企业官网建设流程全解析

本文以三份聊天导出整理任务为例，详细解析了工作流与Agent在取证任务中的应用场景与区别。工作流通过预设规则推进任务，而Agent则根据动态结果选择下一步操作。文章强调了在流程设计中明确依赖关系、记录中间产物及处理规则的重要性，并指出Agent适用于需要动态组织查询的复杂问题，而非所有分支选择。通过实例，阐述了如何混合使用工作流与Agent，以及如何控制Agent的决策范围，确保任务高效准确完成。

工作流与 Agent 的流程控制示意：工作流按预设规则推进，Agent 由模型动态组织补查步骤

1、步骤多，不一定需要 Agent

在工程讨论中，可以先按“谁来决定下一步”理解这两个词。

工作流把主要步骤、分支和衔接规则预先安排好。收到聊天导出后，先解析，再提取候选事件，检查来源后形成时间线草稿。哪一步调用模型、哪一步运行程序，都是流程设计的一部分。

Agent，也就是智能体，则让模型在授权范围内，根据目标和刚拿到的结果，选择接下来调用什么工具、查什么信息，必要时回头补查。路径不必在开始时就全部确定。

工作流并不等于一条只会向前的直线。它也可以有条件分支、并行处理和重试，甚至让模型把输入分到不同处理分支。区别在于，这些去向和衔接规则事先已有安排；让模型做一次分类，不等于把整段流程的安排权都交给它。

实际系统也可以混合使用。固定工作流中嵌入一小段 Agent 来排查异常，排查结束后仍回到原来的检查与交付步骤。没必要仅凭产品界面上的“智能体”三个字，就判断它内部怎样运行。

2、缺了一份文件，后面还做不做

回到开头。假设本次输入是“销售群聊天”“售后群聊天”和“仓库群聊天”三份导出，任务要求覆盖这三份文件。以下文件名称、处理状态和结果说明均为人工构造的示意，并非实测。

可以先把处理顺序定成：登记本次输入，逐份解析，逐份提取候选事件，核对来源，再合并成时间线草稿。

这次销售群和仓库群解析成功，售后群返回“格式不受支持，未解析”。对这条流程，可以约定：

• 两份成功解析的文件继续做各自的候选事件提取，保存为中间结果。
• 售后群保留失败状态，不用一个空列表假装它没有相关事件。
• 覆盖三份输入的合并步骤暂停，等缺失部分处理完成后再继续。

这里不是所有步骤一起停，也不是碰到错误就全部跳过。依赖哪份输入，就检查哪份输入的状态。 两份文件的独立处理不依赖第三份，但声称覆盖三份文件的合并结果依赖它。

如果操作人员确实需要先看已有部分，可以另行确认生成一份局部草稿。草稿应明确只包含销售群和仓库群，售后群尚未解析，不能把局部结果写成覆盖本次全部输入的时间线。

这类分支不需要模型临场决定。把规则写进工作流，程序就能据此选择继续、等待或输出局部结果。

3、下一步接收的，不能只有一段总结

如果前一步只留下“已提取主要事件”，后一步并不知道它用了哪些记录、跳过了什么，也不知道这些结果是否经过检查。流程看似接上了，真正的数据却没有交代清楚。

对于这次整理任务，每份文件交给下一步的内容，可以包括候选事件表、来源位置、处理状态和异常说明。合并程序还要核对这些结果是否属于本次输入，不能顺手捡起输出目录里上次留下的同名文件。

模型负责从已解析文本中提取候选事件；数量核对、必填字段检查和明确时间值的排序，可以由程序按规则处理。遇到模糊时间或缺失字段，保留未确定状态，不为了凑齐表格自行填值。这里的字段检查只能说明结果满足约定格式，事件是否读对、引用是否支持，仍要另外核对。

把“上一条消息”当作下一步的全部输入，很难维持这些约定。更稳妥的是保存实际中间产物，并记录它所对应的输入版本和处理规则。面向人的界面可以显示“售后群待处理”，底层仍要分清这是哪一份文件、哪一次处理的结果。

售后群补充解析成功以后，也不能只把新事件追加到旧草稿末尾。依赖全量数据的合并、排序和来源检查需要重新执行。已有两份文件的提取结果能否复用，要看它们的输入和处理规则是否没有变化；旧草稿应保留为旧版本，不能与新结果混在一起。

4、哪些地方值得让 Agent 自己选

固定流程解决了常规整理，但另一类问题不容易预先写全步骤。

假设格式问题已经处理，售后群能够解析了，操作人员却发现解析结果中缺少某一天的记录。现在要排查的是另一个问题：这是导出范围的限制、解析遗漏，还是当前导出文件本来就没有覆盖那一天？

先看导出日志，有时间筛选就核对参数，没有范围说明就查解析报告，这条路径完全可以写成工作流。仅仅“根据结果选择下一步”，还不足以说明需要 Agent。

如果现有分支没有覆盖这次异常，可以让受限的 Agent 根据返回内容组织补查。比如，在这个人工示意中，它从解析报告里发现另一份导出文件的名称，于是先在已授权目录内查找该文件，再核对两份导出的时间范围和解析结果。后续要查哪份文件、比较什么字段，由新发现决定，而不是只在几个预先列好的步骤间切换。

这样的排查路径也可能被归纳成工作流。是否采用 Agent，要看任务中是否经常需要这类动态组织查询，而不是把“有分支”当作智能体的标志。补查仍需保留依据；查不清的缺口交给人，不能靠推测补成一个完整故事。

Agent 在这里的任务是辅助排查缺口，不是自行决定某一天“没有发生相关活动”。也不能因为当前目录找不到，就擅自检索其他取证对象或外部账号。

如果实际运行后发现，绝大多数异常都只需核对几个固定字段，那就可以把这部分再收回成明确分支。流程的选择应随着真实任务调整，不必为了保留“智能体”形式而增加模型决策。

5、把自由选择留在需要它的地方

对于格式已知、步骤稳定的批量整理，先用工作流组织起来：每份文件如何进入，结果怎样检查，失败停在哪里，合并前需要满足什么条件，都能提前说明。固定流程更便于检查这些衔接，但不会自动保证模型提取正确。

需要边查边决定的问题，可以在局部交给 Agent。它的输入范围、可用工具和结束条件仍要由系统限制，例如限制本轮调用次数和运行时长；达到上限或缺少必要权限时，暂停并交回未解决项。“再想办法试试”不能成为无限循环的理由。

放回这次三份聊天导出的任务，销售群和仓库群可以沿固定步骤继续，售后群的日期缺口交给受限的 Agent 补查。补查有了结果，还要看它解决了什么：如果找回了遗漏记录，就更新输入版本，重新执行受影响的解析、提取和来源检查，再恢复原范围的合并；合并、排序和来源检查通过后，才能交付覆盖这些输入的时间线草稿。

如果补查只确认原导出没有覆盖那一天，或者仍无法解释缺口，就保留这个限制，不把“原因已查明”写成“记录已补齐”。操作人员确认先看已有部分时，可以交付明确标注输入范围、缺失日期和未解决项的局部草稿。这时完成的是已说明范围内的整理，不能声称缺失日期也已覆盖。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】