#工作流

Workflow 是一张可视化有向图：每个节点做一件事（调模型、检索、分支、跑代码），边决定顺序。适合步骤稳定、要可测、不希望模型自己改流程的任务。官方还提供 Chatflow：同一套节点，但每一轮用户消息都会跑一遍图，并带会话变量与流式回答。

对照 LangGraph 工作流：那里用 StateGraph 写节点；这里用画布连线。心智模型相同——图比「自由 Agent」更可预测。

flowchart LR
  S[Start / User Input] --> K[Knowledge Retrieval]
  K --> L[LLM]
  L --> O[Output / Answer]

#何时用工作流，何时用 Agent

也可以折中：大图仍是 Workflow，中间插一个 Agent 节点 只负责「这一步去查资料/调用工具」。官方当前更推荐新项目直接用 Workflow / Chatflow，Chatbot / Agent 基础应用是更薄的外壳。

#头和尾

User Input 上定义的字段变成变量，供后续节点引用（画布里常以 / 插入变量）。系统还会注入 sys.user_id、sys.app_id、sys.workflow_run_id 等；Chatflow 另有 sys.conversation_id、sys.dialogue_count。

#常用节点（先记这些）

还有文档抽取、列表运算、变量赋值/聚合、人工输入（暂停等人）等。先画通「输入 → LLM → 输出」，再加检索与分类，避免一上来三十个节点。

调试时用单节点运行、变量检查器和运行历史（名称以当前 Studio 为准）。失败先看是模型 Key、知识库为空，还是变量没传到下一节点。

#最小可讲清的图：分类再回答

目标：用户问题先分成 faq / other，FAQ 走知识库 + LLM，其它走「礼貌拒答」LLM。

1. Start / User Input：字段 query（或默认用户消息变量）
2. Question Classifier：类别 faq、other
3. faq 边 → Knowledge Retrieval（query = 用户问题）→ LLM（提示词：仅依据检索结果）
4. other 边 → LLM（提示词：说明本助手只答知识库范围）
5. 两路汇到 Output / Answer

这比「一个 Agent 自己决定」更容易写测试：准备 10 条应进 faq、10 条应进 other，看分类节点是否稳定。完整操作见 实战案例。

#与 Chatbot 的关系

Chatbot 适合「提示词 + 可选知识库」的线性对话。一旦你需要显式分支、循环、HTTP、人工确认，就升级到 Chatflow / Workflow，而不是把全部逻辑塞进一段超长提示词。导出 DSL（YAML） 可在实例间迁移应用；密钥应放在环境变量里，避免 DSL 泄漏。

#下一步

• Agent 智能体 — 对比「模型自己选下一步」
• 发布与 API
• LangGraph 工作流