从0到1：企业级AI项目迭代日记 Vol.29｜自然语言变工作流：Agent 自动拼装子图的实现路径

把一件复杂的事做简单有两种方式降低门槛或者让别人替你做。团队选择了后者。那个“别人”是我们自己的 AI。一、工作流太难配所以让 Agent 来配昨天上线了工作流初版可视化节点编排支持拖拽连线、配置参数。看起来很完整。但有一个问题从一开始就存在配起来很难。不是界面丑不是文档少是这件事本身的复杂度就摆在那里——节点类型、参数格式、子图挂载逻辑任何一个环节出错整个流程就跑不起来。与其让用户学会这套编辑逻辑不如换一个思路用 Agent 生成工作流而不是让人来编辑它。具体的机制是这样的每个工作流节点上都有一份 Schema 描述告诉模型“这个节点能配什么、参数是什么格式”。模型拿到所有节点的描述之后就知道它可以用哪些积木、怎么拼。用户只需要用自然语言说出需求Agent 自动把对应的工具组装成一段 JSON再把 JSON 渲染成可视化的工作流图。整条路径是自然语言 → Agent 理解需求 → 检索可用工具 → 拼装 JSON → 渲染成图。这张图是可以保存的保存完之后挂到主流程的子图位置或者直接在意图路由里绑定这个工作流系统就会自动调用它。从“人配工作流”变成“AI 配工作流”看起来只是换了一个操作方式但背后的逻辑变化很大工作流的复杂度不再需要用户承担而是被系统自身消化掉了。二、打通这条路需要两步目前这个方向的实现分两步走。第一步是工具发现把现有的工具暴露给 Agent让它能看到、能调用。工具在 Agent 的可见范围之内才能被拼进工作流。这一步是基础没有它后面的一切都无从谈起。第二步是工具到工作流的生成Agent 拿到工具之后能够根据用户需求把工具组装成一段结构化的子工作流生成的结果可以直接测试运行不需要先挂到主流程。这让调试变得轻量——先跑通子图确认结果正确之后再接入主流程。这两步打通之后整个工作流的构建方式就从“手动编辑”变成了“对话生成”。三、节点的另一面可扩展性今天还讨论了节点设计的一个细节。目前的节点类型是静态的但设计上预留了动态扩展的能力——如果内置节点不够用可以通过自定义脚本扩展新的节点类型。每个节点的行为由 Schema 描述驱动系统不需要硬编码节点逻辑这为后续扩展留了空间。这个设计和“AI 配工作流”的方向是配套的节点类型越丰富Agent 能拼出来的工作流就越多样。四、上下文边界还是个难题跨会话记忆污染的问题还在处理中。这不是一个可以快速修掉的 Bug。上下文管理牵涉的面很广聊天历史的注入、Memory Write 的边界、跨会话的记忆召回——任何一个地方的调整都可能在别的地方引发连锁反应。上周有过一次教训往上下文里注入聊天历史之后模型的行为开始出现奇怪的偏差明明判断是拒绝回答却是通过。上下文污染对模型输出的影响远比预期的要大。这个问题的方案正在本地验证但什么时候能稳定上线还不确定。今天有人问让 AI 来配工作流那生成出来的东西我们自己看得懂吗团队的回应是生成出来会渲染成图看图不需要看 JSON。如果图也看不懂那就直接跑一下看结果对不对。这可能就是 AI 工具的新交互范式你不需要完全理解它是怎么做到的你只需要知道结果对不对。这是第二十九天。《从0到1企业级AI项目迭代日记》记录一个企业级 AI 项目从创意、架构到落地的真实过程。不讲神话只记录进化。如果你也在做企业 AI 落地欢迎留言来聊。或者把这篇转发给一个正在踩同样坑的朋友。