概念-StaticWorkflow

一句话理解

Static Workflow（静态工作流）是一种固定步骤、无分支、每次执行完全相同的流程。在 AI 应用开发中，它是最简单、最可控的工作流模式：每一步做什么、顺序如何、输入输出是什么，全部在代码中硬编码，不依赖模型的判断，也不依赖外部条件的变化。

类比：流水线上的装配工序——第1步拧螺丝，第2步装外壳，第3步贴标签。无论来什么产品，步骤完全一样。

核心特征

1. 确定性（Determinism）

给定相同的输入，Static Workflow 永远产生相同的输出路径。每一步的执行逻辑是确定的，不会因为模型输出的不同而改变后续步骤。

2. 线性执行（Linear Execution）

步骤按固定顺序依次执行，不存在条件分支、循环或跳转。如果 A 步骤失败，整个流程终止，没有备选路径。

3. 无模型参与决策（No Model Decision-Making）

模型在 Static Workflow 中只负责执行具体任务（如翻译、摘要、分类），而不负责决定”下一步该做什么”。流程控制权完全在代码层面。

4. 易于调试和监控（Easy Debugging）

因为每一步的输入输出都是确定的，调试 Static Workflow 就像调试普通函数调用链一样简单。日志记录、断点调试、单元测试都直接适用。

适用场景

场景	说明	典型例子
简单 ETL Pipeline	数据从源到目标的固定转换流程	每日从数据库导出 CSV → 清洗 → 发送邮件
报告生成	固定模板、固定数据源的报告	每周自动生成销售周报：拉数据 → 填模板 → 发飞书
固定格式翻译	源格式和目标格式完全确定	把 JSON 日志翻译成自然语言摘要
批量内容处理	每篇内容走相同的处理流水线	100篇文章 → 每篇提取摘要 → 分类 → 入库
定时任务	固定时间触发、固定流程执行	每小时检查服务健康状态 → 记录日志 → 异常时告警

与其他工作流模式的对比

维度	Static Workflow	概念-DynamicWorkflow	概念-AgenticWorkflow
路径决定方式	代码硬编码	预定义规则 + 条件分支	LLM 自主决策
灵活性	无	中等（规则覆盖范围内）	高（开放式决策）
可预测性	完全可预测	可预测（规则已知）	低（模型行为不确定）
适合的任务复杂度	简单、重复	中等、有明确分类	复杂、开放
开发成本	低	中	高
调试难度	低	中	高
模型调用次数	固定	可变（根据分支）	可变（模型决定）
典型实现	顺序函数调用	if-else/switch 路由	ReAct / Tool Use / Agent Loop

代码示例

以下是一个典型的 Static Workflow 实现，用于自动生成每日 GitHub 活动摘要：

import requests
from datetime import date

# Step 1: 拉取数据（固定数据源）
def fetch_github_events(username: str, date: str) -> list[dict]:
    url = f"https://api.github.com/users/{username}/events"
    response = requests.get(url)
    return response.json()

# Step 2: 清洗数据（固定清洗逻辑）
def clean_events(events: list[dict]) -> list[dict]:
    cleaned = []
    for event in events:
        cleaned.append({
            "type": event["type"],
            "repo": event["repo"]["name"],
            "created_at": event["created_at"]
        })
    return cleaned

# Step 3: 调用 LLM 生成摘要（固定 Prompt）
def generate_summary(events: list[dict]) -> str:
    prompt = f"请根据以下 GitHub 活动生成一段中文摘要：\n{events}"
    # 调用 LLM API...
    return llm_call(prompt)

# Step 4: 发送到飞书（固定通知渠道）
def send_to_feishu(summary: str):
    webhook_url = "https://open.feishu.cn/open-apis/bot/v2/hook/xxx"
    requests.post(webhook_url, json={"content": summary})

# 主流程：步骤固定，顺序固定
def daily_report():
    events = fetch_github_events("user", str(date.today()))
    cleaned = clean_events(events)
    summary = generate_summary(cleaned)
    send_to_feishu(summary)

if __name__ == "__main__":
    daily_report()

Static Workflow 在 AI 应用中的位置

在 AI 应用架构中，Static Workflow 通常位于最底层。它是构建更复杂工作流（Dynamic、Agentic）的基础组件。一个 Agentic Workflow 的某个子步骤，可能就是一段 Static Workflow。

复杂度递增:
Static Workflow → Dynamic Workflow → Agentic Workflow
    (固定)          (条件分支)         (自主决策)

何时应该选择 Static Workflow

决定因素：

任务本身是固定的：不需要根据输入内容改变处理流程
对可靠性要求极高：不能容忍模型”乱走”导致流程跑偏
成本敏感：每次模型调用都有成本，固定步数 = 固定成本
团队能力有限：Static Workflow 的开发和维护最简单

2026 年的趋势

随着 LLM 能力的提升和成本的下降，纯 Static Workflow 的场景在减少。即使是简单的 ETL 任务，也开始引入动态元素——比如用 LLM 判断数据质量、决定是否需要重试。但 Static Workflow 的思想——“能用简单方案就不用复杂方案”——仍然是 AI 工程的核心原则。

来源

https://www.anthropic.com/engineering/building-effective-agents — Anthropic 官方：构建高效 Agent 的指南
https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering — Anthropic Prompt Engineering Guide
https://langchain-ai.github.io/langgraph/ — LangGraph: 工作流编排框架
https://arxiv.org/abs/2310.04451 — “Building Effective Agents” 相关论文