30 秒看懂
工作流图决定 AI 应用下一步做什么;数据图帮助它查找相关信息。Google Cloud 讲解者 Annie Wang 用退款申请解释两者的区别:并行检查取得订单、支付和客户历史,规则将案例转给人工,模型获批后才起草回复。同样的事实也能通过表连接查到,小任务可能只需一个智能体。图能提供结构,但也需要维护,并可能增加成本和延迟。
- 1必要的人工决定需要能够暂停的工作流告诉单个智能体等待,并不能保证它真的会等待。在退款示例中,当规则要求审核时,应用会明确暂停。
- 2步骤和依赖关系构成工作流图节点可以是函数、基于模型的智能体或等待人工输入的步骤;边表示依赖关系和条件路径。并行检查的结果会在规则运行之前汇合。
- 3小任务可能完全不需要图Wang 说,几个函数或一个带工具的智能体可能就够了。当步骤及其关系需要可见、可控时,图才有用。
- 4沿关系检索可找到订单中缺失的退款信息仅凭这笔 62 美元的订单,无法知道支付争议状态和客户以往退款记录。沿连接查询可以取得两者。
- 5图查询是检索关联记录的一种方式演示使用 BigQuery Graph 和预先写好的查询,但表连接及其他检索方式也能收集这些事实。定义关系和追踪额外连接会带来维护及运行成本。
- 6工作流查询数据图,再应用规则查询将两种图连接起来。工作流使用返回的事实,在必要时等待人工决定,再把决定交给模型起草回复。
要点建议
- 用工作流控制强制执行必要的人工审核,不要仅依赖让智能体等待的指令。
- 当答案依赖关联记录中的事实,而不只是一段匹配文本时,可以沿数据关系检索。
- 小任务可以考虑更简单的函数或单个智能体;构建和维护图结构需要投入。
- 在实际应用中比较合并查询与并行读取的延迟和成本。
- 只检索相关连接:遍历更多关系可能增加开销,也可能带来不需要的上下文。
按章节阅读整理后的全文
一笔退款展示两种不同的图
数据图返回事实;工作流图控制步骤,并在审核时暂停。人工作出决定后才起草回复。
为什么图会不断出现在 AI 中?我会区分两种用途:工作流图控制下一步发生什么,数据图则连接记录,为智能体提供上下文。两者可以放在同一个应用中。
假设一位客户申请退款。工作流从数据图中取回订单、支付和退款历史;退款规则将此案例转交给人工。我添加原因并批准后,AI 使用这些事实和我的决定起草回复。
围绕检查和人工审核设计工作流
节点描述工作,边描述依赖关系或路径。各项检查可以并行运行,然后由规则决定是否需要人工审核。
要让“处理这笔退款”成为可执行的流程,可以把它拆成订单、支付和退款历史检查,应用规则,必要时请求审核,然后起草回复。我们可以指示一个智能体完成所有工作,但让它等待人工的指令并不能保证它真的暂停。
为每个阶段画一个方框并将它们连接起来。有些检查相互独立,可以同时运行;另一些则依赖先前的结果。一个决定可能让工作走向不同路径。这张草图就是一张图:每个步骤是一个节点,边则描述连接或依赖关系。

并行路径、路由、父子智能体和循环,都能用这种方式表示。实际应用可以组合这些模式,显示工作在哪里分流、结果在哪里汇合,以及人在哪里介入。
每个节点可以做不同的事:读取记录、应用规则、让模型起草回复,或等待人工输入。在退款流程中,规则等待三项检查全部完成;结果决定下一步走哪条路径,必要时包括人工审核。
图工程同时设计这些步骤及其连接,再用代码将其表示成可运行的工作流。演示中我使用 Google 的 Agent Development Kit:我们可以选择一个模型来写回复,同时由代码处理必要的检查和等待。
三项检查并行运行,规则等待结果,这个案例随后被转给人工审核。我批准后,回复智能体才会起草答复。不过,构建和维护这种结构需要投入:对于小任务,几个函数或一个带工具的智能体可能就够了。
沿关联记录检索上下文
匹配到的订单不一定包含规则所需的支付和退款历史信息。沿关系查询可以为模型收集这些事实。
工作流还需要订单和客户信息。检索增强生成(RAG)会先查找相关信息,再在模型回答前提供给它。向量搜索可以找到语义相近的段落,但匹配的段落未必包含任务所需的每一项事实。
GraphRAG 将关系用于检索。一种方法是先找到相关记录,再沿着连接收集更多上下文。关系本身提供了检索另一条记录的理由,但整体模式仍然是先检索、再生成。
在这个例子中,订单记录显示一双越野跑鞋售价 62 美元,购买于 12 天前。这不足以满足退款规则:规则还需要知道支付是否存在未解决的争议,以及客户过去一年收到过多少次退款。
客户、订单、支付和退款历史摘要都是数据图中的节点。它们之间的连接说明谁下了订单、哪笔支付属于该订单,以及哪份历史属于该客户。沿着这些连接查询后发现,没有未解决的支付争议,过去 12 个月有一次退款。
这些关系解释了为什么这些事实属于当前案例:我们检查的是这笔订单的支付和这位客户的历史。从订单出发沿连接查询,可以构建规则所需的上下文。在本例中,规则要求先进行人工审核,再由模型起草回复。
判断图检索何时值得付出成本
BigQuery Graph 可以查询现有表之间的关系,但表连接也能取得这些事实。维护关系和遍历额外记录会增加工作与成本。
我用 BigQuery Graph 在 BigQuery 表上定义关系,并通过 Graph Query Language 检索关联记录。演示从订单号开始,使用预先写好的查询。表连接也可以取得相同事实,普通 RAG 同样可以检索多条信息。
定义和维护图关系需要工作。沿更多连接查询可能增加延迟、成本,以及任务不需要的信息。我们仍须选择相关事实,而模型仍可能出错。
连接工作流图与数据图
工作流中的一个步骤查询数据图,再对结果应用规则。生产系统应比较并行读取和合并查询的成本与延迟。

把两种图结合起来,工作流的一个步骤查询数据图、取得关联事实、应用规则,并在需要时等待人工决定。随后,它将事实和决定交给模型,起草回复。一张图连接工作步骤,另一张连接信息。
演示使用三次读取来展示并行工作,但一次合并查询也能取得相同事实。对于实际运行的应用,应比较两种方式的延迟和成本。先考虑要解决的问题、需要采取的行动及其所需信息;并非每个 AI 应用都需要图。
同频道的其他文章
15:19EN → 简体中文
31:46EN → 简体中文
16:12EN → 简体中文
55:11EN → 简体中文
13:01EN → 简体中文
23:57EN → 简体中文