- 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。 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。
33710编辑于 2025-02-19 - 来自专栏叕鰦座
工作流开发
Work Flow开发的基本流程 1、用SE37建立Function Module（可选）； 2、用SWO1建立Object Type； 3、用PFTC_INS建立标准工作细项(TASK) ； 4、用PFTC_INS建立工作流程范本(TEMPLATE)； 5、建立组织结构 1）PFAC_INS 标准职能 2）PPOCE 组织单位 tcode:swo1 新建BOR ? task主要完成工作流的数值匹配，代理执行（触发event），逻辑流转等： ? ? 在目前很多SAP方案中，SPRO已经加入很多审批配置点，需要action files 活动参数文件配合： ? ? 在task和部分增强的配合下，在标准工作流基础上还可以自己设置： ? ? 以支持灵活审批以及后续的KPI统计
66420发布于 2021-03-11 - 来自专栏全栈程序员必看
activiti工作流开发_flowable工作流
深入理解Activiti工作流 Activiti作为一个流行的开源工作流引擎，正在不断发展，其6.0版本以API形式提供服务，而之前版本基本都是要求我们的应用以JDK方式与其交互，只能将其携带到我们的应用中 ，而API方式则可以服务器独立运行方式，能够形成一个专网内工作流引擎资源共享的方式。
2.1K40编辑于 2022-11-08 云开发 Copilot ｜拥抱AI浪潮：如何革新开发者工作流
本文将从产品能力分析、使用场景以及 AI 辅助开发的前景展望三个方面，探讨云开发 Copilot 的潜力与未来。 团队协作：在多人协作开发中，Copilot 的代码规范化能力可以帮助团队维持一致的编码风格，从而减少代码审查的时间成本。 AI 辅助开发的前景展望 AI 辅助开发的未来可期。 随着 AI 模型和开发工具的进一步进化，它们将从辅助工具逐步演变为开发团队的重要成员。 提升个性化开发体验：未来的 AI 助手能够更加智能地学习开发者的偏好与习惯，从而提供更加个性化的开发支持。 这将降低开发门槛，使更多非技术背景的人也能参与到软件开发中来。 AI 开发生态系统的完善：AI 辅助开发工具不仅是孤立的工具，更可能逐步融入更广泛的开发生态系统。 而 AI 辅助开发的未来，也将伴随着技术的进步，不断释放出更多的潜能。对于每一位开发者来说，拥抱 AI 工具不仅是一种选择，更是适应未来趋势的必然之路。
26910编辑于 2024-12-13- 来自专栏HUC思梦的java专栏
JAVA开发工作流程
阶段 0 ：拟出一个计划 决定在后面的过程中采取哪些步骤，思考整个开发任务如何实现，分步骤建立“路标”，这样可以帮助自己开发时一步一个脚印的逐步完成，有效的防止自己在开发过程中迷失方向。 “校订”可以理解为你原来开发的产品经过我们认知的增长，会发现一些不合理的地方，对这些地方进行修改，这就是校订。 除此之外还会有“递增开发”，也就是在原有的基础上增加新的功能，如果我们本来的系统没有考虑过结构化，就会导致增加功能成本增加，而一个好的结构可以在原有的模式上修改就可以实现开发新功能，大大降低维护成本。
80020发布于 2020-09-03 - 来自专栏优雅R
「R」Shiny：工作流（一）开发工作流
工作流系列将向读者介绍如何提升 3 个重要的 Shiny 工作流： 创建应用，进行更改并尝试结果的基本开发周期。 调试，找出代码出了什么问题的技巧，并集思广益地解决该问题。 首先我们将学习开发工作流。 优化开发工作流程的目标是减少做出更改和看到结果之间的时间。迭代的速度越快，你可以进行的实验就越快，你就可以成为一名更好的 Shiny 开发人员。 这里有两个主要的工作流程需要优化：第一次创建应用程序，以及加快代码调整和试验结果的迭代周期。 查看你的更改 可能你每天只创建几个应用程序，但你将运行数百次应用程序，因此掌握开发工作流程尤为重要。 这为你提供了以下开发工作流程： 编写一些代码。 使用快捷键启动应用程序。 交互式地测试应用。 关闭应用。 回到第 1 步。
1.4K10发布于 2020-07-03 - 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.
1.1K10编辑于 2025-03-30 - 来自专栏云云众生s
准备开发者将AI整合到其工作流程中
他们的角色正在从代码创建转变为影响 AI 工具的使用。希望充分发挥 AI 潜力的开发团队领导者应该激励他们的团队积极参与，将 AI 战略性地整合到他们的工作流程中。 来自 GitLab 的研究 发现，开发团队已经开始通过代码生成 (47%) 和自然语言 聊天机器人 (35%) 在他们的工作流程中应用 AI，并且他们对其他用例感兴趣，例如生产力指标预测 (38%) 和漏洞解释和修复 开发人员技能提升: 生成式 AI 可以帮助您提升开发人员的技能，以便他们能够有效地使用和维护 AI 系统。 开发团队需要一个试错期来确定 AI 和其他工具如何与个人工作流程相匹配。在组织实现长期收益之前，可能会出现短期生产力下降。领导层应该通过在开发和迭代周期中强调透明度和问责制来为此做好准备。 将 AI 整合到软件开发流程中可以帮助自动化和标准化开发人员工作流程，创建减少认知负荷的黄金路径，释放开发人员的时间，并使团队能够为组织和最终用户提供更大的价值。
25810编辑于 2024-07-27 - 来自专栏JadePeng的技术博客
PhiData 一款开发AI搜索、agents智能体和工作流应用的AI框架
PhiData作为一个开源框架，为开发者提供了构建具有长期记忆、丰富知识和强大工具的AI助手的可能性。本文将介绍PhiData的核心优势、应用示例以及如何使用PhiData来构建自己的AI助手。 服务部署：最后，使用Streamlit、FastApi或Django等工具，将你的AI助手部署为一个应用程序。 PhiData开发agents 官方仓库的cookbook目录里有一个demo agents程序，使用streamlit开发了交互界面，官方默认是用的open ai的GPT4。 show_tool_calls=False, markdown=True ) hn_workflow = Workflow( llm=groq, name="HackerNews 工作流 总结 PhiData以其强大的功能集成和灵活的部署选项，为AI产品开发提供了极大的便利和高效性。它为构建智能AI助手提供了一个全新的视角，让开发者能够探索AI的无限可能。
3.6K11编辑于 2024-05-25 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。 •不是面向用户的工具 — 这是为开发者准备的。•MCP 安全地将AI代理与以下工具连接：•Notion•Slack•日历•Perplexity•可以将它看作是一个带有记忆和权限的API翻译器。 •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。 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。
18710编辑于 2026-03-13- 来自专栏全栈程序员必看
workflow开发_php工作流引擎
微软官方的WorkFlow入门要求比较高，所以我们萌生了开发一个简单的工作流引擎，帮助.Net coder们解决软件项目中流程的处理。实现写最少的代码，实现最炫酷的功能。 流程设计器 实际运用 WikeFlow工作流引擎只有两个核心类,FlowDesignService(流程设计)，FlowInstanceService（流程实例） 1.FlowDesignService
1.1K20编辑于 2022-11-01 - 来自专栏量子位
AI产品开发指南：5大核心环节搞定机器学习工作流
于是，国外的问答网站Quora上就有了这个问题： 怎样开发出一个AI系统或者产品？ 量子位觉得，有一个来自Sean McClure的回答很不错。 要构建一个AI系统或产品，你要处理好5个核心环节，我们通常称之为“机器学习工作流”。这些步骤分别是： 1. 数据收集与分析 2. 数据准备 3. 模型构建 4. 模型验证与测试 5. 构建一个有用的产品，就意味着你不仅要写代码做出工作流的各个部分，还需要定义整个问题，并将专业知识融入到这个机器学习工作流的每个步骤中。 也就是说，在产品开发中，上述每个步骤不仅要符合产品设计的关注点，还要符合符合我们在开发中通常要关注的统计数据和最佳范例。 通过与用户的有效对话，你可以实现这一目标。 以上这些看上去工作量很大，但从这个流程中，你可学习到如何快速构建AI系统。 构建产品时，你要学会精益（Lean）和敏捷（Agile）。你不能只专注于提高某个环节，而忽视产品的其他方面。
1.3K50发布于 2018-03-23 - 来自专栏hui
了解Git工作流的开发
GitFlow工作流 Vincent Driessen曾经写过一篇博文，题为 A successful Git branching model（一个成功的Git分支模型）。 Gitflow工作流程就是从这篇文章里来的。 Gitflow工作流程围绕项目发布定义了严格的分支模型。其特色在于，它为不同的分支分配了非常明确的角色，并且定义了使用场景和用法。 除了用于功能开发的分支，它还使用独立的分支进行发布前的准备、记录以及后期维护。 分支介绍 分支 作用 master 历史迭代分支 develop 集成最新开发特性的活跃分支 f_xxx feature 功能特性开发分支 b_xxx bug 修复分支 r_xxx release 版本发包分支 初步流程 每家公司的 GitFlow 工作流，都不一样。
74010编辑于 2021-12-06 - 来自专栏CodeSpirit
告别 “问答式 AI 开发”：一文搞懂 AI 工作流的 6 大设计模式
告别 “问答式 AI 开发”：一文搞懂 AI 工作流的 6 大设计模式 还在靠“问一句、写一行”的问答式AI开发？ 本文拆解AI工作流的6大核心设计模式，看完就能对应场景选对模式，告别“越用越乱”的窘境。 一、先搞懂：为什么“问答式AI开发”注定低效？ 第一步指令（关键词提取）：“请提取这篇AI开发相关技术博客的3-5个核心技术词，仅保留名词/名词短语，例如AI工作流、Chain模式，不要多余解释”，AI输出：“AI工作流、Chain模式、上下文传递、 第三步指令（分类标签）：“根据上一步的摘要，给文档打上2个精准分类标签，标签格式为「领域+场景」，例如「AI开发+文档处理」”，AI输出：“「AI开发+文档处理」「AI工作流+Chain模式」”，每一步严格依赖上一步结果 欢迎在评论区留言交流，一起解锁AI高效使用技巧～ 关于AI工作流，下一篇我将分享《如何用十几个智能体打造自己的敏捷团队：BMAD AI开发工作流实战》。
63910编辑于 2026-02-28 - 来自专栏k8s技术圈
使用 Docker 加速开发工作流
在开发工作流中使用 Docker 可以极大提高生产力，它消除了"它在我机器上都可以运行"这类典型的错误，在不同的机器上运行也只需要一个 Docker 守护进程，而不需要其他组件。 为什么要 Docker 化开发工作流 上面我已经提到了在你的开发环境中使用 Docker 的好处。 这是一个事实，它摆脱了典型的"它在我的机器上可以工作"的问题，除此之外，还有其他一些好处： 让团队成员之间的开发工作流程更加标准化 如果你也使用 Docker 进行部署，则减少了针对生产环境的 bug（ 生产和开发之间的配置可以很相似）。 $ docker-compose up 如果你想停止这些容器，可以执行下面的命令： $ docker-compose down 总结 这里我们只是介绍的一个简单的 Docker 开发环境配置，当然也可以很容易地进行扩展
1.9K51发布于 2020-10-26 - 来自专栏GoCoding
AI 编程工作流与协同范式
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。 ，或者建立审查规则优先级挑战3：迭代循环过长问题：审查→修改→再审查可能多次循环解决：设置最大迭代次数，或者人工介入阈值未来展望：AI编程团队你的实践预示着未来AI编程的形态：短期演进：人类开发者 → AI程序员 → AI测试员 → AI运维 ↓人类总监（最终审批）具体行动建议记录对比数据记录Gemini单独开发 vs. ，它：超越了单一模型的限制：通过分工协作实现1+1>2的效果模拟了真实开发流程：创作与审查分离，专业化分工为AI团队协作奠定了基础：展示了多个AI如何协同完成复杂任务这种模式最像MCP中的多Server
23710编辑于 2026-03-14 - 来自专栏Elastic Stack专栏
使用 Elasticsearch 构建 AI Agent 工作流
但对开发者来说，实现过程却充满挑战：Agent 的能力取决于它对环境的感知以及可用工具。 如何从海量多样的企业数据中提取出“正确的上下文”极具难度。 在平台中构建 AgentAgent Builder 集成于 Search AI Platform，围绕五大支柱设计，全面支撑生产级 AI 系统的开发与部署：Agent、Tool、开放标准、评估、以及安全 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。 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。
48121编辑于 2025-09-29 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”。 动态上下文管理：在传统开发中，管理长对话的上下文窗口是一项艰巨的工程挑战。扣子工作流通过可视化的变量传递机制，自动管理节点间的数据流动。 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。
39711编辑于 2026-03-19- 来自专栏程序源代码
WEB开发平台及工作流平台
概述介绍 百捷OA系统是适用于中小型企业的平台型OA管理软件，融合了广州百捷网络长期从事管理软件开发的丰富经验与先进技术， 该系统采用领先的B/S(浏览器/服务器)操作方式，使得网络办公不受地域限制。 百捷OA系统提供常用的功能模块，包括：个人办公、工作流、公文、人力资源、行政办公、档案、项目管理、知识库、在线交流、CRM系统等，并且未来还会持续增加更多功能模块。 随OA系统同时提供的还有百捷WEB开发平台、百捷工作流平台，让使用者无忧使用、任意定制属于自己的OA系统。 个人感觉还是不错的。
1.1K40发布于 2019-08-13 CICD开发工作流实践技术日志
, CD）提高开发效率、减少错误，并加速软件从代码到用户的交付速度。 在开发过程中，我严格遵循了"简洁、可读、可测"的编码原则，采用了TDD（测试驱动开发）的方式进行开发。 测试驱动开发（TDD）实践：我开始尝试采用TDD的开发方式，即在编写功能代码之前先编写测试用例。这种方式迫使我在设计阶段就考虑函数的边界条件和异常情况，从而编写出更加健壮的代码。 在传统模式下，开发人员只负责写代码，测试和部署是其他团队的事情。而在CI/CD模式下，开发人员需要对代码从开发到部署的全生命周期负责。这种责任的延伸促使团队成员更关注代码质量和系统稳定性。 AI驱动的CI/CD：智能化的质量与效率提升人工智能正在为CI/CD带来革命性变化。从智能测试用例生成、缺陷自动定位，到构建优化建议和风险预测，AI技术正在帮助我们从"自动化"迈向"智能化"。
42410编辑于 2025-09-16
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