Workflow
工作流（Workflow）是指将一系列任务、操作或流程按照预定规则和顺序组织起来，以实现特定目标的结构化执行框架。其核心特征包括：任务节点的逻辑编排、条件分支与流程控制、以及各环节之间的数据传递与协同。工作流广泛应用于业务流程自动化、软件开发、数据处理及智能系统集成等领域，旨在提升执行效率、减少人工干预并保障流程一致性。
核心事实
时间轴 (近 90 天)
相比自动生成的黑盒流程，手动搭建工作流更便于调试和迭代，也更容易对接企业内部数据系统或审批流程
Wrapper是单次LLM调用，适用于步骤固定且简短的场景；Workflow是硬编码好步骤让LLM填充每一步；Agent是模型通过工具自行决定下一步做什么
Workflow允许将多个步骤串联成有向无环图（DAG），适合条件判断、并行处理的复杂业务流程；Chatflow在Workflow基础上叠加多轮对话能力
工作流指将多个处理步骤以节点图形式串联，数据按预定逻辑在节点间流转，每个节点可以是LLM调用、条件判断、代码执行、知识库检索等独立操作
Dify将工作流和Chatflow分开设计，两者本质上都属于工作流范畴，区别在于是否需要维护对话状态
Agent项目架构应将确定性流程与需要判断的部分分开，即workflow管流程、agent管判断
在需要强可控的业务环境下应采用Workflow流派，Agentic的灵活性更适合通用型应用，可构建Agentic + Workflow的混合架构
Workflow（工作流）用拖拽连线的低代码方式降低门槛，但存在输入输出格式增多时工作流数量爆炸的瓶颈
教程强调直接把内容交给大模型分析的回答太空太泛，四个核心功能实际搭建了较复杂的Workflow工作流从多个专业角度做全面分析
在Agent的执行循环中，任务是否完成由Agent自己判断，而非程序员在代码中写死
还有 16 条时间轴事件
全部知识事实 (20)
Claude Code的Workflow功能通过ultrawork关键词触发
80%已验证Dify中的工作流（Workflow）是无状态的任务编排模式，适合文档摘要、数据分析、批量内容生成等一次性输入-输出任务
70%已验证Dify-Chat支持Chatflow（对话流应用）和Workflow（工作流应用）两种Dify应用类型
70%已验证工作流指将多个处理步骤以节点图形式串联，数据按预定逻辑在节点间流转，每个节点可以是LLM调用、条件判断、代码执行、知识库检索等独立操作
65%已验证Chatflow 和 Workflow 都由一个个节点组成，节点是构成工作流程的功能模块
65%已验证当任务逻辑相对固定时（如文档审核、报告生成、数据处理流水线），Workflow 比 Agent 更适合
65%已验证在Agent策略选择上，实测ReAct比Function Calling更稳定，尤其在多步骤多工具协同的复杂任务中容错性更强
65%已验证更健康的AI系统设计应采用混合架构：以确定性工作流为骨架，在必要节点嵌入AI能力，仅在真正推理场景引入Agent，并优先考虑可调试性和成本
65%已验证工作流（Workflow）是确定性的，预先定义节点顺序；Agent模式是自主性的，由大模型自主决定调用工具和步骤
65%待验证Workflow功能将多Agent编排从自然语言描述固化为JavaScript脚本
90%待验证Skills是将某项技能封装并被模型自动发现和使用，而Workflow需要用ultrawork关键词显式触发
85%待验证在Workflow运行过程中，可以通过/workflows斜杠命令查看进度，包括各阶段状态、Agent运行时长、Token消耗和工具调用情况
85%待验证触发Workflow后，Claude Code会先通过编程方式构建完整的工作流脚本，再按照脚本执行
85%待验证智能体工作流（Agent Workflow）技术上依赖于ReAct框架、工具调用（Function Calling）以及多智能体协作机制
85%待验证启用Workflow功能需要在终端中输入环境变量导出命令
80%待验证Workflow生成的JavaScript脚本可以分享给其他用户直接复用
80%待验证在真实企业项目中，最推荐的做法是Workflow + Agent的混合架构
70%待验证Workflow的控制流由代码预先确定，执行路径固定；Agent的每一步由LLM自主决策，具有动态规划能力
60%待验证智能体通过插件（Plugin）调用外部API获取实时数据，通过工作流（Workflow）编排多步骤任务执行逻辑，通过记忆模块保存上下文信息
60%待验证相比自动生成的黑盒流程，手动搭建工作流更便于调试和迭代，也更容易对接企业内部数据系统或审批流程
50%