返回专栏
· 24 分钟阅读

什么是 AI 工作流?从任务编排到智能自动化的完整技术解析


一、什么是 AI 工作流?

AI 工作流(AI Workflow)是指将 AI 模型能力与程序逻辑、外部工具、数据资源和业务规则组合起来,按照预先定义或动态生成的执行路径,完成一项或多项复杂任务的系统机制。

传统程序通常依赖开发人员明确编写执行逻辑,而 AI 工作流可以将部分决策交给大模型,使系统具备理解自然语言、动态选择工具、生成内容和处理非结构化信息的能力。

例如,一个智能合同审查工作流可以包含:

  1. 接收用户上传的合同。
  2. 解析 PDF、Word 等文档。
  3. 提取合同主体、金额、期限等关键信息。
  4. 检索相关法律条款和企业内部制度。
  5. 调用大模型识别风险。
  6. 对识别出的风险进行规则校验。
  7. 生成审查报告。
  8. 将结果保存到业务系统。

这些任务不是简单地连续调用模型,而是通过明确的节点、数据传递规则和控制逻辑组织起来的完整执行过程。

1. AI 工作流的核心组成

一个典型的 AI 工作流通常包含以下组件:

组件 主要职责
Trigger 触发器 启动工作流,例如用户请求、定时任务、Webhook
Input 输入 接收文本、文件、结构化参数等数据
Node 节点 执行某个独立任务
LLM 模型 理解、推理、分类、生成内容
Tool 工具 调用搜索、数据库、API 或业务服务
Condition 条件 根据执行结果决定后续路径
State 状态 保存流程执行过程中的上下文和中间数据
Loop 循环 重复执行某些任务,直到满足退出条件
Output 输出 返回最终结果或执行业务操作
Error Handler 异常处理 处理超时、失败、重试和降级

2. AI 工作流的基本执行过程

一个简单的 AI 工作流可以抽象为:

flowchart TD
    A["触发工作流"] --> B["接收输入"]
    B --> C["执行任务节点"]
    C --> D["调用 AI 模型"]
    D --> E["解析模型结果"]
    E --> F{"是否满足执行条件"}
    F -->|"是"| G["执行后续任务"]
    F -->|"否"| H["进入异常处理或补充处理"]
    G --> I["生成最终结果"]
    H --> I
    I --> J["输出结果"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style C fill:#EAF3EC,stroke:#83A995,color:#315D49
    style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style G fill:#EAF3EC,stroke:#83A995,color:#315D49
    style H fill:#F7EAE7,stroke:#C98D7C,color:#754438
    style I fill:#EAF3EC,stroke:#83A995,color:#315D49
    style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F

需要注意:AI 工作流不一定每个节点都调用大模型。数据读取、格式转换、条件判断、权限检查和数据库写入等任务,通常更适合由确定性的程序逻辑完成。

二、AI 工作流与传统工作流的区别

传统工作流(Workflow)主要解决业务流程自动化问题,例如审批、订单处理、数据同步和任务调度。

AI 工作流则在传统流程编排的基础上引入大模型能力,使部分任务可以根据自然语言、非结构化数据和上下文动态执行。

1. 传统工作流

传统工作流通常采用预定义规则和固定执行路径。

例如,订单审批流程:

flowchart TD
    A["提交订单"] --> B["检查订单金额"]
    B --> C{"金额是否超过阈值"}
    C -->|"否"| D["自动审批"]
    C -->|"是"| E["主管审批"]
    E --> F{"审批是否通过"}
    F -->|"是"| G["创建订单"]
    F -->|"否"| H["拒绝订单"]
    D --> G

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style D fill:#EAF3EC,stroke:#83A995,color:#315D49
    style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style H fill:#F7EAE7,stroke:#C98D7C,color:#754438

特点:

  • 执行路径预先定义。
  • 判断条件明确。
  • 相同输入通常产生相同执行路径。
  • 适合规则明确、流程稳定的业务。
  • 不具备天然的语义理解和开放式推理能力。

2. AI 工作流

AI 工作流可以让大模型参与任务理解、分类、信息抽取和路径选择。

例如,智能客户服务流程:

flowchart TD
    A["接收用户问题"] --> B["大模型理解意图"]
    B --> C["识别问题类型"]
    C --> D{"问题类型"}
    D -->|"订单问题"| E["查询订单系统"]
    D -->|"产品问题"| F["检索产品知识库"]
    D -->|"技术问题"| G["检索技术文档"]
    E --> H["整理查询结果"]
    F --> H
    G --> H
    H --> I["大模型生成回答"]
    I --> J["输出给用户"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style C fill:#EAF3EC,stroke:#83A995,color:#315D49
    style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style G fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style I fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F

特点:

  • 能够理解自然语言和非结构化输入。
  • 可以根据语义识别任务类型。
  • 可以调用不同工具和外部系统。
  • 可以根据中间结果调整部分执行路径。
  • 需要额外处理模型输出的不确定性。

3. 两者的核心差异

对比维度 传统工作流 AI 工作流
决策方式 固定规则 规则与模型决策结合
输入形式 结构化数据为主 结构化与非结构化数据
执行路径 预先定义 固定路径或动态分支
语义理解 通常不具备 可通过大模型实现
工具调用 固定接口调用 可结合模型动态选择
结果确定性 相对较高 受模型输出影响
可解释性 通常较强 需要额外设计决策记录
适用场景 审批、订单、调度 智能客服、知识处理、内容生成

两者并不是相互替代的关系。

在生产系统中,通常采用混合架构:确定性业务逻辑由传统工作流负责,语义理解、内容生成和复杂判断交给 AI 模型。

三、AI 工作流的核心架构

AI 工作流并不是简单地把多个模型调用串联起来,而是一个具备执行引擎、状态管理、任务编排和异常恢复能力的运行系统。

1. 整体架构

一个较完整的 AI 工作流系统可以分为六个层次:

架构层 核心职责
接入层 接收用户请求、Webhook、定时任务
编排层 解析流程定义,调度节点执行
执行层 执行 LLM、工具、代码和业务节点
状态层 保存流程实例、节点状态和上下文
集成层 对接数据库、API、向量库和外部服务
观测层 记录日志、指标、链路和执行事件
flowchart TB
    A["接入层<br/>API / Webhook / Scheduler"]
    B["工作流编排层<br/>Workflow Engine"]
    C["节点执行层<br/>Node Executor"]
    D["状态管理层<br/>State / Context / Checkpoint"]
    E["外部集成层<br/>LLM / Tools / Database"]
    F["可观测性层<br/>Logs / Metrics / Traces"]

    A --> B
    B --> C
    C --> D
    C --> E
    B --> F
    C --> F
    D --> B

    style A fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style B fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style E fill:#EAF3EC,stroke:#83A995,color:#315D49
    style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D

各层之间的关系:

  • 接入层负责创建工作流实例。
  • 编排层负责确定节点执行顺序。
  • 执行层负责真正执行节点逻辑。
  • 状态层负责保存执行过程中的数据。
  • 集成层提供外部模型和业务系统能力。
  • 观测层负责记录工作流运行情况。

2. 工作流定义与工作流实例

这是理解工作流系统时非常重要的一组概念。

Workflow Definition:工作流定义

描述工作流应该如何执行,通常包括:

  • 节点定义。
  • 节点之间的依赖关系。
  • 输入和输出 Schema。
  • 条件分支。
  • 循环规则。
  • 超时和重试策略。
  • 异常处理策略。

Workflow Instance:工作流实例

表示某一次具体的执行过程,通常包括:

  • 实例 ID。
  • 当前执行状态。
  • 输入参数。
  • 中间结果。
  • 节点执行记录。
  • 错误信息。
  • 开始时间和结束时间。

例如,同一个合同审查工作流定义,可以同时创建多个实例,分别处理不同用户上传的合同。

工作流定义:合同审查流程
    ├── 实例 A:合同 A 的审查任务
    ├── 实例 B:合同 B 的审查任务
    └── 实例 C:合同 C 的审查任务

工作流定义通常相对稳定,而工作流实例具有独立的生命周期和运行状态。

3. 节点与边

工作流通常可以抽象为一个有向图:

G=(V,E)

其中:

  • V:节点集合,每个节点表示一个执行单元。
  • E:边集合,表示节点之间的依赖或控制关系。

例如:

flowchart TD
    A["输入节点"] --> B["文档解析"]
    B --> C["信息提取"]
    C --> D["风险分析"]
    D --> E["报告生成"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F

节点负责执行,边负责描述执行关系。

边不仅可以表示简单的先后依赖,也可以携带条件,例如:

  • 只有上游节点成功,才执行下游节点。
  • 当某个字段满足条件时,进入特定分支。
  • 多个上游节点全部完成后,才执行下游节点。
  • 根据动态路由结果选择不同节点。

对于复杂工作流,图结构比简单的线性任务列表更容易表达并行、分支和循环。

四、AI 工作流的核心节点类型

工作流节点是组成整个执行系统的基本单元。不同节点承担不同职责,节点之间通过输入输出数据连接。

1. 输入节点 Input Node

负责接收工作流运行所需的数据。

常见输入包括:

  • 用户文本。
  • 文件。
  • JSON 参数。
  • API 请求。
  • 数据库记录。
  • 外部事件。

例如:

{
  "user_id": "U10001",
  "question": "如何申请退款?",
  "channel": "web"
}

输入节点需要进行 Schema 校验,避免后续节点收到不完整或类型错误的数据。

2. LLM 节点

负责调用大语言模型完成语义任务。

常见任务:

  • 文本分类。
  • 信息抽取。
  • 内容生成。
  • 摘要总结。
  • 意图识别。
  • 推理分析。
  • 结构化输出。

例如,使用模型识别用户问题类型:

输入:
"我的订单已经发货了,能不能取消?"

模型输出:
{
  "intent": "cancel_order",
  "confidence": 0.93,
  "requires_order_lookup": true
}

需要注意,模型输出的 JSON 即使语法正确,也不代表业务结论一定正确。对于关键字段,应进行 Schema 校验、枚举校验和业务规则校验。

3. Tool 节点

负责调用外部工具或业务接口。

例如:

  • HTTP API。
  • 数据库查询。
  • 搜索引擎。
  • 向量数据库。
  • 文件系统。
  • 企业内部业务服务。
  • MCP Server 提供的工具。

模型负责理解任务和提出调用需求,真正的工具执行通常由工作流执行引擎或应用服务完成。

4. Code 节点

负责执行确定性的程序逻辑。

例如:

  • 数据转换。
  • 字段映射。
  • 日期计算。
  • 数值计算。
  • 格式校验。
  • 规则判断。
  • 数据清洗。

对于可以用普通代码准确完成的任务,不应该为了使用 AI 而强行调用大模型。

5. Condition 节点

根据条件决定执行路径。

例如:

flowchart TD
    A["获取模型分类结果"] --> B{"置信度是否达标"}
    B -->|"是"| C{"是否需要人工处理"}
    B -->|"否"| D["进入人工复核"]
    C -->|"是"| D
    C -->|"否"| E["自动执行后续任务"]
    D --> F["人工审核"]
    E --> G["输出处理结果"]
    F --> G

    style A fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style B fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style C fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style D fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style E fill:#EAF3EC,stroke:#83A995,color:#315D49
    style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F

条件节点应优先使用明确的规则判断。涉及模型置信度时,还需要考虑置信度是否经过校准,不能简单把模型自报的数值当成真实概率。

6. Loop 节点

负责重复执行一组任务。

常见场景:

  • 批量处理文件。
  • 遍历检索结果。
  • 逐条分析数据。
  • 多轮生成与校验。
  • Agent 反复调用工具。

循环必须具备明确的退出条件,避免无限执行。

7. Human-in-the-Loop 节点

也称人工介入节点,用于将部分决策交给人工完成。

典型场景:

  • 高风险操作确认。
  • AI 生成内容审核。
  • 异常数据复核。
  • 财务审批。
  • 合同签署前确认。

人工介入通常会使工作流进入等待状态,等待外部提交审核结果后再恢复执行。

8. Output 节点

负责整理和输出最终结果。

可能的输出方式包括:

  • 返回 API 响应。
  • 生成文件。
  • 写入数据库。
  • 发送邮件或消息。
  • 更新业务系统。
  • 发布任务执行事件。

输出节点应明确成功标准,不能仅凭某个上游节点执行完成就认为整个业务任务成功。

五、AI 工作流的关键执行机制

理解节点类型之后,还需要理解工作流引擎如何调度节点、传递数据和管理执行状态。

1. 节点调度机制

一个节点能否执行,通常取决于它的依赖节点是否已经满足执行条件。

对于简单的有向无环图(DAG),执行引擎可以根据拓扑排序确定可执行节点。

例如:

flowchart TD
    A["开始"] --> B["读取用户信息"]
    A --> C["读取订单信息"]
    B --> D["生成分析结果"]
    C --> D
    D --> E["输出结果"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F

其中,B 和 C 没有相互依赖,因此可以并行执行。

D 依赖 B 和 C,需要等待两个节点都满足完成条件后才能执行。

实际调度过程可以抽象为:

  1. 创建工作流实例。
  2. 初始化节点状态。
  3. 查找所有依赖已满足的节点。
  4. 将可执行节点放入调度队列。
  5. 执行节点任务。
  6. 更新节点状态和输出。
  7. 重新计算下游节点是否满足执行条件。
  8. 所有终止条件满足后结束工作流。

需要注意,拓扑排序适合描述 DAG 工作流,但对于包含循环、动态路由和等待人工输入的系统,需要额外的状态机或图执行机制。

2. 数据传递机制

节点之间需要传递数据。

常见的数据传递模式包括:

显式输入输出

每个节点声明输入字段和输出字段,下游节点通过字段引用获取数据。

共享上下文

工作流实例维护统一上下文,节点从上下文读取数据,并将结果写入指定命名空间。

状态快照

将节点执行前后的状态持久化,支持恢复执行和历史追踪。

例如:

{
  "workflow_id": "contract_review",
  "instance_id": "run_001",
  "state": {
    "input": {
      "file_id": "file_001"
    },
    "parsed_document": {
      "text": "合同正文..."
    },
    "risk_analysis": {
      "risk_level": "high"
    }
  }
}

共享状态虽然方便,但如果多个并行节点同时修改同一个字段,可能产生覆盖、竞态和数据不一致问题。

生产环境应明确:

  • 节点输入输出边界。
  • 字段所有权。
  • 并行写入策略。
  • 状态版本。
  • 数据序列化规则。
  • 敏感数据存储策略。

3. 状态管理机制

工作流不是一个简单的函数调用。复杂工作流可能持续数秒、数分钟甚至数小时。

因此,需要维护工作流和节点的生命周期状态。

常见工作流状态:

状态 含义
Pending 等待执行
Running 正在执行
Waiting 等待外部事件或人工输入
Completed 成功完成
Failed 执行失败
Cancelled 已取消
Paused 已暂停

节点状态通常还需要区分:

  • 未调度。
  • 已入队。
  • 执行中。
  • 重试等待中。
  • 执行成功。
  • 执行失败。
  • 已跳过。
  • 已取消。

状态流转示意:

flowchart TD
    A["Pending"] --> B["Running"]
    B -->|"执行成功"| C["Completed"]
    B -->|"执行失败"| D{"是否允许重试"}
    D -->|"是"| E["Retry Waiting"]
    E --> B
    D -->|"否"| F["Failed"]
    B -->|"等待人工输入"| G["Waiting"]
    G --> B
    B -->|"取消请求"| H["Cancelled"]

    style A fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style C fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style F fill:#F7EAE7,stroke:#C98D7C,color:#754438
    style G fill:#EAF3EC,stroke:#83A995,color:#315D49
    style H fill:#F7EAE7,stroke:#C98D7C,color:#754438

状态机可以防止非法状态转换,例如已经 Completed 的节点不能在没有明确重新执行语义的情况下直接变回 Running。

4. 工作流持久化与断点恢复

如果工作流只保存在进程内存中,那么服务重启、机器故障或容器迁移都可能导致任务丢失。

因此,生产级工作流引擎通常需要持久化:

  • 工作流定义版本。
  • 工作流实例状态。
  • 节点执行状态。
  • 节点输入和输出。
  • 重试次数。
  • 等待事件信息。
  • 执行历史。
  • Checkpoint 检查点。

断点恢复的核心思想是:从最近一次可靠的状态快照开始,判断哪些节点已经完成,哪些节点需要重新执行。

flowchart TD
    A["工作流执行"] --> B["节点执行完成"]
    B --> C["持久化节点结果"]
    C --> D["保存 Checkpoint"]
    D --> E{"进程是否正常"}
    E -->|"是"| F["继续执行后续节点"]
    E -->|"否"| G["重新加载工作流状态"]
    G --> H["恢复最近 Checkpoint"]
    H --> I["识别未完成节点"]
    I --> F

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style G fill:#F7EAE7,stroke:#C98D7C,color:#754438
    style H fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style I fill:#EAF3EC,stroke:#83A995,color:#315D49

这里有一个关键问题:

恢复工作流,不等于从断点之后直接继续执行。

如果某个节点在调用外部支付接口后,进程崩溃,而执行结果还没有写入 Checkpoint,那么恢复时可能再次调用支付接口。

因此,需要结合:

  • 幂等键。
  • 外部操作状态查询。
  • 事务或 Outbox 模式。
  • 执行记录。
  • 补偿操作。

避免恢复执行产生重复副作用。

六、AI 工作流中的异常处理与失败恢复

AI 工作流的失败来源比传统工作流更复杂。

除了网络、数据库和程序异常,还可能出现模型输出不符合 Schema、工具选择错误、上下文超限和生成内容不可靠等问题。

1. 常见异常类型

异常类型 典型表现 处理方式
模型调用失败 API 超时、限流、服务不可用 重试、切换模型、降级
输出格式错误 JSON 不合法、字段缺失 Schema 校验、受控修复
工具执行失败 API 返回错误、权限不足 错误分类、重试或终止
数据异常 文件损坏、字段缺失 输入校验、隔离处理
工作流超时 节点或整个任务耗时过长 超时控制、取消执行
状态持久化失败 Checkpoint 写入失败 暂停推进、恢复一致性
业务规则失败 额度不足、审批不通过 业务分支或人工处理

2. 异常处理流程

flowchart TD
    A["节点开始执行"] --> B["执行模型或工具"]
    B --> C{"执行是否成功"}
    C -->|"是"| D["校验输出结果"]
    D --> E{"结果是否有效"}
    E -->|"是"| F["保存结果并继续"]
    E -->|"否"| G["输出校验失败"]
    C -->|"否"| H["识别异常类型"]
    G --> H
    H --> I{"是否允许重试"}
    I -->|"是"| J["等待退避时间"]
    J --> B
    I -->|"否"| K{"是否允许降级"}
    K -->|"是"| L["执行备用策略"]
    K -->|"否"| M["标记失败并记录"]
    L --> F

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style C fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style D fill:#EAF3EC,stroke:#83A995,color:#315D49
    style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style G fill:#F7EAE7,stroke:#C98D7C,color:#754438
    style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style J fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style K fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style L fill:#EAF3EC,stroke:#83A995,color:#315D49
    style M fill:#F7EAE7,stroke:#C98D7C,color:#754438

3. 重试机制

重试机制适合处理暂时性故障,例如:

  • 网络连接中断。
  • HTTP 429 限流。
  • 服务端暂时不可用。
  • 请求超时。

常见策略是指数退避:

t_n=\min(t_{\max},t_0\cdot 2^n)+J

其中:

  • t_n:第 n 次重试等待时间。
  • t_0:初始等待时间。
  • t_{\max}:最大等待时间。
  • J:随机抖动(Jitter)。

随机抖动可以降低大量任务同时重试造成的流量冲击。

重试不能无条件执行。对于参数错误、权限拒绝、业务规则不满足等确定性错误,反复重试通常没有意义。

4. 降级机制

当主模型或主工具不可用时,可以采用备用策略。

例如:

  • 主模型失败后切换备用模型。
  • 高质量模型不可用时切换轻量模型。
  • 实时检索不可用时使用缓存结果。
  • AI 分类失败时转入人工处理。
  • 非关键摘要生成失败时返回基础查询结果。

降级必须明确质量边界。不能因为系统需要返回结果,就将未经验证的数据当作可信结果输出。

5. 补偿机制

对于具有外部副作用的节点,例如:

  • 创建订单。
  • 扣减库存。
  • 发起支付。
  • 发送通知。
  • 修改用户权限。

如果工作流在中途失败,简单重试可能造成重复操作。

此时需要补偿机制(Compensation),根据业务语义撤销或修正已经完成的操作。

例如订单处理:

flowchart TD
    A["创建订单"] --> B["扣减库存"]
    B --> C["发起支付"]
    C --> D{"支付是否成功"}
    D -->|"是"| E["订单完成"]
    D -->|"否"| F["释放库存"]
    F --> G["取消订单"]

    style A fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style F fill:#F7EAE7,stroke:#C98D7C,color:#754438
    style G fill:#F7EAE7,stroke:#C98D7C,color:#754438