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。