一、课程内容金字塔总结
本次课程是关于 AI 智能体工作流（Workflow）的进阶教学，核心目标是带领学员从简单的顺序逻辑，掌握更复杂、更强大的“分支”与“循环”逻辑，以实现稳定且超越基础大模型能力的智能体。
- •（顶层）核心论点：
工作流的核心价值是实现“稳定”与“超越”。相比于单一、庞大、不可靠的提示词，工作流通过将复杂任务拆解为标准化的“流水线”，能 100% 确保 AI 按照预定逻辑执行任务，实现稳定、可预测的输出。同时，通过循环和插件，工作流能完成基础大模型无法独立完成的复杂任务（如超长文本生成与外部工具集成）。
- •（支撑）关键论据与实践：a.分支逻辑（Branching）：▪目的：让智能体根据用户意图，执行不同的、专门化的任务。▪实现：使用“意图识别”节点（如识别“写诗”或“写小说”），将流程引导至不同的大模型处理节点；最后通过“变量聚合”节点，将不同分支的输出统一为一个结果。
二、老师观点、论据与事实拆解
1.老师观点 (Viewpoints)◦核心理念：学习AI工作流，重点是掌握“解题的思路”，而不是抄写一堆“皮毛”（即固定的提示词案例）。◦工作流的本质：搭建工作流的核心原则是追求“稳定”。我们希望 AI 能 100% 按照我们想要的逻辑命中并执行任务。◦最佳隐喻：理解工作流最好的方式是把它想象成一条“流水线”。数据是原料，节点是加工机器。◦开发哲学：遵循最小可行性原则（MVP），先用最少的工具搭建流程。“缺什么加什么”，在遇到问题时再增加节点来解决。◦实用技巧：当你遇到流程卡点（如数据格式不对）时，大模型是最后能给你“安慰”的工具；可以用“取巧”的方式让大模型节点帮你解决问题。
- ◦核心理念：学习AI工作流，重点是掌握“解题的思路”，而不是抄写一堆“皮毛”（即固定的提示词案例）。
- ◦工作流的本质：搭建工作流的核心原则是追求“稳定”。我们希望 AI 能 100% 按照我们想要的逻辑命中并执行任务。
- ◦最佳隐喻：理解工作流最好的方式是把它想象成一条“流水线”。数据是原料，节点是加工机器。
- ◦开发哲学：遵循最小可行性原则（MVP），先用最少的工具搭建流程。“缺什么加什么”，在遇到问题时再增加节点来解决。
- ◦实用技巧：当你遇到流程卡点（如数据格式不对）时，大模型是最后能给你“安慰”的工具；可以用“取巧”的方式让大模型节点帮你解决问题。
2.论据 (Arguments)◦为什么用分支（而非一个大提示词）？▪论据：一个包含多种能力的“超级提示词”在面对不同任务时是不稳定的。而工作流使用“意图识别”节点做分流，能确保“写诗”的请求 100% 进入写诗的流程，“写小说”的请求 100% 进入小说的流程，输出质量和结构都非常稳定。
- ◦为什么用分支（而非一个大提示词）？▪论据：一个包含多种能力的“超级提示词”在面对不同任务时是不稳定的。而工作流使用“意图识别”节点做分流，能确保“写诗”的请求 100% 进入写诗的流程，“写小说”的请求 100% 进入小说的流程，输出质量和结构都非常稳定。
- ◦为什么用循环（而非一次性生成）？▪论据：大模型本身有“最大回复长度”限制（例如 12,000 字），无法一次性生成十万字的小说。通过循环节点，一章一章地写，并将上一章内容作为下一章的输入，可以绕过此限制，理论上可以无限生成。
- ◦为什么大纲要输出为对象数组 (Array of Objects)？▪论据：如果大纲只是一个纯文本字符串，后续处理会很困难。将其定义为包含情节、人物的对象数组（如[{...}, {...}]），循环节点才能清晰地“逐个”处理每一项（item），并且后续的LLM节点可以精确引用“当前章节”的大纲信息。
3.事实 (Facts)◦数据结构：工作流中包含多种数据类型，如字符串 (String)、数字 (Number)、布尔值 (Boolean)、数组 (Array) 和对象 (Object)。◦节点功能（分支）：▪「意图识别」：用于创建分支，它会输出一个数字ID（如1、2、3）来代表不同的意图，而不是输出意图的文本标签。▪「变量聚合」：用于将多个分支的输出（其中只有一个会执行）合并成一个非空值。◦节点功能（循环）：▪「循环」：可以按“数组循环”、按“指定次数循环”或“无限循环”。▪「设置变量」：用于在循环过程中动态更新变量的值（例如，将新生成的章节内容存入last_part变量）。▪「文本处理」：包含“字符串拼接”功能，可将循环输出的数组（如多个章节）合并成一个长文本。◦节点功能（插件）：▪「飞书多维表」插件：需要app_token（多维表链接）和records（一个对象数组格式的数据）才能新增数据。
- ◦数据结构：工作流中包含多种数据类型，如字符串 (String)、数字 (Number)、布尔值 (Boolean)、数组 (Array) 和对象 (Object)。
- ◦节点功能（分支）：▪「意图识别」：用于创建分支，它会输出一个数字ID（如1、2、3）来代表不同的意图，而不是输出意图的文本标签。▪「变量聚合」：用于将多个分支的输出（其中只有一个会执行）合并成一个非空值。
- ◦节点功能（循环）：▪「循环」：可以按“数组循环”、按“指定次数循环”或“无限循环”。▪「设置变量」：用于在循环过程中动态更新变量的值（例如，将新生成的章节内容存入last_part变量）。▪「文本处理」：包含“字符串拼接”功能，可将循环输出的数组（如多个章节）合并成一个长文本。
- ◦节点功能（插件）：▪「飞书多维表」插件：需要app_token（多维表链接）和records（一个对象数组格式的数据）才能新增数据。
三、行动指南与建议
基于课程内容，搭建工作流时应遵循以下指南：
1.牢记“流水线五步法”：◦（1）连线：确保当前节点能从上游节点获取数据。
- ◦（1）连线：确保当前节点能从上游节点获取数据。
- ◦（2）配置：选择节点的能力（如大模型的模型型号）。
- ◦（3）输入：把上游的数据（“菜”）拿到自己的工作台（“盘子”）。
- ◦（4）加工：在提示词 (Prompt) 中“引用”输入变量，告诉厨师（LLM）如何加工这盘菜。
- ◦（5）输出：给加工好的菜（结果）命名，以便下游节点使用。
2.搭建“分支逻辑”的标准流程：◦开始->意图识别（定义N个意图）-> （分出 N+1 条线） ->N个大模型（每个负责一个意图）->1个输出节点（处理“其他”意图或异常）->变量聚合（合并N个大模型的输出）->结束。
- ◦开始->意图识别（定义N个意图）-> （分出 N+1 条线） ->N个大模型（每个负责一个意图）->1个输出节点（处理“其他”意图或异常）->变量聚合（合并N个大模型的输出）->结束。
3.搭建“超长文本循环”的标准流程：◦开始->大模型A（生成大纲，并配置输出为“对象数组”）->循环（设置为“数组循环”，输入大模型A的数组）->（循环体内）->大模型B（输入包括：完整大纲、当前循环项、last_part变量）->设置变量（将last_part的值设为大模型B的输出）->（循环结束）->文本处理（使用“字符串拼接”合并循环的N个输出）->结束。
- ◦开始->大模型A（生成大纲，并配置输出为“对象数组”）->循环（设置为“数组循环”，输入大模型A的数组）->（循环体内）->大模型B（输入包括：完整大纲、当前循环项、last_part变量）->设置变量（将last_part的值设为大模型B的输出）->（循环结束）->文本处理（使用“字符串拼接”合并循环的N个输出）->结束。
4.与外部工具（API/插件）集成的建议：◦当插件的输入格式（如records） 很复杂时，不要手动拼接，应在插件前插入一个“大模型节点”，利用提示词让大模型自动格式化数据。
- ◦当插件的输入格式（如records） 很复杂时，不要手动拼接，应在插件前插入一个“大模型节点”，利用提示词让大模型自动格式化数据。
四、补充分析
1.文中的知识点、领域与用途
2.特别的金句（观点）a.“稳定是我们追求工作流的一个核心原则。”▪点评：这句话直指工作流与“提示词工程”的根本区别。提示词追求“效果”，而工作流追求“可靠”。在商业和生产环境中，可靠性（稳定性）往往比单次效果更重要。b.“我希望大家得到的是‘解题的思路’，而不是抄一堆‘皮毛’。”▪点评：这是“授人以渔”的教学理念。它强调了掌握方法论（如何拆解问题、如何思考流程）比收集具体的提示词案例（皮毛）更重要。c.“大模型是最后能给你安慰的工具；要学会‘取巧’地用它来解决流程问题。”▪点评：这是一个非常实用主义的观点。它建议将大模型（LLM）节点视为一个万能的“瑞士军刀”，不仅用于生成内容，更可以“取巧”地用来解决流程中遇到的技术问题，例如格式化数据、转换变量等。▪
a.“稳定是我们追求工作流的一个核心原则。”▪点评：这句话直指工作流与“提示词工程”的根本区别。提示词追求“效果”，而工作流追求“可靠”。在商业和生产环境中，可靠性（稳定性）往往比单次效果更重要。
- ▪点评：这句话直指工作流与“提示词工程”的根本区别。提示词追求“效果”，而工作流追求“可靠”。在商业和生产环境中，可靠性（稳定性）往往比单次效果更重要。
b.“我希望大家得到的是‘解题的思路’，而不是抄一堆‘皮毛’。”▪点评：这是“授人以渔”的教学理念。它强调了掌握方法论（如何拆解问题、如何思考流程）比收集具体的提示词案例（皮毛）更重要。
- ▪点评：这是“授人以渔”的教学理念。它强调了掌握方法论（如何拆解问题、如何思考流程）比收集具体的提示词案例（皮毛）更重要。
c.“大模型是最后能给你安慰的工具；要学会‘取巧’地用它来解决流程问题。”▪点评：这是一个非常实用主义的观点。它建议将大模型（LLM）节点视为一个万能的“瑞士军刀”，不仅用于生成内容，更可以“取巧”地用来解决流程中遇到的技术问题，例如格式化数据、转换变量等。▪
- ▪点评：这是一个非常实用主义的观点。它建议将大模型（LLM）节点视为一个万能的“瑞士军刀”，不仅用于生成内容，更可以“取巧”地用来解决流程中遇到的技术问题，例如格式化数据、转换变量等。
- ▪
3.可用于指导实践的规律a.LLM 节点“工具化”规律：▪规律：大模型（LLM）节点不仅是“内容生成器”，更可以是“逻辑处理器”或“数据格式化器”。▪实践指导：在工作流中，当你需要进行复杂的逻辑判断、意图识别、或将变量转换为严格的 JSON/XML 格式时，与其使用复杂的代码节点，不如“取巧”地使用一个 LLM 节点，通过提示词指挥它完成这个工具性任务。b.“分治-聚合”规律 (Divide and Conquer)：▪规律：复杂任务（如写长篇小说、处理多意图）都可以拆分为“分治”和“聚合”两个阶段。▪实践指导：分支逻辑是：分治（意图识别）->聚合（变量聚合）。循环逻辑是：分治（大纲拆分）->聚合（文本拼接）。在设计任何复杂工作流时，都应先思考如何将问题“拆分”成可重复的最小单元，然后再思考如何将结果“组装”起来。c.“状态传递”规律 (Context Chaining)：▪规律：要让流程（尤其是循环）具有记忆力，必须设计一个“状态变量”（如last_part），并在流程中不断更新（设置变量）和传递它。▪实践指导：在构建需要连续上下文的智能体（如多轮对话、连续写作、步骤规划）时，核心工作就是设计这个“状态变量”的结构，以及它在何时被读取和更新。
a.LLM 节点“工具化”规律：▪规律：大模型（LLM）节点不仅是“内容生成器”，更可以是“逻辑处理器”或“数据格式化器”。▪实践指导：在工作流中，当你需要进行复杂的逻辑判断、意图识别、或将变量转换为严格的 JSON/XML 格式时，与其使用复杂的代码节点，不如“取巧”地使用一个 LLM 节点，通过提示词指挥它完成这个工具性任务。
- ▪规律：大模型（LLM）节点不仅是“内容生成器”，更可以是“逻辑处理器”或“数据格式化器”。
- ▪实践指导：在工作流中，当你需要进行复杂的逻辑判断、意图识别、或将变量转换为严格的 JSON/XML 格式时，与其使用复杂的代码节点，不如“取巧”地使用一个 LLM 节点，通过提示词指挥它完成这个工具性任务。
b.“分治-聚合”规律 (Divide and Conquer)：▪规律：复杂任务（如写长篇小说、处理多意图）都可以拆分为“分治”和“聚合”两个阶段。▪实践指导：分支逻辑是：分治（意图识别）->聚合（变量聚合）。循环逻辑是：分治（大纲拆分）->聚合（文本拼接）。在设计任何复杂工作流时，都应先思考如何将问题“拆分”成可重复的最小单元，然后再思考如何将结果“组装”起来。
- ▪规律：复杂任务（如写长篇小说、处理多意图）都可以拆分为“分治”和“聚合”两个阶段。
- ▪实践指导：分支逻辑是：分治（意图识别）->聚合（变量聚合）。循环逻辑是：分治（大纲拆分）->聚合（文本拼接）。在设计任何复杂工作流时，都应先思考如何将问题“拆分”成可重复的最小单元，然后再思考如何将结果“组装”起来。
c.“状态传递”规律 (Context Chaining)：▪规律：要让流程（尤其是循环）具有记忆力，必须设计一个“状态变量”（如last_part），并在流程中不断更新（设置变量）和传递它。▪实践指导：在构建需要连续上下文的智能体（如多轮对话、连续写作、步骤规划）时，核心工作就是设计这个“状态变量”的结构，以及它在何时被读取和更新。
- ▪规律：要让流程（尤其是循环）具有记忆力，必须设计一个“状态变量”（如last_part），并在流程中不断更新（设置变量）和传递它。
- ▪实践指导：在构建需要连续上下文的智能体（如多轮对话、连续写作、步骤规划）时，核心工作就是设计这个“状态变量”的结构，以及它在何时被读取和更新。
此功能需登录或注册后使用