AI Agent 工作流是什么？
没有工作流的 AI Agent 只是一个模型调用。工作流把有能力的模型变成能可靠完成目标的系统。
Agent 工作流定义了 Agent 遵循的步骤序列：如何接收目标、分解任务、调用工具、处理结果、处理错误、产生输出。工作流是让 Agent 行为变得可预测、可调试和可改进的结构。没有精心设计的工作流，Agent 的行为是不可预测的，结果也不可靠。
Agent 工作流循环
每个 Agent 工作流，无论复杂度如何，都遵循一个基本循环：
- 接收。 Agent 从用户、其他系统或定时触发器获取目标或任务。
- 规划。 Agent 确定所需步骤和执行顺序。
- 执行。 Agent 执行每个步骤，按需调用语言模型和工具。
- 检查。 Agent 评估步骤是否成功以及结果是否符合预期。
- 调整。 如果步骤失败或产生意外结果，Agent 调整并重试或走替代路径。
- 交付。 所有步骤完成后，Agent 产生最终输出并触发任何后续行动。
这个循环可能为简单任务执行一次，或为复杂多步骤目标迭代多次。工作流设计决定了 Agent 如何穿过这个循环。
核心工作流模式
1. 顺序工作流
最简单和最常用的模式。Agent 按顺序执行步骤，每一步依赖前一步的结果。
接收目标 → 步骤 1 → 步骤 2 → 步骤 3 → ... → 交付结果
特征：
- 步骤按固定顺序执行。
- 每一步接收前一步的输入。
- 工作流可预测且易于调试。
何时使用： 步骤已知且很少变化的明确定义的任务。例如，报告生成 Agent 从 API 获取数据、用语言模型处理、格式化结果、存储。
局限性： 没有分支。如果一步失败或产生意外结果，整个工作流停止，除非显式添加错误处理。
示例： 每日摘要 Agent：1. 获取自上次运行以来的新数据。2. 用语言模型处理原始数据进行摘要。3. 将摘要格式化为报告模板。4. 存储报告并发送通知。
2. 条件工作流
Agent 在决策点评估条件，根据结果走不同路径。
接收目标 → 评估条件
→ 如果条件 A：路径 A 步骤
→ 如果条件 B：路径 B 步骤
→ 否则：默认路径
→ 继续到下一个决策点（如有）→ 交付结果
特征：
- 决策点将工作流分支到不同路径。
- Agent 评估中间结果以确定走哪条路径。
- 不同路径可能使用不同工具、模型或序列。
何时使用： 每一步的结果决定下一步应该做什么的任务。例如，内容审核 Agent 评估内容，对安全内容、可疑内容和违规内容走不同路径。
示例： 客服分类 Agent：1. 接收支持工单。2. 分析问题复杂度。3. 如果是简单问题→从知识库生成自动回复。4. 如果是复杂问题→附上上下文摘要转人工客服。5. 如果是紧急问题→立即转高级客服并发送警报。6. 记录决策和结果。
3. 并行工作流
Agent 同时执行多个独立步骤，然后聚合结果。
接收目标 → 分解为独立任务
→ 任务 A（并行）→ 聚合结果 → 交付
→ 任务 B（并行）
→ 任务 C（并行）
特征：
- 独立子任务并发运行。
- 所有并行任务完成后收集并合并结果。
- 对具有独立组件的任务提高吞吐量。
何时使用： 有多个不相互依赖的独立子任务的任务。例如，同时搜索多个来源的研究 Agent，或同时检查多个系统的监控 Agent。
注意事项： 并行工作流需要协调来处理部分失败——当一些并行任务成功而另一些失败时怎么办？工作流必须定义处理不完整结果的聚合逻辑。
示例： 竞争研究 Agent：1. 收到研究竞品的请求。2. 并行：搜索其网站获取产品信息。3. 并行：搜索最近新闻文章。4. 并行：检查社交媒体渠道。5. 并行：查看分析师报告。6. 将所有发现聚合为综合报告。7. 交付报告。
4. 循环/迭代工作流
Agent 重复一组步骤直到满足条件，然后继续。
接收目标 → 执行步骤 → 检查完成条件
→ 如果未满足：优化并重复
→ 如果满足：继续 → 交付结果
特征：
- 步骤以循环方式执行直到达到终止条件。
- 每次迭代在前一次结果基础上构建或优化。
- 最大迭代次数防止无限循环。
何时使用： 需要优化、质量改进或逐步探索的任务。例如，写作 Agent 起草、评审、修改直到达到质量标准。
注意事项： 定义明确的终止条件和最大迭代限制。没有它们，迭代 Agent 可能在缺乏明确完成标准的任务上无限循环。
示例： 代码审查 Agent：1. 编写初始实现。2. 运行测试。3. 如果测试通过→交付。4. 如果测试失败→分析测试输出，修复问题，回到步骤 2。5. 如果迭代次数超过 5→标记为需人工审查。
模式对比
| 模式 | 复杂度 | 灵活性 | 可靠性 | 最适合 |
|---|---|---|---|---|
| 顺序 | 低 | 低 | 高 | 已知的稳定流程 |
| 条件 | 中 | 中 | 中 | 决策密集型任务 |
| 并行 | 中 | 高 | 中 | 独立子任务 |
| 循环/迭代 | 高 | 高 | 中 | 优化和质量改进 |
从最简单的能解决问题的模式开始。只在任务需要时增加复杂度。一个常见的错误是设计复杂的条件或迭代工作流，而简单的顺序工作流就足够了。
组合模式
现实中的 Agent 通常在单个工作流中组合多种模式。例如：
- 顺序外层结构：规划、执行、交付。
- 执行阶段内的并行执行：同时搜索多个来源。
- 并行结果后的条件分支：基于聚合发现的不同处理。
- 如果结果不完整的迭代优化：循环回去收集更多数据。
关键是有意组合模式，而不是默认选择最复杂的选项。每个增加的模式都提高了工作流的复杂度，但也增加了测试和调试的要求。
工作流状态管理
每个工作流需要管理状态——跨步骤持续的信息。状态包括：
- 输入上下文。 原始目标和提供的任何参数。
- 中间结果。 已完成步骤的输出。
- 执行元数据。 哪些步骤完成、失败、重试次数。
- 外部上下文。 执行期间从工具和 API 检索的数据。
状态存储方法
内存中。 状态仅在当前执行期间存在。最简单的方法，但如果进程失败或重启则丢失。
外部数据库。 状态持久化到数据库或键值存储。在故障后存活并支持恢复。长时间运行或关键的工作流需要。
事件载荷。 状态通过事件消息在步骤之间传递。适用于事件驱动工作流，每个步骤由包含累积上下文的消息触发。
状态设计原则
- 无状态步骤。 尽可能设计单个步骤为无状态。每一步在启动时加载其所需上下文，在完成时持久化结果。
- 显式状态。 记录每个步骤需要和产生什么状态。隐式状态依赖会导致难以发现的错误。
- 长工作流的检查点。 对于可能超过执行限制的工作流，定期保存进度，以便从最后一个检查点恢复。
工作流中的错误处理
工作流中的每一步都可能失败。为失败而设计是必要的。
重试策略
- 立即重试。 对瞬时故障（网络超时、临时服务不可用）立即重试。
- 退避重试。 在重试之间等待递增的间隔（1秒、2秒、4秒、8秒），避免压垮正在恢复的服务。
- 最大重试次数。 设置限制。耗尽重试后，工作流转入失败路径。
失败路径
- 跳过。 记录错误并继续。最适合非关键步骤，下一步骤可以带着部分结果继续。
- 降级。 使用替代工具或方法。如果一个搜索 API 失败，尝试另一个。
- 升级。 标记为人工干预。最适合需要判断的高影响故障。
- 停止。 停止工作流。最适合后续步骤依赖此步骤且无法在没有它的情况下继续的情况。
工作流可观测性
运行而没有执行可见性的工作流是一个维护风险。必要的可观测性包括：
- 步骤级日志。 记录每一步收到什么、决定什么、产生什么。
- 执行追踪。 跟踪单次工作流执行跨越所有步骤，即使步骤由不同服务处理。
- 持续时间跟踪。 每一步花了多长时间？瓶颈在哪里？
- 错误聚合。 哪些类型的错误最频繁？是瞬时的还是系统性的？
- 结果跟踪。 工作流执行的成功率是多少？什么导致失败？
OpenClaw 与工作流设计
OpenClaw 技能架构支持多种工作流模式。技能是独立的单元，可以通过事件驱动的协调按顺序、按条件或并行组合。工作流逻辑——哪些技能运行、按什么顺序、在什么条件下——由技能如何连接和配置决定。
这种组合方法意味着你可以从使用少数技能的简单顺序工作流开始，然后随着 Agent 需求的增长添加条件分支、并行执行或迭代优化。技能边界使安全地更改工作流的一部分而不影响其他部分成为可能。
了解更多：OpenClaw Skills 是什么 以及基于技能的方法如何实现灵活的工作流组合。更具体的触发模式，见 事件驱动 AI Agent 和 定时运行的 AI Agent。
下一步
先映射一个你想自动化的任务。识别步骤、它们的依赖关系以及它们之间的决策。选择适合的最简单工作流模式。构建它、测试它，只在任务需要时增加复杂度。
查看教程页获取工作流实践示例和逐步指南。