AI Workflow 设计及开发

What（是什么）

“AI Workflow 设计及开发”是MVP开发阶段中，将AI能力转化为具体产品功能的核心工程实践。一个AI Workflow，也常被称为“AI执行链”或“智能体流程”，是指AI为了完成一个复杂任务而执行的一系列有序步骤。它不仅仅是一次简单的prompt-response，而是可能包含多轮LLM调用、工具使用（如数据库查询、API调用）、知识库检索和逻辑判断的组合。此实践的核心是使用“AI应用处理流程图” 来设计这个流程，并最终开发出可运行的“AI 应用 MVP 版本”。

示例图片：

核心要素

• 任务分解：将一个复杂的用户请求分解为多个更小、更易于AI处理的子任务。
• 流程编排：设计这些子任务的执行顺序、依赖关系和条件分支。
• 提示词工程 (Prompt Engineering)：为流程中的每一步LLM调用精心设计高效、稳定的提示词，产出“提示词清单”。
• 上下文管理：设计如何在流程的不同步骤中，有效地注入和管理上下文信息，产出“上下文应用方式清单”。

When（什么时候做）

• 在定义完MVP验收标准之后：有了明确的目标，就可以开始设计实现路径。
• 在知识库和服务初步准备好之后：Workflow需要调用知识服务和工具，因此依赖于它们的存在。
• 贯穿整个MVP编码阶段：这是MVP开发最主要的编码和调试工作。

How（怎么做）

第一步：协作设计AI Workflow流程图

1. 召开设计工作坊：由 业务 PO/产品经理 主导，与 AI应用架构师/TL、AI 应用骨干成员 等技术角色一起，在白板上进行可视化设计。
2. 绘制流程图：使用“AI应用处理流程图” 作为工具，将整个任务流程可视化。例如，一个“报告生成”的workflow可能包括：
   • 步骤1：识别用户请求的核心主题。
   • 步骤2：根据主题，从数据库检索相关数据。
   • 步骤3：调用LLM对数据进行分析和摘要。
   • 步骤4：调用LLM根据摘要生成报告初稿。
   • 步骤5：将初稿格式化为最终输出。
3. 评审与确认：团队共同评审流程图，确保逻辑的完备性和合理性，最终产出“AI Workflow 设计” 文档。

第二步：精细化设计提示词与上下文

1. 分步设计提示词：针对流程图中的每一个LLM调用节点，由产品经理和工程师共同协作，设计具体的提示词。
2. 明确上下文注入方式：定义在每个提示词中，需要动态注入哪些来自用户输入、前序步骤输出或知识库的上下文信息，形成"上下文应用方式清单"。
3. 设计意图澄清机制：对于需要用户输入的复杂场景，参考 AI对话意图澄清设计 实践，通过词槽定义和多轮对话策略，确保收集到完整、准确的用户意图。
4. 建立提示词库：将所有设计好的提示词进行结构化管理，形成"提示词清单"，便于后续的迭代和优化。

第三步：编码实现与集成

1. 技术框架选型：由 AI应用架构师/TL 决定是使用LangChain、LlamaIndex等开源框架，还是自研轻量级框架来实现设计的Workflow。
2. 编码开发：由 AI 应用骨干成员 负责将流程图和提示词转化为实际的代码。
3. 服务集成：将Workflow与前端界面、后端服务、数据库、知识库等进行集成。
4. 版本产出：最终编译、打包，形成可部署、可测试的“AI 应用 MVP 版本”。

实践Tips

✅ 最佳实践

• 模块化与链式思维：将复杂的任务拆解为一系列可复用、可独立测试的“链”或“工具”，然后进行编排。
• 为每一步设计“检验员”：在关键步骤后，可以加入一个额外的LLM调用，让AI自己检查上一步的输出是否符合要求，实现自我修正。
• 日志记录：详细记录Workflow每一步的输入、输出和中间状态，这是后续调试和优化的生命线。
• 提示词与代码分离：将提示词模板存储在配置文件或数据库中，而不是硬编码在代码里，便于产品经理和运营人员快速迭代优化。

⚠️ 常见陷阱

• 试图用一个“超级提示词”解决所有问题：对于复杂任务，单次调用的效果和稳定性远不如一个结构化的Workflow。
• 工作流设计得过于僵化：缺乏对用户输入的异常情况和边界条件的处理，导致流程容易中断。
• 忽略中间步骤的验证：只关注最终输出，导致当结果不佳时，难以定位是哪一个环节出了问题。
• 上下文管理混乱：在多步流程中，上下文信息（如对话历史）的管理不当，导致AI“遗忘”或产生逻辑混乱。

📋 输出物清单

• AI Workflow 设计
• 上下文应用方式清单
• 提示词清单
• AI 应用 MVP 版本

相关工具

[待完善]

• AI Workflow设计画布
• Prompt Engineering 指南与模板

案例参考

成功案例：AI面试助理MVP

背景：帮助HR自动分析候选人简历，并生成初步的面试问题。 Workflow设计：

1. 步骤1(提取)：从简历PDF中提取教育背景、工作经历、项目经验等关键信息。
2. 步骤2(匹配)：将提取的信息与JD（职位描述）进行匹配度分析。
3. 步骤3(生成)：根据匹配结果和JD要求，调用LLM生成针对性的专业问题和行为问题。 结果：这个清晰的多步Workflow使得产品逻辑非常稳健，生成的面试问题相关性和深度远超单一提示词的效果，得到了HR种子用户的高度评价。

经验教训：智能市场分析报告生成器MVP

问题：初期，团队试图用一个包含了所有指令的、长达2000字的复杂提示词，让AI一次性生成市场分析报告。 结果：AI的输出非常不稳定，有时会遗漏关键分析维度，有时会产生事实错误，且难以调试。 启示：后来团队将其重构为一个包含“数据收集”、“竞品分析”、“趋势预测”、“报告撰写”等多个步骤的Workflow，每个步骤使用更简单、更专注的提示词，产品的稳定性和输出质量才得到了保障。