给客户装个Workbuddy就能搞定的事，为什么我还在搭工作流
一句话总结：看得见不等于管得住，真正的差距是“别让它流下去”——规则能写死的定死，错的停；下一步要看结果的放给模型；收不回的停下来问人。
基本信息
- 来源类型：文章
- 原文位置：raw/articles/2026-10-12-133424-tg-046d6e.md
- 原文 URL：https://www.woshipm.com/ai/6475563.html
- 消化日期：2026-10-12
核心观点
- 看得见不等于管得住：可观测系统（Langfuse Tracing）能把 Agent 每一次调用还原成流程图，但那是事后；业务现场真正要命的是“别让它流下去”——错了就别进入下一个环节，差着一个量级。
- 定、放、问判断模型：
- 定：规则能写死的，一律写死（避免模型“灵活理解”导致返工、赔钱）。
- 放：只有“下一步要看上一步结果”的，才放手给模型（例如 Anthropic Research 系统会自己决定下一步检索方向）。
- 问：错了无法收回的，必须停下来问人（生成草稿可以改，往生产库写错就要事故报告）。
- 实操决策表：调研时拿一张表，一格一格填“决定权归谁”，方案就有了。
实操内容保留
（本文无实操代码/模板/步骤）
关键概念
与其他素材的关联
（暂无关联素材）
原文精彩摘录
看得见，不等于管得住。
这在调试时很有用，但它是事后的。
工作流的设计图和 Agent 的 Tracing，是两种东西：设计图管的是“预期怎么走”，Trace 记录的是“这次实际怎么走的”。
而业务现场真正要命的，不是“查得出来”，是“别让它流下去”。
错了就别进入下一个环节。
这差着一个量级。
企业要的，是业务结果符合规则，因此规则本身就应该通过工作流或代码程序固定下来。
但处理材料的方法却未必——有些步骤适合提前定死，有些该留给模型自主判断。
方案的专业性，就体现在能否划清每一步的决定权。
我把这套方法整理成了一套判断模型，叫做——定、放、问。
定：规则能写死的，一律写死
放：只有“下一步要看上一步结果”的，才放手给模型
问：错了无法收回的，必须停下来问人
这里有个反直觉的东西：加人工确认不是拖慢效率，而是把返工成本前置了。
回到开头那个问题：Agent 都能自己干活了，为什么还要搭工作流？
我的答案是：这个问题本身就问错了。
不该问“是用Agent还是搭工作流”，而是问“这一步，决策权归谁”。
规则能写死的，定。下一步要看结果的，放。错了收不回的，问。
方案的专业性，不在于你引入了多少AI节点，而在于你懂得选择哪些地方不让AI插手。