Workflow Agent 技术架构设计
Workflow Agent 是基于 LangGraph 构建的智能工作流生成服务，将用户的描述转换为可执行的工作流, 自动调试并完成部署。
核心设计理念
咨询顾问式交互 + 前置能力检测 + 智能协商机制 需求捕获 → 能力边界检测 → 协商调整 → 设计实现 → 测试部署 → 持续优化
整体流程设计
🔄 核心创新：前置协商流程
我们的创新流程
用户需求 → 能力扫描 → 发现约束 → 协商调整 → 确认方案 → 精准设计
📊 节点分类与状态管理
主要节点类型
1. 咨询类节点 (Consultant Nodes)
- Clarification Node - 解析和澄清用户意图，支持多种澄清目的（初始意图、模板选择、模板修改、能力差距解决、调试问题）。
- Negotiation Node - 与用户协商，获取额外信息或在备选方案中选择。
- Gap Analysis Node - 分析需求与现有能力之间的差距。
- Alternative Solution Generation Node - 当存在能力差距时，生成替代解决方案。
2. 设计与执行类节点 (Design & Execution Nodes)
- Workflow Generation Node - 根据确定的需求生成工作流。
- Debug Node - 测试生成的工作流，发现并尝试修复错误。
🌊 状态流转设计
核心状态数据结构
interface Conversation {
role: string;
text: string;
}
interface WorkflowState {
// 元数据
metadata: {
session_id: string;
user_id: string;
created_at: Date;
updated_at: Date;
};
// 当前阶段
stage:
| "clarification"
| "negotiation"
| "gap_analysis"
| "generation"
| "debugging";
// 前一个阶段
previous_stage?: string;
// 执行历史记录
execution_history: string[];
// 澄清阶段上下文
clarification_context: {
origin: "new_workflow" | "from_template";
pending_questions: string[]; // 当前 Clarification 阶段待确认的问题
};
conversations: Conversation[]; // 用户和AI Agent的全部对话
intent_summary: string; // AI根据对话总结的用户意图
gaps: string[]; // 能力差距分析结果
alternatives: string[]; // 提供的替代方案
// 模板工作流支持
template_workflow?: {
id: string; // 模板 ID
original_workflow: object; // 模板的原始内容
};
current_workflow: object; // 当前生成的workflow
debug_result: string; // 调试结果
debug_loop_count: number;
}