基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

工作流不是流程图 传统工作流是确定性的：每个节点是一段代码，分支条件是布尔表达式，失败是预定义的异常类型。相同输入给相同输出，跑一百次和跑一次结果一样。 Agent Workflow 打破了这个假设： 传统 Workflow（Airflow / n8n）： 节点 = Python 函数 / API 调用（确定性） 分支条件 = x > 0 （布尔表达式） 失败处理 = try / except （预定义异常类型）

Agent Workflow： 节点 = LLM + 工具（输出不确定） 分支条件 = 置信度 ≥ 95 %（语义判断） 失败处理 = 重试 + 人工升级 + 语义降级 Agent Workflow 是三种本质不同的执行模型之一，而不是流程图的升级。 三种执行模型 DAG（有向无环图） 控制流在执行前完全确定，节点之间只能向前，不能回头。 代表：Airflow、n8n、GitHub Actions 用途：数据管道、ETL、定时任务

特点： → 结构可视化，执行顺序透明 → 不支持循环（Agent 的重试逻辑需要变通处理） → 适合确定性数据处理，不适合需要动态分支的 AI 任务 状态机 系统有有限个"状态"，事件触发状态转移。当前状态 + 事件 → 下一个状态。 代表： LangGraph 、自研 Workflow （基于 JSON 状态文件） 用途：有分支、有重试、有人工确认门的业务流程…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。