轻量 AI 工作流：不需要每个任务都上 Agent

轻量 AI 工作流：不需要每个任务都上 Agent

一、工作流先解决确定路径

AI Agent 很吸引人，因为它看起来能自主规划、调用工具、完成复杂任务。但大多数业务工作流其实不需要完整 Agent。发票识别、客服摘要、文档归档、日报生成、代码解释，这些任务路径相对固定，用轻量工作流更稳、更便宜、更容易调试。

轻量 AI 工作流的核心是把步骤写清楚：输入校验、数据提取、模型调用、结构化校验、人工确认和结果写入。它不是让模型自由行动，而是让模型在确定路径中完成一小段不确定任务。

二、工作流结构：确定流程包住模型能力

flowchart TD
    A[输入数据] --> B[格式校验]
    B --> C[规则预处理]
    C --> D[模型生成]
    D --> E[Schema 校验]
    E --> F{是否通过}
    F -->|是| G[写入结果]
    F -->|否| H[人工复核]

这种结构比 Agent 更容易上线。每一步都有明确输入输出，失败位置也清楚。模型只负责生成摘要、分类或抽取字段，不能随意调用工具。系统的可控性更强。

Agent 适合开放式任务，例如多步骤研究、跨工具排障或动态规划。固定业务流程优先用工作流。不要因为一个任务里用了模型，就把它包装成 Agent。

三、配置示例：把步骤写成声明

下面是一份简化工作流配置。

workflow:
  name: "invoice_extract"
  steps:
    - type: "validate_file"
    - type: "ocr"
    - type: "llm_extract"
      schema: "invoice_v1"
    - type: "human_review"
      when: "confidence < 0.85"

声明式配置让流程更容易审查。产品、研发和运营都能看懂大概路径。后续要调整阈值或增加人工复核，也不必重写一套 Agent 逻辑。

结构化校验非常重要。模型输出必须符合 Schema，字段缺失、类型错误、置信度不足都要进入复核。AI 工作流不怕慢一点，怕静悄悄地写错数据。

四、落地指标：看端到端成功率

轻量工作流要看端到端指标：自动通过率、人工复核率、字段准确率、平均处理时长、失败原因分布和成本。只看模型单步准确率不够，因为 OCR、规则和写入也会影响最终结果。

人工复核样本要回流。哪些字段经常错，哪些文件格式难识别，哪些规则过严，都可以用于下一轮优化。工作流是一个小系统，不是一次模型调用。

最后，保留人工出口。所有 AI 工作流都应该有人工处理路径，尤其是财务、合同、用户数据这类任务。轻量不是简陋，轻量是把边界做清楚。

工作流版本也要保存。一次发票抽取失败时，要知道当时用了哪个 OCR、哪个 Prompt、哪个 Schema 和哪个阈值。轻量系统如果没有版本记录，排查起来和复杂系统一样痛苦。简洁不是不留痕，简洁是只留下必要痕迹。

还可以把工作流跑批结果做成小报表：每天处理多少、自动通过多少、人工改了哪些字段、平均耗时多少。数据一出来，下一步优化就很清楚。没有报表，只能凭感觉调。

测试也要覆盖失败路径。OCR 返回空、模型输出不合法、人工复核超时、写库失败，这些都应该有用例。轻量工作流不是只测 happy path，而是让每个失败都能落到明确状态。

这样系统小，但不脆。

也更容易长期维护。

五、总结

不是每个 AI 任务都需要 Agent。路径固定、风险可控的业务，更适合轻量工作流。用确定流程包住模型能力，用 Schema 和人工复核兜底，系统会更简单，也更可靠。