- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI技术应用
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。 在Kubernetes上运行和管理AI工作流程2.MLflow特点： 用于管理机器学习生命周期的平台 提供实验跟踪、模型打包、部署等功能 支持多种机器学习框架 适用于：跟踪和管理机器学习实验3.Metaflow 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。
42610编辑于 2025-02-19 - 来自专栏运维有术
OpenSpec vs Superpowers：2 套 AI 编码工作流，3 个场景怎么选？
问题不在 AI 本身，在于缺少一套规范的工作流来约束它。 OpenSpec 架构图 - DAG 工件依赖关系与增量规格系统 2. ，不是硬约束 子 Agent 功能依赖平台支持 - 不是所有 AI 工具都支持派遣子 Agent 图 3：Superpowers 14 个技能的工作流管道 3. 场景 C：团队协作的规范化开发流程 背景：一个 5 人团队开发一个中型 Web 应用，2 个后端、2 个前端、1 个全栈。用 Claude Code 和 Cursor 混合。 如果你也在用 AI 编码工具做项目开发，你目前的工作流是什么样的？评论区说说你的经验，看看大家是不是踩了同样的坑。 好啦，谢谢你观看我的文章，如果喜欢可以点赞转发给需要的朋友，我们下一期再见！
10.3K11编辑于 2026-04-01 - 来自专栏终码一生
推荐2个Springboot的工作流项目，轻松搞定工作流！
今天主要推荐两个工作流的springboot项目，开源项目中有具体的部署操作文档，核心表结构说明，都可以帮助理解工作流原理，其实大厂华为阿里里面的工作流虽然号称自研（很多都是参考开源），跟开源工作流的原理差不多的 工作流出问题比较高频的是配置出现低级问题，比如少一个符号或大小写不规范，别问我怎么知道的（玩工作流好几年了），工作流玩熟悉了，开发效率是极快的。 自带的用户、角色功能，因为过于简单，转而自行实现一个用户、角色、权限的三级结构，用户到角色，角色到权限均为多对多映射，持久层框架使用mybatis的collection和association标签嵌套实现； 2. 12.效果图： 2 RuoYi-vue 4.x + flowable 基RuoYi-vue 4.x + flowable 6.5 的工作流管理 ~ 一直想学习和入门flowable, 期间大量面向百度编程解决了很多问题 http://doc.ruoyi.vip 演示图 项目地址 https://gitee.com/shenzhanwang/Spring-activiti https://gitee.com/tony2y
3.1K40编辑于 2022-04-15 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。
35410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。 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。 2. ) (DeepSeek)2.
47910编辑于 2026-03-14 扣子AI智能体工作流（完结）
智能体新范式：扣子 AI 工作流核心技术与实战在人工智能演进的宏大叙事中，我们正站在一个关键的转折点上：从“对话式交互”迈向“代理式执行”。 扣子（Coze）的出现，标志着AI 智能体（AI Agent）开发进入了“工作流编排”的新范式。这不仅是工具的创新，更是人机协作逻辑的重构——从让 AI“回答问题”，转变为让 AI“完成任务”。 异构能力融合：工作流打破了 AI 模型与传统软件系统的边界。通过标准化的插件接口，智能体可以无缝调用搜索引擎、数据库、CRM 系统甚至物联网设备。 四、生态价值：低代码赋能与知识资产化扣子工作流的另一大技术贡献，在于极大地降低了 AI 应用的开发门槛，实现了智能体开发的民主化。 AI 将不再仅仅是执行预设脚本的工具，而是能够不断反思、学习和成长的有机体。结语扣子 AI 工作流的核心技术，不仅仅是提供了一种新的开发工具，更是定义了一种全新的智能体构建哲学。
1.3K11编辑于 2026-03-19- 来自专栏Elastic Stack专栏
使用 Elasticsearch 构建 AI Agent 工作流
你可以直接操控 Agent 与 Tool，并通过 API 以及 MCP、A2A 等开放标准接入其能力。 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。 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。 Agent-to-Agent (A2A)我们也在研发 Agent-to-Agent (A2A) 支持。如果说 MCP 负责连接 Tool，A2A 则连接 Agent。 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。
64721编辑于 2025-09-29 - 来自专栏CSDN搜“看，未来”
Nginx（2）：架构设计与工作流程
2、nginx采用了异步非阻塞的方式来处理请求。 3、线程只有一个，所以同时能处理的请求只有一个，只是在请求间进行不断地切换而已，切换也是因为异步事件未准备好，而主动让出的。 ③ HTTP模块（http） 该模块提供 HTTP 处理的核心功能和部分功能模块，HTTP 核心功能维护了 HTTP 多个阶段的工作流，并实现了对各种 HTTP 功能模块的管理和调用。 ---- 工作流程 晓得个框架设计明显是不够的，框架设计可以说是骨架，皮肉就是里面那些模块了，那这些骨架和皮肉又是怎么盘活的呢？ Master 初始化 worker初始化 upstream工作流程 大概也就门清儿了，先学习进程模型、再进入几个核心模块看框架，最后再收了设计比较好的数据结构、内存池、缓冲区以及一些问题解决方案。
74940发布于 2021-10-09 AI 生图终于能进入电商工作流：GPT Image 2 更适合跨境卖家!
第三，是多图一致性更强，更接近真实的商品素材工作流。跨境卖家做的从来不是一张图，而是一整套图。一个产品要有白底图、功能图、场景图、对比图、促销图，同一个模特可能还要配不同角度、不同姿势、不同场景。 ChatGPT Image 2 在多处文字同步修改这类任务上，已经比过去的 AI 工具更像一个能配合运营和设计协作的生产工具。 稳卖接入 GPT Image 2，意义不只是多了一个模型稳卖 AI 浏览器这次接入 ChatGPT Image 2，本质上做的也不只是“加一个生图按钮”。 真正有价值的地方，在于把这项能力放进卖家本来就在使用的工作流里。你不需要在多个平台之间来回切换，也不需要先去别的工具里生图、再回到运营系统里继续处理。 ChatGPT Image 2 之所以值得关注，不是因为它又把 AI 生图推向了一个更炫的阶段，而是因为它让 AI 图片第一次真正更贴近跨境电商的真实需求。
90510编辑于 2026-04-24- 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。 AI 首先生成代码，然后再次审视这段代码，检查是否有逻辑错误或可以优化的地方，并据此进行修改。这种自我修正的过程可能循环进行多次，直到代码达到预期的标准。 2. 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。 实战技巧参见：《用扣子/Coze 揭秘吴恩达的4种 AI Agent 设计模式》 各种各样的 Agent 产品合集：https://github.com/e2b-dev/awesome-ai-agents
2.1K01编辑于 2024-05-24 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。
44610编辑于 2025-07-14- 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。
52610编辑于 2025-10-27 - 来自专栏java思维导图
推荐 2 个 Spring Boot 的工作流项目
今天主要推荐两个工作流的springboot项目，开源项目中有具体的部署操作文档，核心表结构说明，都可以帮助理解工作流原理，其实大厂华为阿里里面的工作流虽然号称自研（很多都是参考开源），跟开源工作流的原理差不多的 工作流出问题比较高频的是配置出现低级问题，比如少一个符号或大小写不规范，别问我怎么知道的（玩工作流好几年了），工作流玩熟悉了，开发效率是极快的。 自带的用户、角色功能，因为过于简单，转而自行实现一个用户、角色、权限的三级结构，用户到角色，角色到权限均为多对多映射，持久层框架使用mybatis的collection和association标签嵌套实现；2. 12.效果图： 2、RuoYi-vue 4.x + flowable基 RuoYi-vue 4.x + flowable 6.5 的工作流管理 ~一直想学习和入门flowable, 期间大量面向百度编程解决了很多问题 http://doc.ruoyi.vip演示图 项目地址 https://gitee.com/shenzhanwang/Spring-activiti https://gitee.com/tony2y
1.3K21编辑于 2022-03-04 - 来自专栏媒矿工厂
W3C：媒体工作流集成（2）
例如，如果我们有转码器，方法将是“转码”，如果我们有一个 AI 工具，它将是“分析”等。在这种情况下，我们不会有供应商锁定，因为如果我们想将一个转码器或一个 AI 工具换成另一个，这将非常简单易行。 它不需要知道之前的 AI 系统的具体数据模型是什么。 使用场景 2 另一个是本地化，我们在云中接收一个内容，音频、字幕或两者都接收到，它使用网络浏览器，支持视频和音频的播放，还支持音频、字幕和所有内容的同步。如果它是正确的，它将被传递到另一个目的地。 附上演讲视频：http://mpvideo.qpic.cn/0b2evmaaaaaabmaafwd2wfrfbk6dacvqaaaa.f10003.mp4? dis_k=1e2f14138867cb33ac7a805342eb5eaf&dis_t=1653460574&vid=wxv_2391943808696811521&format_id=10003&support_redirect
76730编辑于 2022-05-25 - 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。 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 基于搜索结果中的事实信息回答，不要编造2. 如果搜索结果信息不足，诚实告知用户3. 语言简洁清晰，直接回答问题4. 如果涉及时效性信息（天气、新闻等），注明信息来源时间5. 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。
3.8K20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。 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 人的角色：需求提出者、流程设计者、结果审核者 2. 2、对性能问题极度不敏感 核心现象 AI 生成的方案逻辑无误，但工程实现成本极高；小数据量测试时表现正常，一旦上线面对真实流量便会瞬间“翻车”。 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
56810编辑于 2026-03-25 642026 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 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 本地跑2K图像仍会吃显存，安全审核还依赖Hivekey，隐私和合规边界需要自己评估。 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
25320编辑于 2026-06-04- 来自专栏菩提树下的杨过
LangGraph4j 学习系列(2)-条件工作流
接上节继续，本节将演示条件工作流如何用langgraph4j实现 经过node-1节点时，根据该节点的输出状态值，来决定流向node-2，还是node-3 ? 一、定义节点 1 public class Node2Action implements NodeAction<AgentState> { 2 @Override 3 public Map Object> apply(AgentState state) throws Exception { 4 System.out.println("current Node: node-2" ); 5 return Map.of("myData", "node2-my-value", 6 "node2Key", "node2-value"); 则跳到node-2，如果返回3，则跳到node-3 33 Map.of("2", "node-2", 34
54710编辑于 2026-03-02 - 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。 2. Voice Agent：让值班不再孤独 语音交互让运维值班真正解放双手。 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。
6810编辑于 2026-07-02 - 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. 监控 AI 预测效果使用日志系统（如 ELK、Prometheus）监控 AI 预测效果，确保 AI 不会跑偏： tail -f /var/log/ai_workflow.log2.
1.3K10编辑于 2025-03-30
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