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:
- 接收用户上传的合同。
- 解析 PDF、Word 等文档。
- 提取合同主体、金额、期限等关键信息。
- 检索相关法律条款和企业内部制度。
- 调用大模型识别风险。
- 对识别出的风险进行规则校验。
- 生成审查报告。
- 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:
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:
- 创建工作流实例。
- 初始化节点状态。
- 查找所有依赖已满足的节点。
- 将可执行节点放入调度队列。
- 执行节点任务。
- 更新节点状态和输出。
- 重新计算下游节点是否满足执行条件。
- 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:
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