一、 课程内容金字塔总结​

本次课程是「AI智能体训练营」第二期的第三节课，由讲师薛临风主讲。课程的核心是带领学员入门AI智能体（Agent）的工作流（Workflow），强调工作流是从“简单AI”迈向“复杂AI”最核心的“卡点”。​

核心论点：​

工作流是实现复杂AI智能体的必要组件，它将大模型（LLM）的“思考能力”与实际的“行动能力”相结合，通过结构化的逻辑流程，实现可控、可重复、自动化的复杂任务。​

主要分论点：​

1.为什么需要工作流：​讲师提出了大模型（LLM）结合提示词（Prompt）的局限性。工作流的出现是为了解决五大问题：​◦自动化：摆脱繁琐、重复的提示词复制粘贴（如内容营销）。​◦逻辑路由：处理复杂场景（如客服机器人），将不同问题（售前、售后）路由到不同的解决方案。​◦记忆：解决大模型的“失忆”问题，通过工作流连接知识库或数据库。​◦合规性：在高风险领域（如医疗、金融）中加入“人在回路”（Human-in-the-Loop）的审核节点。​◦批处理：解决大模型注意力窗口（Context Window）的限制，实现对大量数据（如1000条评论）的循环处理。​

讲师提出了大模型（LLM）结合提示词（Prompt）的局限性。工作流的出现是为了解决五大问题：​

  • ◦自动化：摆脱繁琐、重复的提示词复制粘贴（如内容营销）。​
  • ◦逻辑路由：处理复杂场景（如客服机器人），将不同问题（售前、售后）路由到不同的解决方案。​
  • ◦记忆：解决大模型的“失忆”问题，通过工作流连接知识库或数据库。​
  • ◦合规性：在高风险领域（如医疗、金融）中加入“人在回路”（Human-in-the-Loop）的审核节点。​
  • ◦批处理：解决大模型注意力窗口（Context Window）的限制，实现对大量数据（如1000条评论）的循环处理。​

2.工作流的核心构成：讲师指出，理解工作流需要掌握三个结构化要素：​◦节点细节（Node Details）：每个节点的功能和配置（如大模型节点、插件节点）。​◦逻辑流程（Logic Flow）：节点如何连接以复现业务流程（这是本次课程的重点）。​◦数据结构（Data Structure）：数据在节点之间如何传递和变化。​

  • ◦节点细节（Node Details）：每个节点的功能和配置（如大模型节点、插件节点）。​
  • ◦逻辑流程（Logic Flow）：节点如何连接以复现业务流程（这是本次课程的重点）。​
  • ◦数据结构（Data Structure）：数据在节点之间如何传递和变化。​

3.流程的三大基本逻辑：讲师强调，宇宙万物所有的流程都可以被拆解为三种最基本的逻辑结构：​◦顺序结构（Sequential）：按部就班执行，简单但慢。​◦分支结构（Branching）：并行处理（快）或条件路由（AB选择）。​◦循环结构（Looping）：重复执行，可用于迭代优化，但有“死循环”风险。​

  • ◦顺序结构（Sequential）：按部就班执行，简单但慢。​
  • ◦分支结构（Branching）：并行处理（快）或条件路由（AB选择）。​
  • ◦循环结构（Looping）：重复执行，可用于迭代优化，但有“死循环”风险。​

4.实操演练（顺序结构）：课程的核心部分是一个“手把手”的实操，带领学员搭建了一个“公众号文章自动摘要并存入飞书云文档”的工作流。​◦V1（基础）：开始->大模型->结束。直接粘贴文字进行总结。​◦V2（插件）：开始->链接读取插件->大模型->结束。实现了输入URL自动读取内容。​◦V3（存盘）：开始->链接读取插件->大模型->飞书云文档插件->结束。实现了自动将标题和摘要存入飞书。​◦V4（优化）：...->大模型->文本处理节点->飞书插件->...。实现了将标题、摘要、原文链接拼接后再存入飞书，使内容更完整。​◦部署：最后将工作流发布，并在智能体的人设（Prompt）中设置触发条件（“当用户输入网址时，调用我的工作流”）。​

  • ◦V1（基础）：开始->大模型->结束。直接粘贴文字进行总结。​
  • ◦V2（插件）：开始->链接读取插件->大模型->结束。实现了输入URL自动读取内容。​
  • ◦V3（存盘）：开始->链接读取插件->大模型->飞书云文档插件->结束。实现了自动将标题和摘要存入飞书。​
  • ◦V4（优化）：...->大模型->文本处理节点->飞书插件->...。实现了将标题、摘要、原文链接拼接后再存入飞书，使内容更完整。​
  • ◦部署：最后将工作流发布，并在智能体的人设（Prompt）中设置触发条件（“当用户输入网址时，调用我的工作流”）。​

二、 老师观点、论据与事实​

三、 行动上的指南与建议​

1.目标优先于工具：在拖拽任何节点之前，必须先用“第一性原理”想清楚：“我到底要解决什么问题？”。​

2.增量开发与测试：不要试图一次性搭建复杂流程。从最简单的开始->结束开始，每增加一个节点（如大模型、插件），就立刻“试运行”。​

3.座右铭：测试，测试在崩溃之前 (测试, 测试在崩溃之前)。​

4.养成良好命名习惯：必须给变量（如input改为URL） 和节点（如插件改为读取公众号链接） 取一个清晰的名字。否则当工作流复杂时（如180个节点），自己也会混乱。​

5.追踪数据流：必须时刻清楚数据（Data）在流程中的形态。在节点配置时，要（通过齿轮图标）精确地将上一个节点的输出（如LLM.output）连接到下一个节点的输入（如Feishu.content）。​

6.遇到问题再找工具：当流程“跑不通”或遇到坎（如“大模型不能读网址”）时，再去寻找相应的节点（如“链接读取插件”）来解决问题。​

7.实践与坚持：必须“眼到手到”。工作流是有难度的，要有一鼓作气“死磕”（死磕）的精神，否则“再而衰，三而竭”，可能永远跨不过这个门槛。​

四、 补充分析​

(1) 文中提到的知识点、领域与用途​

1.RPA (Robotic Process Automation / 机器人流程自动化):​◦领域：自动化技术、企业信息管理。​◦用途：模拟人类操作，执行高重复性、规则明确的数字化任务，如复制粘贴、数据迁移、表单填写。文中用于比喻工作流的第一个用途（自动化繁琐提示词）。​

  • ◦领域：自动化技术、企业信息管理。​
  • ◦用途：模拟人类操作，执行高重复性、规则明确的数字化任务，如复制粘贴、数据迁移、表单填写。文中用于比喻工作流的第一个用途（自动化繁琐提示词）。​

2.Human-in-the-Loop (HITL / 人在回路):​◦领域：人工智能、机器学习、系统设计。​◦用途：在AI自动处理流程中，插入一个“人工审核”的步骤。用于高风险、高合规性场景（如医疗诊断、金融审批），确保AI的输出结果在交付前得到人类确认。​

  • ◦领域：人工智能、机器学习、系统设计。​
  • ◦用途：在AI自动处理流程中，插入一个“人工审核”的步骤。用于高风险、高合规性场景（如医疗诊断、金融审批），确保AI的输出结果在交付前得到人类确认。​

3.程序设计三大基本结构 (Sequential, Branching, Looping):​◦领域：计算机科学基础、编程入门。​◦用途：构成所有算法和程序逻辑的基础。任何复杂的程序（或工作流）都是由这三种结构的嵌套和组合而成的。​

  • ◦领域：计算机科学基础、编程入门。​
  • ◦用途：构成所有算法和程序逻辑的基础。任何复杂的程序（或工作流）都是由这三种结构的嵌套和组合而成的。​

4.API (Application Programming Interface / 应用程序编程接口):​◦领域：软件工程、Web开发。​

  • ◦领域：软件工程、Web开发。​
  • ◦用途：软件系统之间互相通信的“信使”。文中的“插件”（Plugin）本质上就是被封装好的API调用（如调用飞书API来创建文档）。​

5.数据结构 (Data Structure) (特指JSON/KV对):​◦领域：计算机科学、数据处理。​◦用途：组织和存储数据的方式。文中的工作流节点间传递的就是类JSON的键值对（Key-Value）数据，如data.content，必须通过Key来精确获取Value。​

  • ◦领域：计算机科学、数据处理。​
  • ◦用途：组织和存储数据的方式。文中的工作流节点间传递的就是类JSON的键值对（Key-Value）数据，如data.content，必须通过Key来精确获取Value。​

6.费曼学习法 (Feynman Technique):​◦领域：学习科学、教育心理学。​◦用途：一种高效的学习方法，核心是“以教为学”。通过用简单的语言向他人解释复杂的概念，来检验自己是否真正掌握了知识。文中提到“教别人是很好的自我学习的方式”。​

  • ◦领域：学习科学、教育心理学。​
  • ◦用途：一种高效的学习方法，核心是“以教为学”。通过用简单的语言向他人解释复杂的概念，来检验自己是否真正掌握了知识。文中提到“教别人是很好的自我学习的方式”。​

7.第一性原理 (First Principle):​◦领域：物理学、哲学、商业管理。​◦用途：一种思维模型，强调回到底层、最基础的公理或事实出发，而不是依赖类比或既定假设，来推导和解决问题。文中用于强调“想清楚到底要做什么”。​

  • ◦领域：物理学、哲学、商业管理。​
  • ◦用途：一种思维模型，强调回到底层、最基础的公理或事实出发，而不是依赖类比或既定假设，来推导和解决问题。文中用于强调“想清楚到底要做什么”。​

(2) 强调金句 (Golden Sentences)​

关于目标：“你要做什么 (What to do) 比这个事情怎么做 (how to do it) 更重要。”​

关于方法：“测试，测试在崩溃之前。” (Test, test before it collapses.)​

关于学习：“教别人是很好的自我学习的方式。”​

关于毅力：“一鼓作气，再而衰，三而竭。”（引用古文，警示学员不要中途放弃，否则勇气会逐渐消失）​

关于心态：“（初学者）先强行的压住自己好奇心以及这个痛苦感，然后一步一步的把这个东西把它趟，先趟通...”​

(3) 提炼出的规律与实践指导​

1.增量构建定律（The Incremental Law）：​◦规律：复杂系统不是被“设计”出来的，而是从简单系统“演化”出来的。​◦指导实践：在搭建工作流时，永远不要试图一次性搭建一个完美的复杂流程。必须采用“增量开发”，从V1（最简可行）开始，每增加一个功能（一个节点），就立即测试，确保数据流正确，然后再演化到V2、V3。​

  • ◦规律：复杂系统不是被“设计”出来的，而是从简单系统“演化”出来的。​
  • ◦指导实践：在搭建工作流时，永远不要试图一次性搭建一个完美的复杂流程。必须采用“增量开发”，从V1（最简可行）开始，每增加一个功能（一个节点），就立即测试，确保数据流正确，然后再演化到V2、V3。​

2.问题驱动定律（The Problem-Driven Law）：​◦规律：人类学习最高效的时机，是在“遇到障碍”时。​◦指导实践：学习一个新平台（如Coze）时，不要试图先背下所有节点的功能。应该先动手做一个自己想要的东西，当遇到障碍时（如“我没法读URL”），再去寻找那个“能解决我当下问题”的节点。这比通读文档效率高得多。​

  • ◦规律：人类学习最高效的时机，是在“遇到障碍”时。​
  • ◦指导实践：学习一个新平台（如Coze）时，不要试图先背下所有节点的功能。应该先动手做一个自己想要的东西，当遇到障碍时（如“我没法读URL”），再去寻找那个“能解决我当下问题”的节点。这比通读文档效率高得多。​

3.数据流优先定律（The Data-Flow-First Law）：​◦规律：工作流的“逻辑线”（业务流）是表象，节点间的“数据线”（数据流）才是本质。​◦指导实践：调试（Debug）工作流时，90%的错误都出在数据传递上。必须养成习惯，在“试运行”后点开每个节点的“运行详情”，检查其Input和Output，确保上一个节点的输出（如Plugin.data.title）被下一个节点正确地接收和引用。​​​⚠️@版权归WaytoAGI及课程讲师所有，未经许可不得传播售卖。如有侵权将依法追究法律责任。​​

  • ◦规律：工作流的“逻辑线”（业务流）是表象，节点间的“数据线”（数据流）才是本质。​
  • ◦指导实践：调试（Debug）工作流时，90%的错误都出在数据传递上。必须养成习惯，在“试运行”后点开每个节点的“运行详情”，检查其Input和Output，确保上一个节点的输出（如Plugin.data.title）被下一个节点正确地接收和引用。​

​⚠️@版权归WaytoAGI及课程讲师所有，未经许可不得传播售卖。如有侵权将依法追究法律责任。​​

@版权归WaytoAGI及课程讲师所有，未经许可不得传播售卖。如有侵权将依法追究法律责任。​

​此功能需登录或注册后使用​