先说几个核心判断：在AI落地的实际场景中，最难的往往不是技术选型，而是找到人与系统之间那个恰到好处的分工点。今天要聊的这个案例，来自得物社区的活动运营场景——一场看似普通的“夏季户外好物推荐”活动，背后却藏着一条从“人填表”到“AI驱动流程”的完整进化路径。
项目背景：当运营成为“系统跳转机”
想象一下，你是得物社区运营，下周要上线一场活动。你需要打开系统A创建话题，切换到系统B填写活动配置，再打开会场搭建系统配置组件，最后提交审核。三个系统各自独立，但字段高度耦合——活动名称改一个字，A系统和会场里都要跟着改，大量工作就是重复录入。
这不仅是效率问题，更是体验问题。运营的核心价值应该是创意策划和用户洞察，而不是在系统间来回搬运数据。
第一版探索：AI辅助填表的局限性
我们的第一反应很直接：让AI帮运营填字段。做法是一个5步表单向导，AI在第一步解析策划文档，后续步骤中预填字段。AI的能力来自两个Dify Workflow——一个负责把策划文档解析成结构化字段，另一个负责把解析结果与系统的下拉选项做语义匹配。效果上，运营从“全部手填”变成了“AI预填+人工校验”。
上线后发现，操作时间是缩短了，但远没有达到“质的飞跃”。原因很简单：范式没有变。运营仍然是流程的主体，AI只是预填了一部分字段。你还是得理解每个字段、按顺序走完5步、在三个系统间跳转、自己判断AI填得对不对。更具体的问题暴露出来了：文档解析错了就得从头再来；AI调用需要5-15秒等待，过程中没有真实反馈；组件硬编码，只支持一个模板、5个组件；没有持久化机制，刷新浏览器进度就丢失了。
第一版给了我们一个重要认知：如果AI的角色只是“帮你填字段”，它永远不会带来质变。真正的变化应该是——AI来驱动流程，人只在关键节点做确认。这个认知和AI产品领域的规律完全一致：AI产品的价值跃迁，几乎都发生在“AI从辅助工具变成流程主体”的那个拐点上。GitHub Copilot从“行级补全”进化到“Copilot Workspace”，ChatGPT从“对话”进化到“GPTs+Actions”，都是同一个拐点的不同表现。
Agent CLI方案的可行性评估
在决定重写之前，我们评估了一个更激进的方向：Agent CLI。OpenCode CLI、Cursor、Claude Code这类工具展示了另一种可能——用自然语言指导AI Agent完成整个开发流程。理论上，会场搭建也可以用类似方式：运营说“我要做一个夏季户外主题活动”，Agent自主完成话题创建、活动配置、组件搭建，完全不需要结构化的UI卡片。
毋庸置疑，这是未来趋势，但当前落地有三个硬性障碍：第一，Agent对会场的业务约束没有“体感”——它不懂什么组件必须在什么位置、什么字段不能为空；第二，Agent无法获取实时状态——它不知道当前会场已经配到什么程度、哪些步骤可以跳过；第三，Agent的操作缺少审计与可解释性——出了问题找不到是谁改的、改了什么。这让我们意识到：需要在“完全自主的Agent”和“纯人工操作”之间找到合适的位置。
Anthropic提出的Agentic系统复杂度光谱正好提供了这个框架——它将AI系统的自主性从低到高分成多个层级。我们的工作流大致对应光谱中间的Prompt Chaining + Routing + Human-in-the-loop组合。这不是光谱上最复杂的位置，但对我们来说是最合适的位置。
从“填表”到“审卡片”：第二版架构升级
第二版是一次架构级的重写。核心理念用一句话概括：把运营从“流程执行者”变成“流程监督者”。运营要做的事情缩减为两件：提供信息——粘贴一份飞书策划文档链接；关键确认——在AI弹出的结构化卡片上做校验和微调。其他所有事情——抓取文档、解析字段、创建话题、创建活动、复制会场模板、配置组件——全部由工作流驱动完成。
在选技术方案之前，有一个更根本的问题需要先回答：我们需要的是一个Workflow（工作流）还是一个Agent（智能体）？
我们的会场搭建流程有明确的步骤（解析→选组件→补字段→确认→构建），每步的完成条件是确定的，而且对正确率有极高要求。这显然更适合Workflow模式。但这不意味着完全不用Agent能力。在局部场景中——比如AI改写规则文案、理解自然语言修改组件配置——我们使用了Agent式的LLM调用（给LLM工具，让它自主决定如何完成这个局部任务）。
一个实用的经验法则：如果你的业务流程可以被画成一张有限状态机图，那就用Workflow；如果它更像“给定一个目标，让AI自己想办法达到”，那就用Agent。大多数企业级场景是两者的混合——大框架用Workflow保证可控，局部节点用Agent提供灵活性。
这个区分在行业中越来越被重视。LangChain创始人Harrison Chase在多个场合强调过：当前大部分成功的AI应用都是Workflow而非Agent。Klarna的AI客服系统被广泛报道为“Agent”，但从架构上看，它更接近一个精心设计的Workflow——有明确的意图分类路由、有标准化的工具调用流程、有人工升级（escalation）机制。真正在生产环境中跑“完全自主Agent”的案例仍然非常少。
选择LangGraph作为编排引擎
明确了需要Workflow之后，我们评估了多个方案，最终选择了LangGraph。LangGraph是LangChain团队推出的状态编排引擎，MIT开源。它用有向图定义AI工作流：每个节点是一个处理步骤（可以是LLM调用、工具调用或人工确认），边定义了步骤之间的流转条件。内置Checkpointer机制可以持久化每个会话的完整状态，支持中断后恢复。
在我们的系统里，LLM不是“决策者”，而是“节点内的执行者”——在明确定义的节点里做信息解析和文案生成，不参与流程路由。这保证了流程的稳定性和可审计性，同时让AI在最擅长的领域发挥价值。