我要投稿

LLM & Agent 其实都逃不出一个工作流

发布日期：2025-01-21 20:51:12 浏览次数： 1769 来源：李桢的AI学习文档

Agent 为什么被追捧，核心的原因就是它切入业务场景，而大模型只是在信息的节点进行了转换，其实 LLM 也可以做到，只不过对于普通人还是有一定门槛的。我们假设揭开大多数行业专家的共识背后的面纱，如果我们深入了解提示词就会发现，其实提示词也可以写工作流，不论是工信部 AI 内容生成师的 RMAP 框架，还是市面上的 LangGPT 框架， CRISPE 框架，BROKE 框架，你都会看到一个提示词块：工作流　

## workflow

1, **** 　

2, ****　

3, ****　

也就是说，其实没有 Agent，也可以用提示词解决，我们追寻 Agent 最重要的一点，就是期望结果是稳定，而大模型未必能达到，但是是不是我们可以就着这条思路来看呢？到底大模型 LLM 是不是也可以分析流程呢？　

理论说：工作流不是一个 AI 的认知，而是一个思维能力　

我做运营的感受就是：一切任务都可以抽象成一个工作流来执行　

我们一直在说，某种程度上，我们需要大模型用提示词工程去准确抓取大模型的信息，我们还忽略了一件事情就是行业 knowhow，其实我们还忽略了一件事情，就是工作流分析，这也是很多咨询公司，帮助公司做 BPM 的机会。　

所有的流程抽象过程，基本经历四个阶段，　

任务识别：清晰知道自己的 Agent 的具体任务是什么？　

流程抽象：对于任务进行管理流程的显性化，画出流程图　

思维能力：理解并分析工作流程的能力　

稳定性期望：期望通过流程实现一致的稳定的结果。　

大型语言模型（LLM）应用流程

LLM 应用流程的设计理念可以类比为数据管道（data pipeline），类似于传统的 ETL（提取、转换、加载）流程。　

ETL 是 Extract， Transform， Load 的缩写，中文意思是抽取、转换、加载，它是一种用于数据仓库的数据集成过程。 ETL 过程将来自多个数据源的数据整合到一个统一的目标数据仓库中，以便进行分析和报告。　

ETL 过程通常包括以下三个步骤：　

抽取（Extract）:

•从各种数据源（如数据库、文件、API 等）中提取数据。　

•数据源可以是结构化的（如关系型数据库）、半结构化的（如 XML 文件）或非结构化的（如文本文件）。　

•在这个阶段，需要确保数据的完整性和一致性。　

转换（Transform）:

•对提取的数据进行清理、转换和格式化，使其符合目标数据仓库的要求。　

•转换操作可能包括数据清洗、数据类型转换、数据去重、数据聚合等等。　

•这个阶段的目标是确保数据的质量和可用性。　

加载（Load）:

•将转换后的数据加载到目标数据仓库中。　

•数据仓库可以是关系型数据库、NoSQL 数据库或其他数据存储系统。　

•在这个阶段，需要确保数据的正确性和完整性。　

为什么我要在这里多做解释，主要是这个跟未来我们的知识库建立有关联，其实这个是我们构建自己知识库的本质。　

这种流程的核心在于将复杂任务分解为一系列顺序步骤，确保系统的可靠性和可理解性。　

以下是一个典型的 LLM 应用流程，被人统称为（IPO）：　

输入（Input）:

数据：来自各种来源，如电子邮件、社交媒体或数据库。
提示：用户指令或预定义的指令，引导 LLM 生成特定输出。
处理（Process）:

调用 LLM 生成文本、翻译语言、回答问题或执行其他任务。
中间函数：对数据进行预处理、后处理或执行特定计算。
外部 API 调用：与其他服务交互以获取额外信息或执行特定操作。

这通常是 LLM 发挥作用的地方，可以是一个简单的步骤，也可以是包含多个步骤的复杂链。
处理步骤可以包括：
处理流程的设计应遵循顺序方法，例如有向无环图（DAG），确保数据单向流动，提高系统的可靠性。

输出（Output）:

LLM 生成的输出，例如文本、代码、翻译或其他数据。
输出可以存储在数据库中，显示在前端应用程序中，或用于触发其他操作。

•ETL 侧重于知识数据的集成和预处理，目标是构建知识库以供分析和报告使用。　

•LLM 应用流程侧重于利用 LLM 的能力来处理特定任务，例如文本生成、翻译、问答等等。　

关键设计模式：　

责任链模式（Chain of Responsibility Pattern）: 将处理步骤分解成独立的模块，每个模块负责特定的任务，并按顺序执行。
注册表模式（Registry Pattern）: 根据输入数据的类型或其他条件，动态选择和执行相应的处理管道。

示例：我们以电子邮件的回复为例　

如何将 LLM 应用流程构建成一个 Agent。应该包含以下步骤：　

接收电子邮件：我把多个文档放进大模型的对话框，让大模型接收到这些电子邮件。
分类邮件：使用 LLM 对电子邮件进行分类，例如确定其主题或意图。
生成回复：使用 LLM 根据邮件分类和预定义的模板生成各自独立的回复。
发送回复：将生成的回复，单独黏贴发送给发件人。

这样不用智能体，加点人工也能完成。所以都是带着 LLM 去思考，写出流程让 LLM 跟着执行结果也不会偏差太大。　

LLM prompt 提示词添加流程思维的优势就出来了：　

简单性：将复杂任务分解成简单步骤，更易于理解、实现和维护。
可靠性：顺序处理流程确保每个步骤按预期执行，减少错误和意外结果的可能性。
可扩展性：可以轻松地添加、删除或修改处理步骤，以适应不断变化的需求。
可控性：可以对每个步骤进行监控和调试，更容易识别和解决问题。

将 LLM 应用流程设计为智能体的流程也可以大大提高系统的可靠性、可扩展性和可控性，从而更有效地利用 LLM 解决实际问题。所以我经常在培训里说，我们面对 AI 时代最大的两个看，就是提示词的构建方法 & 工作流的设计思维。　

初学者建议 - DAG （Directed Acyclic Graph）

要想工作流思维学号，可靠性增强：顺序工作流程，也称为有向无环图（DAG），确保数据仅在一个方向流动。这种方法消除了循环依赖性，从而简化了调试和维护，同时提高了应用程序的整体稳定性。　

什么是有向无环图（DAG）？

有向无环图（DAG）是一种数据结构，它由节点和边组成，其中边表示节点之间的方向性关系（是不是跟我们教学的 Coze 很有关系？ ) . DAG 的关键特征是它不包含循环，这意味着从任何节点出发，沿着边的方向行进，都无法回到起点。　

在构建可靠的 LLM 应用中，DAG 经常被用来设计数据处理流程，即数据管道。这是因为 DAG 的无环特性可以确保数据流是单向的，从而提高系统的可靠性。　

以下是对 DAG 特性的进一步解释：　

有向： DAG 中的每条边都有一个明确的方向，指示数据流动的方向。
无环： DAG 中不存在任何循环路径，这意味着数据不能沿着边循环流动。
节点：节点表示数据处理步骤或阶段。
边：边表示节点之间的依赖关系，指示数据从一个节点流向另一个节点的顺序。

使用 DAG 设计数据管道的好处：　

可靠性： DAG 的无环特性确保每个处理步骤都依赖于其前序步骤的完成，从而避免循环依赖和潜在的死锁问题。
可理解性： DAG 提供了数据处理流程的清晰可视化表示，使其易于理解和维护。
可扩展性：可以轻松地向 DAG 添加或删除节点和边，以适应不断变化的需求。

DAG 是一种强大的数据结构，可以用来构建可靠、可扩展和易于理解的数据处理流程。在 LLM 应用中，DAG 可以作为设计提示词工作流的设计基础，从而提高 LLM 的整体回复质量和性能。在 Agent 应用中， DAG 可以增加循环，批处理等节点，但是 DAG 是新手学习工作流思维以及 Agent 的基础。　