登录社区云，与社区用户共同成长
邀请您加入社区
8 月 25 日，字节正式发布豆包工作。如果只看功能，它很难让人惊讶。ChatGPT Work 能操作应用和文件，WorkBuddy 能跑本地电脑和云端任务，千问办公能做文档、表格、PPT、视频和网页。技能、连接器、多 Agent、定时任务、手机遥控电脑，这些也早已成为办公 Agent 的常见配置。豆包工作这次值得看的地方，落在产品背后的组合上。7 月 30 日，飞书产品团队与豆包产品团队完成整合
LangGraph 把 Agent 从散乱的脚本拉回了可控系统，但很多团队在联调时才发现，真正卡住上线的不是工作流本身，而是权限、日志和可观测性。本文复盘一次真实项目：Demo 跑通了，权限配置漏了一层，日志没有 trace 串联，排查时谁都不知道自己该负责哪一段。从排查过程到代码解释，从失败原因到适用边界，希望给准备把 LangGraph 引入生产环境的开发者一份可操作的清单。LangGraph
一周备稿 · 2026-08-11 · 21:00下篇预告：JSON Schema 约束 LLM 输出很多人桌面开着 Cursor，终端里又跑着 Claude Code，结果。问题不在工具不够强，而在。
大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流大模型技术之-Python调用Dify平台工作流
这篇实验教程介绍了如何在Dify平台上配置能够自主调用工具的智能体(Agent)，重点解决了"会聊不会干"的业务痛点。主要内容包括： 业务场景：电商运营需要能自动查询数据、执行分析和发送通知的业务助手 解决方案：采用Agent+自定义工具模式，通过工作流发布工具、配置Function Calling策略 关键配置： Agent核心参数设置(迭代次数、调用策略) 系统提示词定义工具使用规则和行为边界
这篇面向想构建可靠 Agent 工作流的后端和 AI 应用开发者，但不会把“LangGraph 工作流：Agent 从脚本变成可控，把学习路线落到项目证据”写成概念清单。我会按工程化实践教程的思路，把它放到真实开发、学习路线和求职准备里看，顺便讲几个容易忽略的取舍。这次我会从“从团队落地角度切入，重点写协作、日志和可维护性”展开，换一组场景和例子来讲。回到“LangGraph 工作流：Agent
摘要： 斯坦福团队开发的AgentFlow是一个模块化智能体框架，通过四大专业模块（Planner、Executor、Verifier、Generator）协同工作，显著提升了AI模型在多步骤任务中的工具调用与规划能力。其核心创新Flow-GRPO算法通过奖励广播机制解决了长时序任务中的信用分配难题，使7B参数的Qwen模型在10项基准测试中表现超越GPT-4o等更大模型（如搜索任务提升14.9%
本文总结了Agent协作体系从5个复杂SKILL.md文档到"瘦技能协议"的演化过程。初始设计包含5个技能文档和配套Python脚本，经历三轮审查后重构为简洁协议：1) 每个技能仅定义触发规则和关键指令；2) 移除脚本依赖，改用原生CLI操作；3) 通过STATUS.md作为唯一通信通道；4) 最终形成以事件驱动、协议层与路由层解耦的轻量级架构，每个技能文件控制在30行以内。这一演进体现了"技能即
本文介绍了如何利用Dify工作流构建智能API文档生成器，替代传统的Swagger工具。通过结合大语言模型的语义理解能力，直接从代码注释生成结构化的Markdown文档，支持Java、Python和Go等多语言项目，实现零侵入性、高定制化的文档自动化。
【摘要】围绕 AI 工程从单点指令到多执行单元协作的演进脉络，拆解五层工程体系的边界与适用条件，解析 Graph Engineering 的核心架构、双图谱形态与落地选型标准，帮助技术团队平衡系统可靠性与复杂度成本，建立科学的工程选型判断框架。
qKnow智能体构建平台开源版v2.2.3发布，重点增强Agent Bot的自定义工具编排能力。新版本支持用户根据业务需求灵活组合工具，并新增工具分类管理功能，提升企业智能体应用的适配能力。同时优化了通知公告展示、导航栏稳定性等前端体验，修复用户管理等后台问题。此次升级通过低代码配置方式降低Agent应用搭建门槛，使业务人员能快速完成工具绑定和能力调整，助力企业更高效地构建贴合业务场景的智能体应用
摘要：本文深入解析Dify中工作流与Agent的核心概念与差异，工作流适合确定性业务逻辑（如数据审核），Agent则适用于动态决策场景（如智能客服）。通过智能内容安全审核助手案例，展示如何构建包含敏感词检测、风险分流、知识库检索和大模型分析的完整工作流，实现从输入到输出的自动化处理流程。文章还详细介绍了Dify中工作流和对话流的适用场景及创建方法，帮助开发者掌握复杂业务逻辑的可视化编排技术。
把这 11 篇连起来看，其实是一条完整的线——一个需求从想法到上线的全过程：
工具数量增加后，误选工具、参数混用和重复调用会逐渐增多。解决时应缩小候选范围，划清 Skill 职责，并用输入契约、终止条件和执行记录检查每次调用。
摘要（150字） Dify企业级实验展示了如何通过Workflow as Tool机制实现多应用协同。针对电商场景中客服分流、订单质检、工单创建和周报汇总四个独立应用的割裂问题，该方案将业务链整合为端到端流程：用户咨询→智能分流→订单质检→按需建单→结果组装。关键设计包括能力应用发布为工具、编排应用动态调度、条件分支判断（如"投诉/售后/高风险"触发工单）以及JSON数据解析。实测验证了异常订单自
文章摘要 本文介绍了如何将Dify平台19个实验串联成一个生产级智能工单处理系统。该系统针对电商客服场景，实现从用户自然语言输入到自动处理的完整流程：参数提取→质量检查→意图分类→路由分发→多Agent处理→报告生成→错误兜底。关键点在于： 系统设计需考虑异常路径（90%的复杂度），而非仅正常流程 采用模块化架构，包括输入检查、分类路由、多Agent协作等核心环节 每个检查节点必须连接IF-ELS
摘要：上周复盘一个 Agent 项目，业务方一句话"跨文档关联"就把整个团队打回原形。我们之前用 LangChain 写的脚本式 Agent 在 Demo 里跑得挺顺，但真正要接入生产环境时，权限校验、日志追踪、人工审批这些环节全乱了。这篇文章复盘我们用 LangGraph 重构工作流的过程，聊聊从 Demo 到生产系统真正需要补的功课。---从 Demo 到生产，Agent 项目真正要补的不是模
本文详细介绍了如何利用FastGPT 4.11.0的高级工作流编排功能，从零开始构建一个高效的酒店运营问答系统。通过本地构建、知识库优化和工作流设计，实现智能化的客户咨询响应与运营问题处理，显著提升酒店服务效率与客户体验。
本文介绍了如何在星图GPU平台上自动化部署🔮 SPIRAN ART SUMMONER图像生成镜像，快速搭建AI图像生成环境。该镜像基于Flux.1-Dev模型，能够根据文本提示词，高效生成具有《最终幻想》风格的唯美游戏场景与角色图片，为游戏美术、概念设计等创意工作提供强大支持。
本文深入探讨了LangGraph中`add_conditional_edges`方法在AI Agent开发中的应用，通过构建智能决策工作流实现动态路由。以客服工单分类系统为例，详细展示了如何利用条件判断实现工单智能分流，并分享了级联条件边设计、性能优化与错误处理等实战技巧，帮助开发者提升AI Agent的决策能力与系统鲁棒性。
AI辅助编程正成为现代软件开发的重要范式，其核心在于通过智能代理理解开发者意图并生成高质量代码。其技术原理基于大语言模型的上下文理解与代码生成能力，结合工程化的提示词设计和工作流编排，能够显著提升开发效率与代码质量。在技术价值层面，AI编程助手不仅自动化了重复性编码任务，更通过技能扩展、工作流集成和工具链优化，实现了从代码生成到DevOps自动化的全流程赋能。典型的应用场景包括自动化代码审查、智能
AI Agent作为人工智能技术的重要分支，其核心原理是通过大语言模型理解指令、规划任务并调用工具来执行复杂操作。这项技术的价值在于将自然语言交互转化为自动化的工作流，显著提升开发、数据分析等场景的效率。在实际工程实践中，如何有效管理多个AI Agent的协作、调度任务并与现有开发工具链集成，成为关键挑战。Codexia正是针对这一痛点设计的集成式桌面工作台，它深度整合了AI Agent工作流、任
本文详细介绍了如何利用Dify平台的工作流功能，结合Qwen2.5VL模型快速生成微调数据集。通过环境准备、文档处理、文本预处理、模型配置等步骤，实现从原始文档到符合格式要求的训练数据集的自动化生成，大幅提升AI模型开发效率。
在软件工程领域，工作流（Workflow）是提升开发效率与代码质量的核心方法论，它通过将复杂任务分解为标准化步骤，实现过程的可控与可复用。其原理在于通过规划优先、验证前置等机制，对抗认知偏差与即兴编码带来的质量风险。这一理念在AI辅助编程场景下尤为重要，能够将AI从“反应式”代码生成转变为“规划驱动”的系统性协作。技术价值体现在显著提升代码生成的结构化程度、减少返工，并实现基于上下文的经验沉淀。应
在软件开发中，上下文管理是提升效率的关键。传统开发依赖开发者的记忆和经验，而现代AI编程助手（如Cursor、GitHub Copilot）在单次会话中常因缺乏“工作记忆”而出现上下文断裂，导致重复沟通和代码不一致。其核心原理在于将项目的长期目标、技术约束和短期任务状态，通过结构化的Markdown文件进行外部化存储与管理，形成一套人机协作协议。这一实践的技术价值在于，它将一次性的、模糊的AI对话
AI智能体（Agent）作为实现复杂任务自动化的核心技术，其核心原理在于通过大语言模型（LLM）驱动，结合工具调用与多步骤推理，模拟人类决策过程。该技术的核心价值在于将非结构化问题转化为可执行的自动化流程，显著提升任务处理效率与智能化水平。在应用场景上，AI智能体广泛应用于智能客服、自动化数据分析、内容生成与代码辅助开发等领域。然而，随着工作流复杂度的提升，智能体系统的编排、状态监控与调试成为工程
在软件开发中，自动化是提升效率、减少重复劳动的核心技术。其原理在于通过脚本或工具将一系列手动操作序列化、标准化，从而降低认知负荷和操作失误。从技术价值看，自动化不仅节省时间，更能保障操作一致性，是工程实践中的重要环节。在应用场景上，自动化广泛用于开发环境搭建、代码质量检查、构建部署等流程。本文聚焦于VSCode编辑器，介绍如何利用OpenClaw这类扩展，通过定义上下文相关的操作序列（工作流），实
AI Agent（智能体）作为连接大语言模型与实际应用的关键技术，其核心在于通过规划、工具调用与记忆等组件，模拟人类完成复杂任务。其工作原理通常遵循感知-规划-执行-反思的循环，通过提示词工程引导模型分解目标，并利用外部工具获取信息与执行操作。这一架构的技术价值在于将AI的认知能力与软件系统的执行能力深度融合，实现了从“对话”到“自动化”的跨越。在应用场景上，AI Agent正从早期的娱乐化聊天机
AI Agent（智能体）作为当前人工智能应用的核心架构，通过结合大语言模型（LLM）的认知能力与外部工具的执行能力，实现了从感知到行动的闭环。其技术原理通常基于ReAct（推理-行动）等框架，使Agent能根据目标自主规划并调用工具。这一架构的技术价值在于将通用AI能力转化为解决特定业务问题的自动化流程，显著提升效率与准确性。在应用场景上，AI Agent正从早期的对话原型快速向企业级办公自动化
在当今技术快速迭代的时代，提升个体工作效率与决策质量成为关键。AI Agent作为一种智能体技术，通过理解意图、调用工具和执行任务，正深刻改变技术工作者的工作模式。其核心原理在于将自然语言指令转化为结构化任务，并利用信息检索、逻辑推演等能力辅助决策。这一技术的价值在于，它能将从业者从重复的信息检索、文档撰写等基础工作中解放出来，使其更聚焦于高价值的架构设计、策略思考等创造性工作。在应用场景上，AI
在人工智能应用开发领域，工作流编排和智能体构建正成为降低技术门槛的关键路径。其核心原理是通过可视化节点连接，将大语言模型、数据处理工具和业务逻辑组件化封装，形成可自动执行的AI应用。这一技术价值在于让非开发者也能快速构建定制化AI解决方案，实现业务流程自动化。典型的应用场景包括信息摘要生成、智能客服、内容创作和数据整理等。本教程以Coze平台为例，通过一个信息搜集与摘要生成的智能体案例，详细演示了
大语言模型（LLM）通过自然语言理解和生成能力，为智能应用提供了核心动力。其工作原理是基于海量数据训练，学习语言规律和知识关联，从而实现对复杂任务的推理与执行。这一技术价值在于将AI能力从单纯的对话交互，拓展至可编排、可执行的自动化业务流程，显著提升了开发效率和任务可靠性。在应用场景上，AI智能体与工作流技术正广泛应用于内容运营、客户服务、数据分析和流程自动化等领域。本文聚焦于Coze平台，深入探
大语言模型和智能体技术正深刻改变软件工程实践。其核心原理在于通过深度学习理解复杂指令，并调用工具链执行多步骤任务，从而将开发者从重复的信息处理中解放出来。这一技术价值在于显著提升方案设计、代码生成和技术调研等环节的初始效率，尤其适用于架构设计、自动化脚本编写和知识库问答等场景。以Kimi K3为代表的智能体，其进步体现在任务拆解的主动性、输出内容的工程可用性以及对上下文的连贯理解上。这要求开发者将
在AI工具日益普及的今天，理解其底层逻辑比掌握具体操作更为关键。大语言模型（LLM）作为核心技术，通过自然语言处理实现智能交互，其价值在于将人类指令转化为可执行任务。从原理上看，这类工具本质上是模型无关的任务执行管道，负责调度、上下文理解和结果返回。技术价值体现在将单次交互升级为可重复的自动化流程，从而显著提升开发效率。应用场景广泛覆盖代码生成、文档处理、数据转换等结构化任务。本文聚焦于Codex
在人工智能技术飞速发展的今天，工作流自动化正从基于固定规则的脚本执行，演进为以智能体（AI Agent）为核心、具备自主规划与决策能力的动态协同系统。其技术原理在于，通过大语言模型赋予工作流节点语义理解与任务拆解能力，结合工具调用、记忆反思等模块，实现从“听令行事”到“主动思考”的转变。这种技术架构的价值在于，它能将复杂的业务目标自动分解为可执行序列，并在执行过程中根据上下文动态调整路径，从而大幅
在软件工程领域，自动化代码生成一直是提升开发效率的关键方向。其核心原理是借助人工智能技术，将结构化的需求描述转化为可执行的程序代码，从而减少重复劳动。这一技术的核心价值在于，它能将开发者从繁琐的文档翻译和基础代码编写中解放出来，使其更专注于系统架构和核心业务逻辑的实现。典型的应用场景包括快速原型验证、独立开发者项目以及创业团队的敏捷迭代。本文聚焦于如何构建一个以飞书文档为需求源、以AI编程助手为核
工作流自动化是企业数字化转型的核心技术，它通过定义任务顺序、角色与规则，实现业务流程的标准化与效率提升。其原理在于将离散的操作串联为可重复、可监控的完整链路。这项技术的核心价值在于打破信息孤岛，实现系统间无缝协同，从而降低人工成本、减少错误并加速业务响应。典型的应用场景包括客户关系管理、订单处理、报告生成等跨系统协作任务。随着AI Agent技术的发展，智能体与工作流引擎的结合成为新的趋势。通过将
在自动化技术领域，工作流（Workflow）代表了基于预设规则的确定性流程执行，而AI智能体（Agent）则实现了向目标驱动的自主决策系统的范式跃迁。其核心原理在于结合大语言模型的推理能力与外部工具调用，通过ReAct（Reasoning + Acting）等架构模式，使系统能够动态规划任务、评估结果并迭代执行。这一技术价值在于将AI从简单的流程自动化提升为能够处理非结构化复杂任务的智能伙伴，广泛
在AI应用开发领域，大语言模型（LLM）与外部工具、数据的集成是核心挑战。传统链式编排在处理复杂、多步骤、有状态的工作流时，常面临控制流不清晰和状态管理困难的问题。其技术原理在于引入图计算模型，将应用逻辑抽象为节点和边，从而显式定义控制流与状态流转。这一架构的技术价值在于显著提升了智能体（Agent）行为的可预测性、可调试性和可维护性，使得构建具备复杂决策与循环能力的AI应用成为可能。其应用场景广
Dify、Coze、n8n是三大AI应用构建工具，各有侧重：Dify是开源LLM应用开发平台，适合企业级RAG应用；n8n是自动化工作流工具，连接500+系统实现跨平台流程；Coze是字节跳动的零门槛AI机器人开发平台。三者可协同使用，Dify和Coze处理AI逻辑，n8n连接外部系统，形成完整AI工作流。部署方式上，Dify和n8n支持开源私有化，Coze主要提供SaaS服务。
Harness Engineering 是一套让AI Agent可控、可靠的工程方法论，是设计思想。它通过上下文管理、权限控制等手段，给强大的AI“大脑”套上安全“外壳”。Dify、Coze、n8n 是实现这一思想的具体工具平台，用于构建和编排AI Agent。Dify侧重企业级RAG应用，Coze主打低门槛快速开发，n8n擅长跨系统流程自动化。工作流则是落实Harness思想的关键“骨架”，通过
实验摘要：自动化周报生成系统 本实验构建了一个自动化运营周报生成系统，通过多数据源并行采集、智能分析、模板转换实现一键生成周报功能。系统核心特点包括： 并行数据采集：同时获取销售、客服、用户三个维度的数据 智能分析：自动计算环比指标，检测数据异常 LLM分析：生成300字以内的趋势分析和行动建议 双格式输出：支持Markdown和JSON两种报告格式 可选推送：可配置是否推送到企业微信机器人 系统
既然骨没变，为什么偏偏是 Agent、MCP、工作台这批词成了当下的主角？因为模型能力跨过了一个门槛。早几年，模型连把一句话说顺都费劲，谈何"自己干活"。当模型的理解、推理、长上下文都够用之后，行业注意力自然从"让模型说得准"转移到了"让模型做得到"。从"能对话"到"能执行"，这是真实的能力跃迁，也是这批概念背后的硬支撑。所以这一茬词，比"工作流"那茬更有底气——它不是纯叙事，它踩在了模型能力实打
工作流
——工作流
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit AI 社区
2048 AI社区
MCP技术社区
CSDN-OPC开发者社区
亚马逊云科技技术品牌专区
AI Agent技术社区
DeepSeek技术社区
龙虾开发者社区
快递鸟社区
DAMO开发者矩阵
