# 从“AI帮你填表”到“AI驱动流程”：一场营销活动系统的重构反思 项目背景 一场营销活动从策划到上线，运营同学往往要在三个系统之间来回跳转十几次，填写四十多个字段。听起来就让人头大。我们尝试用AI重新设计这条链路——从最初的“AI帮你填表单”思路，进化到“两阶段Agent + 聚合工作台”的架构。这篇文章不打算罗列技术细节，而是记录这一路走来的选择与反思。 想象一下，你是某社区平台的运营，下周要上线一场“夏季户外好物推荐”活动。你需要打开A系统创建话题、切到B系统填写活动配置、再跑到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系统和会场里都得跟着改，大量工作就是重复录入。 ## 第一版探索：AI帮你填表，但人还是主角 我们的第一反应很直接：让AI帮运营填字段。具体做法是一个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（Dify是开源的LLM应用开发平台）：第一个负责把策划文档解析成结构化字段，第二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，操作时间确实缩短了，但远没有达到“质的飞跃”。原因很简单：范式没变。运营依然是流程的主体，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。更具体的问题包括： - **不可逆**：文档解析错了就得从头来； - **AI是黑盒**：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**：刷新浏览器进度就丢失了。 第一版给我们一个重要认知：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。 这确实是未来，但当前落地有三个硬性障碍：第一，Agent对会场的业务约束缺乏“体感”；第二，Agent无法获取实时状态；第三，Agent的操作缺少审计与可解释性。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。 ## 第二版实现：从“填表”到“审卡片” 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的创始人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作为编排引擎。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。