||
理解图结构、状态流转和可控循环这几层抽象，比追某个框架的 API 变化更有长期价值。具体语言和框架跟着团队技术栈走就行。
|
||
|
||
## 面试准备要点
|
||
|
||
**高频问题**：
|
||
|
||
1. **为什么 AI 系统需要工作流？** → LLM 输出不确定，需要动态决策、自动修正和可控收敛
|
||
2. **Workflow、Graph、Loop 三者什么关系？** → Workflow 是目标与过程，Graph 是结构与载体，Loop 是图上的控制模式
|
||
3. **Graph Loop 和 Agent Loop 有什么区别？** → Agent Loop 是 Agent 的顶层运行引擎（推理→行动→观察循环），Graph Loop 是 Graph 内部的回溯控制模式（特定节点子集通过回边迭代修正），两者可以嵌套
|
||
4. **Loop 如何防止死循环？** → 三要素：继续条件、退出条件、安全边界（最大轮次 + 超时 + Token 预算）
|
||
5. **State 的更新策略怎么选？** → 单值字段用 Replace，累积字段用 Append，并行写入字段必须用 Reducer
|
||
6. **条件边和动态路由的区别？** → 条件边候选集在设计时确定、运行时做选择；动态路由候选集在运行时才确定；实际是一个连续谱系
|
||
7. **怎么理解 Graph 的抽象设计？** → Node 抽象职责边界（产出什么），Edge 抽象流转规则（何时去哪），State 抽象必须持久记住的信息
|
||
|
||
**追问准备**：
|
||
|
||
- 工作流中断后怎么恢复？（持久化 + checkpoint 机制）
|
||
- 节点内的错误怎么处理？（瞬时错误重试、LLM 可恢复错误循环回去、用户可修复错误转人工、意外错误冒泡）
|
||
- Spring AI Alibaba 和 LangGraph 的循环实现有什么区别？（前者可用条件边回指或 LoopAgent，后者需自行维护计数器）
|
||
- 工作流有哪些特有的安全风险？（State 污染影响路由、Loop 放大攻击消耗 Token）
|