AI workflow automation: 从 business process 到 production agent

AI workflow automation 不应该从 agent 开始，而应该从 process 开始。

常见错误是用一个强模型去自动化一个模糊的业务问题。更好的路径是先 map workflow，再决定 AI 应该在哪些地方提供帮助。

这就是我理解 AI workflow automation engineer 这个角色的方式。

从 process 开始

在构建 agent 前，我想知道：

谁启动 workflow；
哪些数据进入系统；
有哪些 decision points；
哪些部分用 rule 就足够；
哪里出现 unstructured text 或 judgment；
哪些 action 需要 human approval；
成功如何衡量。

例如 customer intake workflow 可能包括 form submission、lead scoring、follow-up drafting、quote preparation、approval 和 CRM update。只有其中一部分需要 AI。

设计 agent boundary

production agent 需要边界。它应该知道自己能做什么、能建议什么，以及什么必须经过 approval。

Business event
    -> workflow state
    -> AI analysis
    -> proposed action
    -> policy check
    -> human approval if needed
    -> tool execution
    -> audit log

这种结构比让模型直接访问所有 tool 更可靠。

Data contract 和 observability

agent 应尽量在结构化数据上运行。

与其说“读这个然后做点什么”，系统应该定义输入输出：

lead summary；
risk level；
suggested next action；
required approval；
confidence；
evidence。

observability 也必须存在。需要 logs、traces、cost tracking、tool-call history 和 error handling。否则 automation 很难被信任。

Human approval

不是所有 action 都应该自动执行。

发送内部 summary 风险可能较低。给客户发送 quote、改变 deal stage 或删除数据，风险更高。production workflow 应该把高风险 action 送入 approval gates。

目标不是移除人类，而是减少重复摩擦，同时在业务需要的地方保留控制。

我学到的东西

好的 AI automation 往往是“无聊但可靠”的。它减少手工工作，保持记录干净，提出有用的下一步，并以可审查的方式失败。

production agent 不是魔法员工。它是一个带有 data contracts、policies、approvals 和 metrics 的 workflow component。

相关项目：Dossier、Sandora 和 EverDock Desktop.