LLM

ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;color: rgb(31, 35, 41);margin: 0px 0px 4px;word-break: break-all;min-height: 20px;">Agent 为什么被追捧，核心的原因就是它切入业务场景，而大模型只是在信息的节点进行了转换，其实 LLM 也可以做到，只不过对于普通人还是有一定门槛的。 我们假设揭开大多数行业专家的共识背后的面纱， 如果我们深入了解提示词就会发现，其实提示词也可以写工作流， 不论是 工信部 AI 内容生成师的 RMAP 框架， 还是市面上的 LangGPT 框架， CRISPE 框架，BROKE 框架，你都会看到一个提示词块：工作流　

ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;letter-spacing: 0.578px;margin-top: 0px;margin-bottom: 8px;font-size: 22px;padding-bottom: 0px;">## workflow

ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;color: rgb(31, 35, 41);margin: 0px 0px 4px;word-break: break-all;min-height: 20px;">1, ****　

ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;color: rgb(31, 35, 41);margin: 0px 0px 4px;word-break: break-all;min-height: 20px;">2, ****　

ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;color: rgb(31, 35, 41);margin: 0px 0px 4px;word-break: break-all;min-height: 20px;">3, ****　

ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;color: rgb(31, 35, 41);margin: 0px 0px 4px;word-break: break-all;min-height: 20px;">也就是说，其实没有 Agent，也可以用提示词解决，我们追寻 Agent 最重要的一点，就是期望结果是稳定，而大模型未必能达到，但是是不是我们可以就着这条思路来看呢？ 到底大模型 LLM 是不是也可以分析流程呢？　

ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;color: rgb(31, 35, 41);margin: 0px 0px 4px;word-break: break-all;min-height: 20px;">理论说：工作流不是一个 AI 的认知，而是一个思维能力　

ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;color: rgb(31, 35, 41);margin: 0px 0px 4px;word-break: break-all;min-height: 20px;">我做运营的感受就是：一切任务都可以抽象成一个工作流来执行　

ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;color: rgb(31, 35, 41);margin: 0px 0px 4px;word-break: break-all;min-height: 20px;">我们一直在说，某种程度上， 我们需要大模型用提示词工程去准确抓取大模型的信息， 我们还忽略了一件事情就是行业 knowhow， 其实我们还忽略了一件事情，就是工作流分析， 这也是很多咨询公司，帮助公司做 BPM 的机会。　

ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;color: rgb(31, 35, 41);margin: 0px 0px 4px;word-break: break-all;min-height: 20px;">所有的流程抽象过程，基本经历四个阶段，　

任务识别：清晰知道自己的 Agent 的具体任务是什么？　

流程抽象：对于任务进行管理流程的显性化，画出流程图　

思维能力：理解并分析工作流程的能力　

稳定性期望：期望通过流程实现一致的稳定的结果。　

大型语言模型 （LLM） 应用流程

LLM 应用流程的设计理念可以类比为数据管道 （data pipeline），类似于传统的 ETL（提取、转换、加载）流程。　

　

ETL 是Extract， Transform， Load的缩写，中文意思是抽取、转换、加载，它是一种用于数据仓库的数据集成过程。 ETL 过程将来自多个数据源的数据整合到一个统一的目标数据仓库中，以便进行分析和报告。　

ETL 过程通常包括以下三个步骤：　

1. 抽取 （Extract）:

•从各种数据源（如数据库、文件、API 等）中提取数据。　

•数据源可以是结构化的（如关系型数据库）、半结构化的（如 XML 文件）或非结构化的（如文本文件）。　

•在这个阶段，需要确保数据的完整性和一致性。　

1. 转换 （Transform）:

•对提取的数据进行清理、转换和格式化，使其符合目标数据仓库的要求。　

•转换操作可能包括数据清洗、数据类型转换、数据去重、数据聚合等等。　

•这个阶段的目标是确保数据的质量和可用性。　

1. 加载 （Load）:

•将转换后的数据加载到目标数据仓库中。　

•数据仓库可以是关系型数据库、NoSQL 数据库或其他数据存储系统。　

•在这个阶段，需要确保数据的正确性和完整性。　

　

为什么我要在这里多做解释，主要是这个跟未来我们的知识库建立有关联，其实这个是我们构建自己知识库的本质。　

这种流程的核心在于将复杂任务分解为一系列顺序步骤，确保系统的可靠性和可理解性。　

以下是一个典型的 LLM 应用流程，被人统称为（IPO）：　

1. 输入（Input）:

• 数据：来自各种来源，如电子邮件、社交媒体或数据库。
• 提示：用户指令或预定义的指令，引导 LLM 生成特定输出。
• 处理（Process）:
• 调用 LLM 生成文本、翻译语言、回答问题或执行其他任务。
• 中间函数：对数据进行预处理、后处理或执行特定计算。
• 外部 API 调用：与其他服务交互以获取额外信息或执行特定操作。
• 这通常是 LLM 发挥作用的地方，可以是一个简单的步骤，也可以是包含多个步骤的复杂链。
• 处理步骤可以包括：
• 处理流程的设计应遵循顺序方法，例如有向无环图 （DAG），确保数据单向流动，提高系统的可靠性。
• 输出（Output）:
• LLM 生成的输出，例如文本、代码、翻译或其他数据。
• 输出可以存储在数据库中，显示在前端应用程序中，或用于触发其他操作。

•ETL 侧重于知识数据的集成和预处理，目标是构建知识库以供分析和报告使用。　

•LLM 应用流程侧重于利用 LLM 的能力来处理特定任务，例如文本生成、翻译、问答等等。　

关键设计模式：　


• 责任链模式 （Chain of Responsibility Pattern）:将处理步骤分解成独立的模块，每个模块负责特定的任务，并按顺序执行。
• 注册表模式 （Registry Pattern）:根据输入数据的类型或其他条件，动态选择和执行相应的处理管道。


示例：我们以电子邮件的回复为例　

如何将 LLM 应用流程构建成一个 Agent。 应该包含以下步骤：　

1. 接收电子邮件：我把多个文档放进大模型的对话框，让大模型接收到这些电子邮件。
2. 分类邮件：使用 LLM 对电子邮件进行分类，例如确定其主题或意图。
3. 生成回复：使用 LLM 根据邮件分类和预定义的模板生成各自独立的回复。
4. 发送回复：将生成的回复，单独黏贴发送给发件人。

这样不用智能体，加点人工也能完成。 所以都是带着 LLM 去思考，写出流程让 LLM 跟着执行结果也不会偏差太大。　

　

LLM prompt 提示词添加流程思维的优势就出来了：　

• 简单性：将复杂任务分解成简单步骤，更易于理解、实现和维护。
• 可靠性：顺序处理流程确保每个步骤按预期执行，减少错误和意外结果的可能性。
• 可扩展性：可以轻松地添加、删除或修改处理步骤，以适应不断变化的需求。
• 可控性：可以对每个步骤进行监控和调试，更容易识别和解决问题。


将 LLM 应用流程设计为智能体的流程也可以大大提高系统的可靠性、可扩展性和可控性，从而更有效地利用 LLM 解决实际问题。所以我经常在培训里说， 我们面对 AI 时代最大的两个看， 就是提示词的构建方法&工作流的设计思维。　

　

初学者建议 - DAG （Directed Acyclic Graph）

要想工作流思维学号， 可靠性增强：顺序工作流程，也称为有向无环图 （DAG），确保数据仅在一个方向流动。这种方法消除了循环依赖性，从而简化了调试和维护，同时提高了应用程序的整体稳定性。　

　

什么是有向无环图 （DAG）？

有向无环图 （DAG）是一种数据结构，它由节点和边组成，其中边表示节点之间的方向性关系（是不是跟我们教学的 Coze 很有关系？ ) .DAG 的关键特征是它不包含循环，这意味着从任何节点出发，沿着边的方向行进，都无法回到起点。　

在构建可靠的 LLM 应用中，DAG 经常被用来设计数据处理流程，即数据管道。这是因为 DAG 的无环特性可以确保数据流是单向的，从而提高系统的可靠性。　

以下是对 DAG 特性的进一步解释：　

• 有向：DAG 中的每条边都有一个明确的方向，指示数据流动的方向。
• 无环：DAG 中不存在任何循环路径，这意味着数据不能沿着边循环流动。
• 节点：节点表示数据处理步骤或阶段。
• 边：边表示节点之间的依赖关系，指示数据从一个节点流向另一个节点的顺序。

使用 DAG 设计数据管道的好处：　

• 可靠性：DAG 的无环特性确保每个处理步骤都依赖于其前序步骤的完成，从而避免循环依赖和潜在的死锁问题。
• 可理解性：DAG 提供了数据处理流程的清晰可视化表示，使其易于理解和维护。
• 可扩展性：可以轻松地向 DAG 添加或删除节点和边，以适应不断变化的需求。

DAG 是一种强大的数据结构，可以用来构建可靠、可扩展和易于理解的数据处理流程。 在 LLM 应用中，DAG 可以作为设计提示词工作流的设计基础，从而提高 LLM 的整体回复质量和性能。在 Agent 应用中， DAG 可以增加循环，批处理等节点，但是 DAG 是新手学习工作流思维以及 Agent 的基础。