零基础认识大语言模型（LLM）工作原理(12.Workflow：为什么企业 AI 都离不开工作流？)

第十二章 Workflow：为什么企业 AI 都离不开工作流？

目录

零基础认识大语言模型（LLM）工作原理目录 - GuZhenYin - 博客园

本章导读

上一章我们介绍了 MCP，它解决的是：AI 如何连接工具。

但是企业在真正使用 AI 时，很快又会发现另一个问题。

例如，一个采购审批流程：

• 读取采购申请

• 检查库存

• 判断是否超预算

• 发送审批

• 等待结果

• 通知仓库

这一串操作,就不是“调用一个工具”能完成的事情了。

它需要：

• 顺序执行

• 条件判断

• 等待外部结果

• 失败重试

• 状态管理

这时候，仅靠 LLM+Tool Call 已经不够了。

于是 Workflow（工作流）出现了。

 

12.1 为什么 LLM 不适合控制流程？

我们还是先看一个简单任务：帮我统计 Excel 销售额。

LLM 可以一次完成

但是一旦用户把任务变成：每天自动读取销售数据，如果低于目标就给负责人发消息。

那么问题就来了

因为这里出现了：

• 时间触发

• 条件判断

• 循环执行

• 异常处理

• 长期运行

而 LLM 的特点是：

 一次请求 → 一次推理 → 结束。

所以它并不是一个长期运行的流程引擎。

 

12.2 Workflow 的本质是什么？

我们先概括一下: Workflow等于用确定性的流程，组织不确定性的 AI 能力。

这里面有两个关键词：

 

确定性

例如：

• 先查库存

• 再审批

• 最后发通知

这些步骤顺序是固定的。

 

不确定性

例如：

• 审批意见如何生成？

• 邮件怎么写？

• 问题如何总结？

这些更适合交给 LLM

所以,我们就需要 Workflow 负责“流程”，LLM 负责“智能”。

 

12.3 一个最小工作流

假设我们做一个“日报生成”流程：

流程图：

对应步骤：

• 读取数据库

• 统计数据

• 调用 LLM 生成摘要

• 发送邮件

注意：

这里只有第 3 步用了 AI。

其他步骤则全部是普通程序。

 

12.4 为什么企业特别需要 Workflow？

因为企业系统天然就是流程化的。

例如医院 SPD：

这里最关键的是：流程必须可控、可追踪、可审计。

然而 LLM则本身并不具备这些能力。

 

12.5 Workflow 与 Agent 有什么区别？

这是比较容易混淆的地方。

Workflow	Agent
流程预先定义	步骤动态决定
可预测	更灵活
适合企业流程	适合复杂开放任务
强调稳定	强调自主性
像 BPM 系统	像智能员工

 

12.6 什么时候用 Workflow？什么时候用 Agent？

适合 Workflow 的场景

• 审批

• 报表

• 通知

• 数据同步

• ERP 流程

• 医院业务流程

 

适合 Agent 的场景

• 代码开发

• 复杂调研

• 多步分析

• 开放式问题解决

• 自动化运维

 

12.7 实际案例：以 Dify Workflow 为例

前面我们讲的是原理。

现在来看一个真实的开源产品(它带火了2025年的AI浪潮)

Dify 的 Workflow 其实本质上就是一个可视化流程编排器。

典型流程：

 

 

其中：

节点	作用
LLM	生成内容
IF	条件判断
HTTP	调用 API
Code	执行代码
End	输出结果

这里,我们就可以发现：

Dify 的核心并不是 LLM，而是“流程编排”。

LLM的调用只是其中一个节点。

 

12.8 组合才能更佳

很多人以为：

 AI 应用等于调用大模型。

但是在实际应用过程中,企业里的 AI应该是Workflow + LLM的组合

真正稳定的 AI 系统，往往是“Workflow + LLM”的组合，而不是单纯的大模型。

 

本章总结

这一章，我们解决了四个关键问题：

①为什么 LLM 不适合控制流程？

因为它是一次性推理，不擅长长期运行与状态管理。

 

②Workflow 的本质是什么？

用确定性的流程组织 AI 能力。

 

③Workflow 与 Agent 的区别？

Workflow 强调稳定和可控，Agent 强调灵活和自主。

 

④Dify 的核心价值是什么？

不是“大模型”，而是“可视化工作流编排”。