- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI智能体开发
AI工作流程开发框架
AI工作流程开发框架是用于构建、部署和管理人工智能（AI）应用程序的软件工具和技术的集合。它们提供了一组预先构建的组件、API和工具，简化了AI工作流程的开发过程。 常见的AI工作流程开发框架1.Kubeflow特点： 基于Kubernetes的机器学习平台 提供各种组件，如训练、部署、管道等 支持多种机器学习框架（如TensorFlow、PyTorch） 适用于： AI工作流程开发框架？ 选择AI工作流程开发框架时，需要考虑以下因素：项目需求：确定AI工作流程的复杂程度、运行环境、依赖关系等。技术栈：选择与现有技术栈兼容的框架，降低开发成本。 总结AI工作流程开发框架是构建AI应用的重要工具，选择合适的框架可以提高开发效率、降低开发成本。希望以上信息能帮助您更好地了解AI工作流程开发框架。
50310编辑于 2025-02-19 - 来自专栏iOS开发干货分享
Xcode 11 初体验（Xcode工作流的改进（Workflows））
[1240] 今天更新了 Xcode 11 感觉很不错（主要很多陌生的东西，但是很有意思）！这里跟大家一起分享一下！ 趁着最新更新正是版本的 Xcode 11 于是就有这一篇 Xcode工作流的改进（Workflows） 工程创建 [1240] 创建工程进来，就会发现 User Interface 可以进行选择 SwiftUI 指定文件打开位置 上面我们介绍了窗口分割，在 Xcode 11 中，你还可以按住 Option + Shift，然后在左边点击要打开的文件，这时会出现窗口选择提示 [1240] 你可以用键盘，或者鼠标任意方式选择你要打开这个文件的窗口
3.1K40发布于 2019-10-18 浅谈AI工作流 VS AI Agent VS MCP
人们可能会说“AI做到了这一点”，但其实，这种表述往往是笼统的，因为AI并非只有单一的形式。 事实上，AI有三个非常不同的层级：AI工作流、AI代理和MCP（模型上下文协议）。 让我们理清楚： AI工作流 像是一个食谱，始终按照相同的步骤进行。 •你设计流程。•AI在过程中填补空白。 •AI工作流 = 任务执行者•AI代理 = 目标解决者•MCP = 基础设施支柱 当你将正确的层次匹配到正确的问题时，AI不再是一个花招 — 而是一个竞争优势。 结尾 像一些智能体平台像扣子空间和百炼中做的那样，可以将工作流发布成mcp，然后添加到任务中由AI 大模型决定什么时候该调用哪一个mcp来提供支持，有点类似于套娃，可以催生出无限多种可能。 AI工作流适合那些重复性的任务，AI代理则能够在复杂环境中做出自主决策，而MCP则为AI代理提供了强大的基础设施支持。
43210编辑于 2026-03-13- 来自专栏GoCoding
AI 编程工作流与协同范式
本想就实际需求来说一下我是怎么用 AI 编程的，怎么与 AI 对话的，分享一下我的经验。但与它聊了几句工作流，发现它说得可真不错。那就看看我问了 AI 什么，它又回复了什么。来，一起学习吧。 我的 AI 编程工作流与协同范式，都在问题里了。而 AI 的回答则做了进一步的阐述，你也可以这样提问试试。一问：AI 怎么用好？AI 的 MCP 或 Skill 本质是不是优化描述做输入？ 二问：AI 编程工作流AI 编程，我有一套步骤，如下：需求-> 需求分析-> 技术选型 架构设计 实施目标-> AI 编程需求来了后，之后都可 AI 辅助。 二问：AI 编程工作流AI 编程，我有一套步骤，如下：需求-> 需求分析-> 技术选型 架构设计 实施目标-> AI 编程需求来了后，之后都可 AI 辅助。 ", "best_practices": "..." }}阶段三：自动化工作流用户需求 →AI需求分析师（分析需求类型） →AI架构师（选择设计模式） →AI程序员（基于模式生成代码
67020编辑于 2026-03-14 - 来自专栏Elastic Stack专栏
使用 Elasticsearch 构建 AI Agent 工作流
它定义：要达成的目标 可调用的工具集合 可访问的数据源 Agent 不仅能进行对话，还能驱动完整工作流、任务自动化或面向用户的应用。 开发者只需关注 做什么：目标、工具、数据；系统则负责 如何做：推理与工作流。默认 Agent平台内置的第一个 Agent 是 Kibana 原生对话 Agent。 Elastic Stack 内置远程 MCP 服务器，任何兼容 MCP 的客户端都能调用 Elastic Tool，作为更大工作流的构件。 开放 API、自动化任务和工作流，均需在企业级信任体系下运行。上述所有能力都继承了 Elastic 现有的安全控制，如 RBAC 和 API Key 管理。 由此构建完整的 AI 生命周期。Elastic 将持续提供接口，让你轻松构建基于自身数据的对话式 AI 与自动化工作流。更多技术细节和进展，敬请关注。
82021编辑于 2025-09-29 - 来自专栏明明如月的技术专栏
吴恩达：AI 智能体工作流
1.1 Agent 工作流 分享中指出不用 Agent 工作流时通过一次对话得到答案，效果往往不是很好。通过智能体工作流进行步骤拆分不断迭代，效果会更好。 但是加入智能体工作流的方式，GPT 3.5 甚至可以比单纯使用 GPT-4 的表现更好。 1.2 四种设计模式 在分享中他提出 AI 智能体的四种设计模式。 每种设计模式都体现了AI代理工作流在提高任务处理效率、增强问题解决能力方面的潜力，预示着AI技术在复杂任务处理和自动化方面的未来发展方向。 同时，他提到了对于即时反馈期望的调整，指出在使用AI智能体工作流时，我们需要学会耐心等待。 】AI智能体工作流 | Agentic Reasoning | 吴恩达Andrew Ng | 红杉AI Ascent 2024分享 | Agent 4大设计模式》
2.3K01编辑于 2024-05-24 - 来自专栏XINDOO的专栏
为什么AI智能体需要工作流
如果说上篇文章是探讨如何提升单个LLM模型的能力和表现的方法，那这篇文章则着重讨论如何通过工作流的设计和实现来提升整个AI系统的协同工作效率。 在深入探讨工作流的具体设计和实现方法之前，我们需要先理解工作流的必要性及其为AI应用带来的关键价值。只有明确了工作流的目的和价值，我们才能设计出真正满足实际需求的解决方案。 这是因为复杂任务通常涉及多个相互关联的子任务和决策点，超出了单个AI模型的处理范围。通过工作流，我们可以将复杂问题分解为一系列较小且可管理的子任务，每个子任务都由专门的AI组件或规则负责处理。 这里我找到了古腾堡上的《爱丽丝梦游仙境》英文版（https://www.gutenberg.org/cache/epub/11/pg11.txt ），由于其内容长度超出了大模型的输入限制，直接尝试总结全文 最后总结下本文的核心观点，在AI应用中，合理的工作流设计是提升系统效能的关键，通过任务的水平拆分和垂直拆分，我们可以构建出既能处理大规模数据又能保证质量的混合工作流体系。
67910编辑于 2025-10-27 别做 AI Agent，先用简单工作流
大家好，我是人月聊IT，今天接着AI和大模型方面的话题。 最近 Decoding ML 推出一篇文章《Stop Building AI Agents》，在海外平台引发了很多讨论。 文章痛批很多团队一上来就给大模型加记忆、角色和工具，让模型自己调度工作流，结果越做越像多米诺骨牌，一推就倒。 即在AI通用智能体或者说完善的大模型+MCP生态没有发展起来的时候，AI Agent智能体开发还会存在相当长的一段时间。 所以大家可以反过来想，不是AI Agent，而是应用程序增加了AI辅助的能力。AI Agent的本质就是一个应用程序，只是这个应用程序可以调用大模型的能力来对内容进行处理。 如果从这个角度来思考的话，AI Agent在通用智能体没有出来前仍然会存在相当长的一段时间。 所以现在的AI Agent已经没有你想的那么存粹，而更像是RPA+大模型能力的一个融合体。
56710编辑于 2025-07-14- 来自专栏Rust语言学习交流
【Rust日报】2023-11-22 Floneum -- 基于 Rust 的一款用于 AI 工作流程的图形编辑器
Floneum -- 基于 Rust 的一款用于 AI 工作流程的图形编辑器 Floneum 是一款用于 AI 工作流程的图形编辑器，专注于社区制作的插件、本地 AI 和安全性。
54310编辑于 2023-11-27 - 来自专栏AI
Dify 工作流集成 Tavily 实现 AI 联网搜索
想象一下，你搭建了一个智能客服，用户问"你们公司最新的产品发布了吗"，AI 却答不上来，这体验有多糟糕。解决方案就是给 AI 接上"互联网的眼睛"——搜索工具。 Tavily 是本文的主角，它专门为 AI 场景设计，返回的结果格式对大模型非常友好，减少了很多无关信息的干扰。 工作流设计思路在动手配置之前，先理清整个联网搜索的工作流程：用户提问 → 判断是否需要联网 → 调用搜索工具 → LLM 整合结果 → 返回答案最简单的实现是跳过"判断是否需要联网"这一步，直接对所有问题都执行搜索 效果验证配置完成后，点击工作流编辑器右上角的「运行」按钮进行测试。在输入框中填入测试问题："南昌今天天气怎么样"。 如果你正在构建需要回答实时性问题的 AI 应用，Tavily 是目前性价比最高的选择。
4.8K20编辑于 2026-01-16 - 来自专栏架构精进之路
AI 编程：重构工作流的思维与实践
我直接上核心观点：就是从「计算机语言描述工作流程」到「自然语言描述工作流程」的转变。 1.2 核心提炼：工作流思维 传统编程 vs Vibe Coding：开发模式的核心变革 1、传统编程：以技术实现为核心 传统编程围绕程序、程序员、软件工程三大支柱展开，具有显著特点： 入门门槛高，学习周期长 能力的新型开发模式，核心逻辑高度聚焦： 用自然语言精准描述业务需求与工作流 由 AI 自动完成代码生成、任务执行与细节处理 核心要求是使用者清晰定义 “做什么”，无需纠结技术实现路径 3、Vibe Coding 核心特征总结 1）本质是 “用自然语言定义工作流” 摆脱编程语言语法、框架的束缚，无需专业编程基础 核心门槛在于对业务流程的深度理解 重心从 “技术实现” 转向 “需求定义” 2）开发模式升级：从 三、如何正确理解重构工作流 个人对 [ vibecoding 加成下 ] 重构工作流的理解 AI 不是来当主厨的，是为了让主厨不用天天切土豆 3.1 构思全自动化工作流 关键原则：摒弃“一步到位”的完美主义
82310编辑于 2026-03-25 AI 编程工具、方法论与工作流
协议与生态层：MCP（Model Context Protocol），AI 编程的「USB-C」，一次写好所有工具都能调用外部系统 工作流层：Headless（无界面运行）、CI/CD、事件触发，人不在循环里工作流也能自己跑 全自动，也没有一个环节是纯手工 让工作流跑起来的三件事 产出物给 AI 看：Spec、CLAUDE.md、Skills、Hooks，每个产出物都有人和 AI 两个读者 人 + AI 分工：判断什么交给 AI、什么自己拍板、什么 AI 做但人复核 反馈自动化：Hooks 在 AI 出错前后秒级介入，不靠人当最后防线 差距在工作流：Bun 案例 简介：同一套工具，工作流设计得好坏，产出可以差十倍 Bun 6 天 96 万行：不是 AI 自主写完，而是 Sumner 设计了一套协作工作流跑到极致 不是从零，是迁移：Zig 翻译到 Rust，有完整原代码作参考、有测试作验证 工程铺垫极深：事先准备 300 是入场券，工作流才是护城河 AI 编程工具七层：模型、工具、配置与约束、协作机制、协议与生态、工作流、方法论 配置约束层（CLAUDE.md、Skills、Hooks）决定是 AI 编程的用户还是工程师
17910编辑于 2026-10-07642026 AI速递 | Gemini、Ideogram多模态工作流
原创文章，来源于AI技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。 6/4/2026AI速递|Gemini、Ideogram多模态工作流1.GeminiSpark与Antigravity2.0：Google把Gemini推向后台代理工作流GoogleI/O2026的核心变化不是再发布一个聊天入口 关键词：Gemini、代理、MCP、工作流2.MicrosoftFoundry在Build2026更新：托管运行时、记忆与实时语音把Agent开发推向可配置工作流Microsoft在Build2026上更新 想快速验证效果，可以直接用ideogram.ai或HuggingFaceSpacedemo；想接入开发工作流，可以在HuggingFace接受模型gate后，通过hfauthlogin登录，再用Diffusers 关键词：文生图、开源权重、设计图、多模态5.Microsoft开源markitdown：把PDF、Office文档转成可进入AI工作流的MarkdownMicrosoft开源的markitdown解决的是一个很具体但高频的问题
48720编辑于 2026-06-04- 来自专栏编程笔记
从 Agent 到 Skill：AI 图像工作流设计
本文记录我在Picuro（一个AI图像处理产品）中搭建AI工作流编排层的设计思路：为什么需要编排、核心概念怎么分层、一次修图任务如何端到端跑通，以及在可靠性和演进上踩过哪些坑。 一、为什么需要"编排"Picuro表面上只是一个"上传图片、输入需求、拿到结果"的产品，但背后的AI场景其实不少：智能修图、图片生成、多图融合、风格转换、卡通创作、AI选片。 AI层不负责：改工程标题、创建业务结果、扣退款用户额度、决定工程是否完成、覆盖用户手动编辑的内容。这些只能由业务层在消费AI输出后自己完成。 它们的关系如下：每一层回答一个不同的问题：概念回答的问题是否可复用示例Agent业务是谁、以什么身份进入AI否photo_editorWorkflow一条任务由哪些步骤、什么依赖组成是智能修图工作流Node 八、写在最后回头看，做AI工作流编排最值钱的不是那些花哨的DAG或插件机制，而是两件朴素的事：把"流程"从代码里显式地拎出来，以及把"业务"和"模型"之间画一条清晰的边界。
12500编辑于 2026-08-19 - 来自专栏云社区活动
AI 赋能，让工作流程飞起来！——开发 AI 增强型工作流程的五个关键步骤
AI 赋能，让工作流程飞起来！——开发 AI 增强型工作流程的五个关键步骤作者：Echo_Wish 你是否还在为重复性工作发愁？是否觉得数据分析、任务分配、流程优化太耗时间？ 今天，我就带大家一起，从 0 到 1 开发 AI 增强型工作流程，让你的工作流更加智能高效！ 第一步：识别工作流程中的 AI 机会想让 AI 帮你加速工作，首先要搞清楚哪些地方可以用 AI！ 第二步：收集和准备数据AI 是“数据驱动”的，数据质量决定了 AI 的效果！ 在 AI 工作流中，数据是最重要的资产。我们需要收集、清洗、预处理数据，确保它能用于训练 AI。 1. 第四步：AI 集成到工作流程中训练好的 AI 需要部署到实际业务中，才能发挥作用！ 1. 第五步：监控和优化 AI 工作流AI 不是一次性工程，它需要持续优化！ 1.
1.5K10编辑于 2025-03-30 - 来自专栏云计算与大数据
深入 ServiceNow AI Experience：AI 如何重新定义运维工作流
AI 不再只是辅助，而是主导工作流执行的中枢。 二、AI Experience 的四大核心能力：让工作流具备“感知、理解与行动力” ServiceNow 将其 AI 能力抽象为四个关键模块，这其实构成了未来“智能运维系统”的雏形： 1. 也就是说： AI 不再孤立，它内嵌在流程执行链路； 数据不是报告材料，而是实时驱动工作流决策的燃料； 工作流不再静态，而是 AI 动态编排的结果。 这正是AI Native 企业架构的核心思想。 因此，更可行的路径是： 以 ServiceNow 的架构理念为蓝本，用开源 + AI Agent 框架重构“国产版 AI 工作流中枢”。 六、结语：AI 让企业工作流拥有“思考的能力” 过去 20 年，我们让系统更自动化； 未来 5 年，我们要让系统更智能化。
45710编辑于 2026-07-02 - 来自专栏白话互联
【Ai Agent】Ai Agent News | 9月11日速递
今天是9月11日星期四，让我们一起来看看今天 Ai Agent 带来的 AI 领域的重要动态吧！ Agentic Playbooks to "Set a New Standard" for Workflow Automation ServiceNow推出Agentic Playbooks重新定义工作流自动化 AI Agent，但未来将是多Agent流程的天下 这一工具代表了从传统工作流自动化向AI增强流程的重要转变，为企业提供了更灵活、更智能的自动化解决方案。 随着AI工具的强大和普及，它们也变得不可预测且易受攻击。从LLM输出中的幻觉到提示注入，AI工作流面临多重安全威胁。 文章提到，代理式AI应用正在兴起，例如德勤的Zora AI Agent和普华永道的Agent OS平台正在重塑内部工作流程。
49110编辑于 2025-09-17 - 来自专栏TGLTommyAI前沿技术论文
AI 趋势研判｜2026-06-11
更可能出现三层结构：大众版负责规模化收入，企业版负责稳定工作流，受信任版负责网络安全、生物医药、关键基础设施等高风险高价值场景。 降价会直接压缩独立 AI 应用的定价空间：如果用户用 4.99 美元就能拿到 Gemini 能力和 400GB 存储，单一 AI 工具必须证明自己在工作流、垂直数据或专业场景上有不可替代性。 趋势研判 接下来一年，消费端 AI 会出现明显两极分化：平台公司把通用 AI 当作会员权益降价扩散，独立产品则被迫上探到专业工作流、团队协作和行业数据。 这会把一部分 AI 应用能力从 SaaS 层拉回平台层。 趋势研判 未来 3-12 个月，移动端和桌面端 AI 应用会重新评估“自建后端模型调用”与“调用系统 AI 框架”的边界。 下一阶段的赢家条件会更苛刻：一是有足够低的单位成本，能承受订阅降价；二是有足够强的权限、审计和责任边界，能进入企业和监管场景；三是有真实工作流闭环，而不是只把模型包装成对话框。
34410编辑于 2026-06-25 - 来自专栏喔家ArchiSelf
AI工程的11个实践指南
，联合软件工程、网络安全和应用人工智能领域的专家，推出了AI工程的11项基础实践。 这里，尝试把这11条经过实战检验的AI工程指南讲清楚，从问题定位到团队搭建，从数据管理到伦理考量，搞懂这些，才能避开AI开发的那些坑，真正打造出能落地、能长久、能让人放心的AI系统。 11、伦理是AI的底线，既要融入设计，也要纳入策略 当AI系统的能力越来越强，开始渗透到国防、医疗、金融、就业等各个关键领域，甚至能做出影响人类生活、利益甚至生命的决策时，伦理问题就成了绕不开的话题。 小结：变化，是AI工程唯一的不变 卡内基梅隆大学软件工程研究所的这11项AI工程基础实践，归根到底，都是在教我们一件事：学会应对变化。 但变化并不意味着无序，这11项实践，就是为AI工程建立了一套底层的逻辑和规范：从一开始就选对问题、搭好团队，到开发过程中管好数据、选对算法、做好安全，再到上线后持续优化、接受模糊性、扛住变化，最后守住伦理的底线
25610编辑于 2026-06-15 - 来自专栏智能时刻
智能体工作流：AI自主决策的终极形态
【智能体工作流：AI自主决策的终极形态】 ▌不只是解决问题→更是自动化复杂流程的引擎！ Agentic Workflows（智能体工作流）正迅速成为AI应用的主流范式 ▌当单一智能体无法处理复杂协作时？ 智能体工作流登场！ 它通过多步骤动态流程，协调多个API调用、AI任务、智能体甚至人工干预环节，构成一个实时适应的动态控制图 ▌核心突破： ➠ 外部化决策点：不再将所有逻辑塞进单个智能体，而是通过工作流协调多方资源 ：AI驱动逻辑的路由控制 ▶ Working Memory：跨步骤共享状态 ▶ Flexible Control Flow：支持分支/循环/降级路径的动态控制 本质：工作流为AI智能体提供了“选择路径 #AI创造营##ai探索计划##AI学习营##AI打工人##热点科普##职场技巧# 关注 @智能时刻 获取更多AI架构深度解析 评论区聊聊：你的工作中哪些流程适合用智能体改造？
18700编辑于 2026-07-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号