datawhale大模型bot应用开发--task3：工作流

目录

一、介绍：Coze工作流

1.1工作流应用场景

1.2什么是工作流

1.3思考环节

二、各个工作流详情

2.1情感分类工作流

2.2 随机数工作流

2.3 必应搜索工作流

2.4 天气查询工作流

三、集合上面五个工作流的总工作流

---

一、介绍：Coze工作流

1.1工作流应用场景

随着大模型（Large Language Models, LLM）技术的发展，业界已经普遍认识到，复杂的工作任务无法通过单次 LLM 调用来解决。为此，吴恩达、Itamar Friedman、Harrison Chase等专家提出了工作流（Workflow）和流程工程（Flow Engineering）等概念，旨在通过多次、分阶段的 LLM 调用和迭代，来实现更优的应用效果。

目前，国内外已有多个平台推出了自己的工作流产品，如 Coze、百度千帆/灵境/客悦、Dify、FastGPT、Flowise、Langflow等。这些平台通过可视化的低代码编排，实现了对执行流程的管理和优化。

常见工作流应用场景如下所示：

客户服务	内容生成	任务自动化	数据分析和报告	邮件自动化处理
将 LLM 集成到您的客户服务系统中，自动化回答常见问题	通过 LLM 生成博客文章、产品描述、营销材料等	将LLM与各种任务管理系统集成，如 Trello、Slack，自动化项目和任务管理。	分析大型数据集并生成报告或摘要。识别趋势、模式，产生洞察	起草电子邮件、社交媒体更新等，生成清晰、专业的内容。

在进行智能体Bot开发的时候，找到视角独特、有用户需求的应用场景能够让智能体产品更具有实际价值；其次，工作流技术能够提高智能体Bot处理复杂任务的能力，增强场景适应性和用户体验，对于一些稳定性要求很高的场景，工作流技术也是首选。

1.2什么是工作流

工作流起源于生产组织和办公自动化领域，是指在计算机应用环境下，对业务过程的部分或整体进行自动化处理。它通过将复杂的任务分解成定义良好的任务或角色（节点），并按照一定的规则和过程来执行这些步骤中的任务，从而降低系统复杂度，减少对提示词技术和模型推理能力的依赖，提高 LLM 应用在复杂任务中的性能，提升系统的可解释性、稳定性和容错性。

1.3思考环节

Question：一个很复杂的任务场景，有如下两种解决方案：第一种是用一个由多个指令组成，但描述清晰的较长结构化提示词去实现；第二种是先对任务进行拆解，再逐个将子任务去实现。请问哪个方案更好？

Answer：第二种更好。因为当前大模型并不是万能的，你丢给它的一连串指令并不能全部完美地执行。提示工程是把大模型当成人来指导去完成一些任务，不同模型就对应着不同能力的人，不同阶段的人，比如：OpenAI的o1模型在理科方面的能力达到了人类博士级水平，因此了解大模型能力的强弱有助于我们判断在当前场景下是否需要对任务进行拆解，进而再去考虑如何设计工作流和提示词。每个复杂任务的底层都可以拆解为一些子任务，通过人工设计中间环节，让LLM先输出一些中间步骤的结果，这些中间结果可以作为后续环节的输入，然后再回答最终问题，这样就能将子任务连接起来进而实现整个复杂任务。

二、各个工作流详情

2.1情感分类工作流

2.2 随机数工作流

2.3 必应搜索工作流

2.4 天气查询工作流

三、集合上面五个工作流的总工作流

参考：https://datawhaler.feishu.cn/wiki/OlNOwKYNKiJjATkf2ZXciphynzehttps://datawhaler.feishu.cn/wiki/OlNOwKYNKiJjATkf2ZXciphynze