跳到正文 AI 工作流
术语表 · 共 36 个词条
AI 工作流
术语表
同一个词在不同平台上的叫法经常不一致。这里用中文给出准确定义,并说明它和其他概念的关系,方便在写文档、做培训或评估工具时直接引用。
基础概念
先把「工作流由什么组成」说清楚。这一组词条在几乎所有平台上的含义都一致,差别主要在界面叫法。
- AI 工作流AI workflow
- 把一件重复发生的任务拆成若干有先后顺序的步骤,交给程序按步骤执行,并保留每一步的输入与输出。它和一次性对话的区别是:可保存、可复用、可检查。
- 节点node
- 工作流里的一个处理单元,通常对应一次具体动作:调用模型、读取数据、判断条件或写入结果。一个节点只做一件事,多个节点连起来才构成完整流程。
- 连线edge
- 节点之间的箭头,同时表示执行顺序和数据流向。上游节点的输出沿连线传给下游节点;没有被连入同一条路径的节点,不会参与这次执行。
- 触发器trigger
- 决定工作流什么时候开始运行的机制。常见形式有三种:手动点击运行、按时间定时,以及由外部事件唤起(收到消息、文件更新、接口被调用)。
- 变量variable
- 在步骤之间传递数据的命名占位符。上游的结果存进变量,下游节点引用变量取值,就不必把同一份数据反复复制粘贴。
- 上下文context
- 模型在生成这一次回答时能看到的全部信息:系统提示词、历史对话、检索到的资料和本轮输入。上下文越长,成本越高,也越容易出现注意力分散。
- 提示词prompt
- 交给模型的指令与范例,决定它做什么、按什么格式回答。写清楚目标、输入、约束和输出样例,通常比堆形容词更有效。
- 系统提示词system prompt
- 在对话开始前固定下来的角色与规则,对整个会话持续生效。它适合约束语气、边界和禁止事项,不适合放频繁变化的数据。
- 大语言模型LLM
- 基于大量文本训练、按概率逐字生成内容的模型。它能理解和改写语言,但不会自动核对事实;涉及数字、引用和结论时,仍需要外部数据或人工复核。
- 温度temperature
- 控制输出随机程度的参数。数值越低,回答越稳定、越接近常见表达;数值越高越发散。发散不等于更准确,按任务性质选择即可。
- Tokentoken
- 模型处理文本时的最小计量单位。一个汉字、一个词或一个标点,都可能被切成一个或多个 token;上下文长度、响应速度和计费通常都按它计算。
执行与可靠性
工作流真正开始跑之后,问题都会集中在这一组。判断一个流程是否可靠,看的不是画布好不好看,而是失败时能不能定位、能不能安全重来。
- 执行记录execution log
- 一次运行留下的完整轨迹:何时开始、每一步的输入与输出、成功还是失败、错误信息是什么。它区分「配置已经保存」和「流程真的跑完」这两件事。
- 试运行dry run
- 在不动正式数据的前提下先把流程跑一遍,用来检查参数是否填对、分支是否走对、输出是否符合预期。
- 重试retry
- 某一步失败后自动或手动再执行一次。合理设置次数与间隔可以覆盖网络抖动;对写入类操作要配合幂等,否则可能产生重复数据。
- 超时timeout
- 允许单步或整体运行的最长等待时间。超过时限即判定失败,用来避免整个流程被一个卡住的请求无限期挂起。
- 幂等idempotency
- 同一个操作执行一次与执行多次,结果保持一致。批量写入、扣款、发消息这类动作尤其需要幂等键,防止重试造成重复提交。
- 并发concurrency
- 多个步骤或任务同时运行。并发能缩短总耗时,也会放大接口限流、数据竞争和执行顺序错乱的风险,需要配合同步与限流策略。
- 人工确认human in the loop
- 在关键步骤前暂停,等人核对或补充信息后再继续。适合对外发送、金额变动、删除数据等不可撤销的操作。
知识与检索
让模型回答「它没被训练过」的内容,靠的不是更大的模型,而是把对的资料在正确的时间放进去。这一组词条常被混用,但职责不同。
- 知识库knowledge base
- 把资料集中存放、可被检索和引用的集合。与把所有内容直接塞进提示词相比,知识库便于更新、控制权限,也能追溯答案来自哪份资料。
- 分块chunking
- 把长文档切成较小的片段再入库。切得太碎会丢失上下文,切得太大则检索不精准;实践中常按标题层级或语义边界来切。
- 向量vector
- 把一段文本映射成的一串数字,用来表示它的语义特征。语义相近的文本,向量之间的距离通常也更近,这是语义检索的基础。
- 嵌入模型embedding model
- 专门把文本转换成向量的模型。它不负责生成回答,只负责让检索能按语义比对;换模型往往需要重新建立索引。
- 语义检索semantic search
- 按意思的相近程度查找内容,而不是只看关键词是否出现。问「怎么批量生成周报」,也能命中写着「周期性文档自动汇总」的段落。
- RAG(检索增强生成)retrieval-augmented generation
- 先从资料库里检索相关内容,再让模型基于这些内容作答。它能降低凭空编造的概率,但答案质量取决于检索是否真的命中了正确资料。
- 重排rerank
- 对初步召回的结果再排一次序,把最相关的放在前面交给模型。召回负责「不漏」,重排负责「更准」,两者常配合使用。
工具与集成
模型只负责判断和生成,真正的动作由外部系统完成。这一组词条决定了工作流能不能和已有系统接上。
- 工具调用function calling / tool use
- 模型按约定格式请求外部工具执行动作——查数据库、发消息、调用接口——再把结果交回模型继续推理。模型只提出调用请求,真正的执行由程序完成。
- APIapplication programming interface
- 系统之间按约定交换数据的入口。调用方按文档传入参数,服务方返回结构化结果;接口是否稳定,直接决定自动化能否长期运行。
- Webhookwebhook
- 事件发生时,由一方主动向另一方预设的地址推送 HTTP 请求。相比定时轮询,它能更快知道「事情已经发生」,也更省资源。
- API Key(访问凭证)API key
- 调用接口时用于标识身份与权限的密钥。它只应保存在服务端或受控配置中,不能写进前端代码、截图或公开仓库。
- 结构化输出structured output
- 要求模型按固定字段返回结果,例如 JSON。字段定义越明确,后续程序解析失败越少;需要严格格式时,应配合校验与失败兜底。
- 智能体agent
- 能够自行判断下一步做什么、调用哪些工具、什么时候结束的程序。它把「一次问答」扩展成「一串自主决策」,因此更需要明确的边界和检查点。
- RPA(机器人流程自动化)robotic process automation
- 用软件模拟人在界面上的点击、输入和复制粘贴,完成跨系统的重复操作。它适合没有开放接口的系统,但界面一改就容易失效,需要维护。
数据与合规
自动化跑得越顺,越容易把敏感数据带到不该去的地方。这一组不是法律意见,而是工程上最常见的四条底线。
- 脱敏data masking
- 在数据进入模型或工作流之前,移除或替换姓名、手机号、账号等敏感信息。脱敏做在入口最可靠,事后清理往往已经来不及。
- 最小权限least privilege
- 只授予完成任务所必需的访问范围。工作流使用的账号、密钥和工具权限都应遵循这一原则,避免一次配置失误影响整个账号。
- 审计日志audit log
- 记录谁在什么时间做了什么操作、结果如何。它用于追查异常、复盘执行过程,也是很多合规检查的常见要求。
- 数据留存data retention
- 数据保存多久、何时删除、删除后能否恢复的规则。留存期限越长,泄露风险和合规成本越高,应按实际需要设定。