AI 工作流是什麼：從一次對話到可重跑的流程

AI 工作流是把原本只存在一次對話裡、臨場決定的每一步，拆成可以個別檢查、重新執行、彼此交接的固定步驟；用對話、流程、代理（Agent）三個層次來分，才看得出一件工作目前落在哪一層，又是少了哪一塊才會反覆出錯。

讀完這篇，你會用步驟、狀態、重試、輸入輸出契約這幾個詞，描述任何一條工作流程長什麼樣子，也會用「整理會議紀錄、列待辦、寄摘要」這一個例子，看懂對話、流程、代理三層實際上差在哪裡。這篇不需要寫程式；真的要把流程裡的某一步拆給不同模型、算成本與延遲、串接不同工具，是這個系列後面幾篇的事，這篇只確立分層要怎麼想。

一次對話能走多遠，又會在哪裡卡住

一次對話裡，你打字給模型看，模型回你文字，下一步要做什麼、上一步做得好不好，全部由人在腦子裡記著。這樣的好處是彈性：題目臨時變、資料臨時補，都能當場調整；缺點也在這裡，沒有人規定上一步一定要交出什麼形狀的結果，對話視窗一關、分頁一換，連上一步做到哪裡都要重新講一次。

Anthropic 在 2024 年 12 月的工程部落格《Building effective agents》裡提到，很多應用其實只要把單次呼叫做好，搭配檢索與範例，通常就夠了，不必急著疊代理或流程；同一篇也寫，代理式系統（agentic systems）往往是拿延遲與費用去換取任務表現，值不值得要先想清楚。對話撐不住的，往往是同一件事要重複做、又要交給別人檢查的場合：步驟沒有寫下來，前情每次都得從頭交代，別人也看不出上一輪做到哪裡、下一步該接什麼。

流程：把步驟、狀態與輸入輸出契約寫下來

Anthropic 把流程（workflow）定義成：LLM 與工具依照預先寫定的程式路徑被調度的系統。白話來說，就是把對話裡臨場決定的部分，改成寫死在程式裡的固定路徑，先做什麼、再做什麼、每一步收什麼資料、交出什麼資料，全部先講好，不再由那一輪對話臨時決定。

1. 步驟：把一件事切成幾個各自負責、可以單獨重新執行的動作，不必整段重來
2. 狀態：目前執行到哪一步、上一步交出什麼結果，寫在流程本身，而不是只留在某一次對話的記憶裡
3. 重試：某一步失敗時只重跑那一步，並且先定好最多重試幾次，不能無限重試下去
4. 輸入輸出契約：規定每一步收到的資料要長什麼樣子、交出去的資料又要長什麼樣子，下一步只認這個形狀，不管上一步是怎麼做出來的

這四件事合起來，就是流程比對話多出來的部分。如果流程裡每一步都是把上一步的輸出直接串成下一步的提示詞，這個做法另有專文「提示詞串接（Prompt Chaining）是什麼」討論，這裡不重複；輸入輸出契約要怎麼寫成正式規格、驗證沒通過要怎麼重試，系列後面的《模型之間交接資料：JSON Schema 與結構化輸出》會細講，這裡只確立契約這個概念要解決的問題。

代理：讓模型自己決定下一步

流程把每一步先寫死，代理則相反。Anthropic 把代理定義成：LLM 自己動態主導自己的處理過程與工具使用、對怎麼完成任務保有主控權的系統。下一步要呼叫哪個工具、要不要再多問一輪，不是程式先寫好的，而是模型自己邊做邊決定，這通常牽涉到工具呼叫（tool calling）與要不要繼續執行的判斷，這也是為什麼同一個任務交給代理處理，兩次執行的路徑不一定一樣。

模型怎麼反覆判斷、行動、讀回饋這幾輪具體怎麼運作，系列裡「代理迴圈（Agent Loop）是什麼：判斷、操作與回饋」有專門說明，這裡不重講。要留意的是，官方文件切的不一定是同一條線：OpenAI 的 Agents SDK 文件是把「迴圈、工具派送與狀態由誰管」當成要不要交給執行環境的分界，而且寫明這不是全域二選一，同一個應用可以一邊用它跑受管的流程、一邊自己直接走低階路徑。

LangGraph 的官方文件也寫，同一張圖裡可以混用寫死的步驟與交給模型判斷的步驟；換句話說，流程與代理不是二選一，同一件事常常是一部分走固定路徑、一部分讓模型自己決定。OpenAI Agents SDK、Claude Agent SDK 與 LangGraph 這類代理框架，等於把代理這一層常見的迴圈、工具呼叫與記憶都先寫好，各自的定位、安裝方式與最小範例，系列裡「Agent 框架入門：OpenAI Agents SDK、Claude Agent SDK、LangGraph」已經整理過，這裡不重複。

三層走一遍：整理會議紀錄、列待辦、寄摘要

用同一件事走一遍三層，差異會更具體。假設你剛開完一場社團幹部會議，手上是一份會議紀錄，要從裡面整理出待辦、再寄一封摘要信給大家。

對話版本是：你把會議紀錄貼給模型，請它列出待辦再寫成信，一次對話裡來回調整措辭；哪一句該保留、待辦漏了誰，都是你當場盯著改，模型不會自己記得這是第幾次修改。

1. 讀入會議紀錄原文，不加任何猜測
2. 抽出待辦，每一項固定包含負責人、任務內容與期限三個欄位
3. 檢查這三個欄位是否齊全，缺欄位就退回上一步重抽，最多重抽兩次
4. 把通過檢查的待辦清單，套進固定的信件範本，交出摘要信草稿

流程版本照上面四步走，每一步只做一件事，失敗了也只退回那一步重來，不用整段重講；代理版本則是讓模型自己判斷，紀錄裡如果有些待辦寫得含糊，要不要先回頭問你、還是先跳過，由模型當場決定，而不是程式先寫死「缺欄位就退回」這條規則。三層在這個例子上的差異，整理成下表。

什麼時候該往上加一層

多數工作一次對話就處理得完，不必急著往上加層。什麼時候才值得寫成流程：同一件事要重複做很多次、需要讓另一個人或系統檢查中間結果、或是失敗了希望只重跑某一步，而不是整段重問一次。流程寫好之後，步驟本身也變成一份紀錄，另一個人不必重問你，就看得懂每一步做了什麼、卡在哪裡。至於要不要把流程裡的某一步換成別的模型負責，是系列另一篇《一件事拆給多個模型：依步驟、能力、風險、資料敏感度四種切法》的主題，這篇只談拆成幾個步驟，不談每一步該換哪個模型。

Anthropic 那篇文章的說法是：確實需要更複雜的做法時，界定清楚的任務用流程，換到的是可預期與一致；要彈性、要模型自己判斷，而且要做到一定的量時，代理才是比較好的選擇。同一篇也寫，代理適合的是難以預測要花幾步、沒辦法事先寫死一條固定路徑的開放式問題。回到上面的例子，待辦寫得含糊時要不要先回頭問你，就是這種下一步本身就是難題的場合。流程與代理都會讓同一件事多呼叫模型幾次，延遲與費用怎麼算，系列裡《成本、品質、延遲：多模型流程怎麼取捨》會處理，這篇只提醒讀者這件事存在，先確定分層是對的，再談划不划算。

多模型 AI 工作流教學：從拆任務到串接不同模型

提示詞串接（Prompt Chaining）是什麼

• AI 工具
• 教學
• AI 寫程式與本機模型