工作流
通过连接节点定义任务执行顺序的自动化流程设计模式，在Coze平台中用于编排AI应用的业务逻辑，支持确定性流程与AI决策的混合架构
核心事实
时间轴 (近 90 天)
客户沉淀在系统里的历史数据和定制化流程，迁移成本远高于代码本身，围绕这些构建产品比单纯比拼功能列表更有意义。
Anthropic 对工作流（workflow）和 agent 的区分是：工作流中模型和工具沿着开发者预先写好的代码路径运行；agent 中模型自己掌控流程和工具调用，动态决策而非照脚本执行。
实践检验 agent 的核心判断标准是：下一步由谁决定，开发者的代码还是模型？
普通工作流是单向的批处理式编排，输入进入后依次经过若干节点，最终输出结果，中途不与人交互。
工作流执行一次几乎没有额外成本；Agent每一步都要调用模型，产生费用和等待时间，规模化时成本显著。
工作流出错通常是规则未覆盖，可定位修复；Agent出错可能是理解错误或执行超出预期操作，需限制权限并设人工确认。
工作流擅长处理结构化数据（字段、金额、状态），Agent擅长处理非结构化内容（邮件、合同、客户描述）。
工作流同样的输入每次结果都一样，便于审计和追责；Agent每次走的路径可能不同，结果具有一定不确定性。
对多数企业，在已有流程中加AI节点比从零搭建全能Agent更容易见效，风险更可控。
客户投诉处理等完整业务通常需要工作流与AI组合：AI读邮件判断类别和紧急程度，派单、计时、升级交给工作流。
还有 40 条时间轴事件
全部知识事实 (20)
Skill是将专业能力、领域知识和操作规范打包成可复用单元，让Agent在恰当时机自动调用的模块化封装
90%已验证Agent的核心公式为：Agent = 大模型 + 工具调用 + 自主决策能力
80%已验证工作流编排指的是把多个步骤（模型推理、工具调用、条件判断、人工审核、数据读写）组织成可重复执行的流程，常见实现方式包括可视化编排平台与代码框架（如LangChain、Dify、Coze等）。
75%已验证Dify中的工作流（Workflow）是无状态的任务编排模式，适合文档摘要、数据分析、批量内容生成等一次性输入-输出任务
70%已验证在Agent策略选择上，实测ReAct比Function Calling更稳定，尤其在多步骤多工具协同的复杂任务中容错性更强
70%已验证AI视频工作流是指将Runway、可灵、即梦等多个AI生成工具与传统后期制作环节按照特定逻辑串联起来的标准化生产流程
70%已验证检查点应包含稳定运行或线程标识符、当前工作流步骤和任务状态、已完成动作的中间结果、待执行动作及重试计数和时间戳、以及schema或工作流版本。
65%已验证判断是否需要设置人工检查点的标准是追问三个问题：动作是否不可逆、出错代价多大、AI误判概率多高
65%已验证工作流指将多个处理步骤以节点图形式串联，数据按预定逻辑在节点间流转，每个节点可以是LLM调用、条件判断、代码执行、知识库检索等独立操作
65%已验证评估是否自动化时需权衡任务标准化程度、错误容忍度与维护成本等因素
65%已验证在Agent的执行循环中，任务是否完成由Agent自己判断，而非程序员在代码中写死
65%已验证工作流是把多个步骤串联成有序流程，适合任务逻辑固定、可预期的场景
65%已验证工作流的作用是把复杂任务拆解成可控的步骤
65%已验证Agent在RAG场景中可以判断是否需要检索、检索哪个知识库、是否需要多轮检索或调用外部工具，工作流将多个步骤编排成有向图支持条件分支、并行处理和循环迭代
65%已验证精心设计的单一智能体在成本和延迟上常常远优于结构松散的多智能体系统，而任务表现相差无几，多智能体架构只有在任务确实需要分工协作时才值得引入
65%已验证扣子的编程功能允许用户构建智能体、设计工作流和编写完整项目
65%已验证工作流是将多步骤任务串联为可重复执行的自动化流程
65%已验证工作流（Workflow）是确定性的，开发者预先定义好节点顺序和数据流转路径，执行过程可预期、可追踪
65%部分验证N8N 中工作流通常包含触发节点、处理节点和输出节点三类节点。
65%待验证智能体本质是大模型加工具再加一个循环（Agent Loop），是一种特殊的工作流；工作流是更底层的概念，支持并行、串行、判断、Map-Reduce等机制
60%