在人工智能和自动化日益成熟的今天，设计高效、可靠的智能体（AI Agentic）工作流成为了构建复杂AI应用的关键。一个设计精良的智能体工作流能够确保任务的准确执行、灵活应对变化并持续优化性能。

)

根据 Jothi Moorthy 提出的框架，以下是智能体工作流设计的 6 个核心阶段及其关键操作。

阶段 1：任务理解与目标定义

这是智能体工作的起点，确保智能体清楚地知道“要做什么”和“做到什么程度”。

• 识别目标与任务 (Identify goal & task)： 明确智能体需要完成的最终目标和具体任务。

• 拆解成子任务 (Break into sub-tasks)： 将复杂的大目标拆分为更小、更易于管理的子任务。

• 定义输入与输出 (Define inputs & outputs)： 明确每个子任务需要的输入数据和期望产生的输出结果。

• 绘制依赖关系 (Map dependencies)： 确定子任务之间的执行顺序和依赖关系（即哪个任务必须在另一个任务之前完成）。

• 设置自主性级别 (Set autonomy level)： 决定智能体在执行任务时，可以有多大的自主决策权，以及何时需要人工干预。

阶段 2：规划与分解

此阶段侧重于为智能体创建一个清晰、灵活的行动蓝图。

• 添加回退路径 (Add fallback paths)： 设计当任务执行失败或遇到意外情况时的备用方案或纠正措施。

• 创建工作流结构 (Create workflow structure (DAG))： 构建有向无环图（DAG）等结构，可视化并管理任务的流程。

• 定义规划者-执行者评估流程 (Define planner-executor evaluation flow)： 确立规划模块和执行模块之间的交互和评估机制。

•优先排序任务 (Prioritize/order tasks)： 根据依赖关系、紧急程度或重要性，确定任务的执行顺序。

• 生成动态计划 (Generate dynamic plan)： 使智能体能够根据实时反馈和上下文变化，动态调整和修改其执行计划。

阶段 3：上下文检索与基础建立

确保智能体拥有执行任务所需的所有相关知识和信息，并使其回答或行动基于可靠的“事实”。

• 获取相关数据与上下文 (Fetch relevant data & context)： 从知识库、数据库或其他来源检索执行任务所需的必要信息。

• 利用检索或记忆 (Use retrieval or memory)： 运用RAG（检索增强生成）技术或内部记忆存储来获取信息。

•确保真实性与准确性 (Ensure truthfulness & accuracy)： 校验检索到的信息的可靠性和正确性。

• 基于上下文进行微调任务 (Ground execution task in context)： 确保智能体的决策和行动与当前上下文信息保持一致。

• 存储中间结果 (Store intermediate results)： 记录任务执行过程中的临时数据，供后续步骤使用。

阶段 4：编排与执行

这是实际执行任务的阶段，涉及对流程的控制和管理。

• 记录行动与结果 (Log actions & results)： 详细记录智能体执行的每一个步骤、调用的工具和产生的结果，便于审计和调试。

• 保持状态一致性 (Maintain state consistency)： 在多步骤或并行任务中，确保工作流的状态信息始终准确和同步。

• 处理异步与流式传输 (Handle async & streaming)： 管理需要并行执行的任务和持续输入/输出的数据流。

• 运行任务（并行/顺序）(Run tasks (parallel / sequential))： 根据规划，以正确的方式执行任务。

• 分配工具或子智能体 (Assign tools or sub-agents)： 确定并调用执行特定任务所需的外部工具或专业的子智能体。

阶段 5：监控与反馈循环

监控智能体的表现，识别问题，并收集用于改进的数据。

• 跟踪进度并检测问题 (Track progress & detect issues)： 实时监控任务的执行状态，并识别瓶颈或失败点。

• 重新规划或重试失败 (Re-plan or retry failures)： 当任务失败时，自动触发重新规划或重试机制。

• 收集指标与反馈 (Gather metrics & feedback)： 收集关于任务成功率、延迟、资源消耗等关键性能指标。

• 通过 RLF/偏好进行优化 (Optimize via RLF / preferences)： 使用强化学习与反馈（Reinforcement Learning from Feedback, RLF）或其他偏好学习机制来调整智能体的行为。

• 持续优化工作流 (Refine workflow continuously)： 基于收集到的反馈和数据，不断改进工作流的设计。

阶段 6：评估与优化

对智能体工作流的整体效果进行全面评估，并实施长期改进。

• 定义 KPI 与基准 (Define KPIs & benchmarks)： 设立可量化的关键绩效指标（KPI）和评估标准。

•自动化改进 (Automate improvements)： 实施自动化系统，根据评估结果自动调整参数或规则。

• 执行治理 (Enforce governance)： 确保智能体的运行符合伦理、法律和组织策略要求。

• 检测漂移/偏差/不准确性 (Detect drift / bias / inaccuracy)： 监控智能体性能是否随时间下降（漂移），或是否存在不公平、不准确的倾向（偏差）。

• 衡量准确性与效率 (Measure accuracy & efficiency)： 定期量化智能体决策的准确性和任务完成的效率。

这个框架提供了一个系统化的方法论，帮助开发者从零开始构建一个稳健、可扩展且持续优化的智能体工作流。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发