- 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。
50410编辑于 2025-02-19 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。
43310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
67320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。
82621编辑于 2025-09-29 - 来自专栏字根中文校对软件
(9)Shark工作流的实现和WMFC&OMG规范的对比
Shark工作流的实现和WMFC&OMG规范的对比 -----第九部分：分析obe自带例子的执行过程 <? xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" /> 关键字：Shark 工作流 WMFC OMG 规范 Obe工作流的执行过程，下面来说说自带test中的例子的执行过程： 初始化工作流引擎的时候需要一个RepositoryManager 的实例 RepositoryManager 代表工作流执行中需要的资源库 然后进行工作流引擎的初始化： WorkflowEngine engine = new WorkflowEngine(repositoryManager); 引擎初始化后用obe的xpdl解析类从用户定义的
54910发布于 2019-02-14 把产品经理的看家本领装进 AI：9 大插件、68 项技能、42 条工作流全拆解
它有 9 大插件、68 项技能、42 条串联好的工作流，覆盖从发现、战略、执行、上线、增长到交付 AI 代码的全流程。适配 Claude Code 和 Cowork，技能部分也兼容其他 AI 助手。 这就是「工作流」的威力：不是给你一段文字，而是拉着你走完一个闭环。 3. 二、9 大插件逐个拆：从一个想法到真正上线 搞懂地基，接下来是重头戏。我按产品从 0 到 1 的真实流程，把 9 个插件串起来讲。 9. pm-ai-shipping：给「AI 写的代码」补一份说明书 解决什么：这块是全项目最有意思、也最贴合当下的一个。 9 个插件自动全装。
45310编辑于 2026-07-06- 来自专栏ADAS性能优化
AI Weekly | Nov. 9, 2019
Researchers tout AI that can predict 25 video frames into the future In a preprint paper, researchers propose an AI model that can predict up to 25 video frames into the future given only two to five starting Applause targets AI bias by sourcing training data at scale Software-testing company Applause wants to reinvent AI testing with a service that detects AI bias by crowdsourcing larger training data sets. Remember that scary AI text-generator that was too dangerous to release?
36310编辑于 2022-05-13 - 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。 就像一个优秀的团队不仅需要每个成员都很强，更需要有效的协作机制一样，我们不仅需要优化单个AI组件的性能，还需要建立起完善的工作流程来实现更大的价值。 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。 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。
68210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小龙虾复盘：从帮朋友搭AI工作流，到卖出9份skill技能包赚了3285元
我花了一个下午帮他搭了一套AI工作流：告诉AI今天做了什么→AI自动生成选题→AI出初稿→朋友改细节→AI做封面图→一键推送草稿箱→手机上点发布他零基础，跑通之后每天花20分钟出一篇内容。 3月29日，深汕数字科创产业园，AI切磋大会。台下60人，我在台上讲了"帮朋友搭AI工作流"的故事，顺便演示了一下我的AI助理怎么帮我写文章。分享结束后，156人进了我的讨论群。上百人加了微信。 很多人问的第一句话是："你那个AI写文章的东西怎么搞？"这就是需求验证。不是问卷调查，不是市场分析，是真真实实的人跑来问你"这个怎么买"。二、为什么会有人愿意为一个"AI工作流"付费？ 但我认真准备了内容——不是泛泛而谈"AI很厉害"，而是拿出真实的数据和案例。PPT里放了我的公众号数据截图（268转发、12%分享率），放了我的AI助理操作录屏，放了帮朋友搭工作流的故事。 我实际用的工作流是这样的：展开代码语言：TXTAI代码解释选题（2min）：给AI一个方向→生成10个选题→我挑1个↓大纲（1min）：AI根据选题生成文章框架→我确认/调整↓初稿（2min）：AI按框架写
99521编辑于 2026-04-05- 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。
49210编辑于 2025-09-17 - 来自专栏DolphinScheduler
Apache DolphinScheduler 9 月进展：工作流任务执行等问题修复，性能再升级
各位热爱 Apache DolphinScheduler 的小伙伴们，社区 9 月份月报姗姗来迟啦！ 本月聚焦功能修复与性能优化，修复工作流计划设置、HDFS 存储启动等关键问题，优化数据库索引、Quartz 数据源配置等提升性能，11 位贡献者共完成多项 PR，保障系统稳定高效运行。 apache/dolphinscheduler仓库 修复 [Fix-17548] [Api]工作流设置计划失败 @shangeyao [Fix-17370][FOLLOWUP]修复使用 HDFS -17413][DataSource][Hive&Spark]主字段在 Kerberos 环境中未显示且未正确使用 @njnu-seafish [Fix-17477]可以删除包含故障转移实例的修复工作流
42210编辑于 2025-10-29 - 来自专栏圣杰的专栏
.NET+AI | Agent | 人机协作（9）
通过 ApprovalRequiredAIFunction 为敏感工具加上人工审批环节，快速构建符合企业合规要求的 MAF 人机协作智能体。
44310编辑于 2025-12-28 - 来自专栏月色的自留地
从锅炉工到AI专家(9)
Epoch 8 Step 1207755: lr = 0.015 words/sec = 401 Eval 4965/17827 accuracy = 27.9% Epoch 9
94060发布于 2018-06-20 - 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
82610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
20010编辑于 2026-10-07642026 AI速递 | Gemini、Ideogram多模态工作流
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 SundarPichai在开场演讲中提到，Gemini应用月活已超过9亿，Google模型API每分钟处理约190亿token，Gemini3.5Flash已面向产品和API开放，并被用于Antigravity2.0 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
49720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。
13500编辑于 2026-08-19
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