第 27 章 案例三 自动化工作流 Agent

作者:前端阿凡日期:2026/9/27

第 27 章 案例三:自动化工作流 Agent

本章要解决的问题

每周要花 3 小时的报表生成,交给 Agent 自动跑——规划、多智能体、成本优化怎么配合?

章节大纲

  • 27.1 多步骤任务拆解(规划 + 多智能体)
  • 27.2 MCP 集成办公套件(豆包)
  • 27.3 成本优化与异常恢复
  • 27.4 全流程编排与监控
  • 🛠 解决方案:自动化任务失败自愈机制 + 成本预算控制

27.1 场景与任务拆解

27.1.1 场景:周报自动生成

业务:某运营团队每周要生成一份经营周报,人工耗时 3 小时:

1拉数据(订单/流量/转化)→ 清洗 → 分析趋势 → 撰写报告 → 发邮件/同步群
2

交给 Agent 的目标:全自动跑,出错自愈,成本可控。

27.1.2 任务拆解(第 15 章规划)

1[Planner] 生成周报任务计划
2  ├─ 步骤1:拉取本周订单数据(工具:数据查询)
3  ├─ 步骤2:拉取本周流量数据(工具:数据查询)
4  ├─ 步骤3:分析销售趋势(步骤1/2 后)
5  ├─ 步骤4:分析渠道表现(步骤1/2 后)
6  ├─ 步骤5:撰写周报(步骤3/4 后)
7  └─ 步骤6:发送周报(步骤5 后)
8
9依赖关系:1,2 → 3,4 → 5 → 6
10

图 1:周报任务依赖图

两个独立分支(步骤 3 和 4 都依赖 1、2 但不互相依赖)→ 可并行(第 12 章)。

27.1.3 为什么用规划 + 多智能体,而不是一条提示链

需求方案理由
任务结构固定提示链即可(第 10 章)步骤写死
但数据源可能变需要规划的动态性(第 15 章)本周数据源缺一个要重排
分析任务较独立可并行 + 角色分工多智能体(第 16 章)

本案例用"规划 + 并行 + 主管编排":Planner 出计划 → 主管派活 → 分析类任务并行 → 汇总质检 → 发送。

27.2 MCP 集成办公套件

27.2.1 需要的工具集

工具用途来源
查订单数据拉取销售数据内部数据 API
查流量数据拉取流量数据内部数据 API
写文档生成周报文档办公套件 MCP
发消息同步到群办公套件 MCP
发邮件邮件通知办公套件 MCP

27.2.2 MCP Server:办公套件接入(第 7 章)

示例代码:以下代码演示核心结构,省略了异常处理、日志和完整 import。

1from fastmcp import FastMCP
2
3mcp = FastMCP("office-suite")
4
5@mcp.tool()
6def create_report_doc(title: str, content: str) -> str:
7    """创建文档并返回链接。生成报告/文档时使用。"""
8    doc_id = office_api.create_doc(title, content)
9    return f"文档已创建:https://docs.internal/{doc_id}"
10
11@mcp.tool()
12def send_wecom_message(channel: str, content: str) -> dict:
13    """发送企业微信消息。任务完成/异常通知时使用。"""
14    return wecom_api.send(channel, content)
15
16@mcp.tool()
17def send_email(to: str, subject: str, body: str) -> dict:
18    """发送邮件。需要正式通知时使用。注意:敏感操作,需确认。"""
19    return email_api.send(to, subject, body)
20

注意:send_email 是敏感操作(第 5/22 章)——MCP Server 内部要做确认机制。

27.3 成本优化与异常恢复

27.3.1 成本优化(第 23 章五个金矿)

优化做法收益
结果缓存相同数据查询命中缓存数据拉取零成本
小模型路由数据清洗/格式整理走小模型简单步骤降本 60%
并行分析趋势/渠道分析并行时间减半
上下文精简分析只传必要指标省输入 token
预算封顶单任务费用上限防失控

27.3.2 异常恢复:失败自愈(第 21/23 章)

自动化任务最怕"半夜挂了没人管"。设计三级自愈:

图 2:三级自愈机制

1def run_with_recovery(plan, budget):
2    for step in plan["steps"]:
3        try:
4            result = execute_step(step)
5        except DataSourceError:
6            # 一级:重试(指数退避)
7            result = retry(step, times=2, backoff=[5, 15])
8        except DataMissingError as e:
9            # 二级:跳过并记录(该数据源本周缺失)
10            result = {"skipped": True, "reason": str(e)}
11            notify("周报数据缺失", f"{step} 数据源不可用,已跳过")
12        except Exception as e:
13            # 三级:降级(用缓存数据/标记待人工)
14            result = fallback(step, e)
15            escalate_to_human(step, e)      # 转人工
16        results.append(result)
17    return results
18

自愈分级原则:可重试的重试 → 可跳过的跳过(带通知)→ 兜不住的转人工。自动化不等于无人值守,而是"能自愈的自愈,自愈不了的通知人"。

27.3.3 预算控制(第 23 章三层熔断)

1BUDGET = {
2    "per_task": {"max_cost": 0.5, "max_steps": 20},
3    "per_month": {"max_cost": 30, "alarm": 0.8},
4}
5# 单任务费用超限 → 终止并通知;月预算 80% → 告警
6

27.4 全流程编排与监控

27.4.1 编排器:定时触发 + 状态管理

1from apscheduler.schedulers.blocking import BlockingScheduler
2
3def weekly_report_job():
4    # 1. 生成计划(第15章 Planner)
5    plan = planner.plan("生成本周经营周报")
6    # 2. 并行执行独立分支(第12章),生产环境需加信号量限流
7    results = run_branches(plan, parallel_groups=[["分析趋势","分析渠道"]])
8    # 3. 汇总质检(第17章)
9    report = synthesize(results)
10    ok, issues = quality_check(report)
11    report = report if ok else revise(report, issues)
12    # 4. 交付(MCP 工具)
13    doc_url = create_report_doc("第X周经营周报", report)
14    send_wecom_message("周报群", f"周报已生成:{doc_url}")
15    # 5. 留痕(第21章)
16    save_trace("weekly_report", results, doc_url)
17
18scheduler = BlockingScheduler()
19scheduler.add_job(weekly_report_job, "cron", day_of_week="mon", hour="9")
20scheduler.start()
21

图 3:自动化编排监控

27.4.2 监控面板(第 20/21 章)

指标告警阈值说明
任务成功率< 90%周报是否稳定跑通
平均成本> 0.3 元/次成本是否异常
失败原因同一原因 > 2 次需要修复而非重试
生成报告质量抽评 < 4 分LLM-as-Judge

27.4.3 数据质量校验(防"自动生成垃圾")

自动化最大的隐藏风险:流程跑通了,但数据错了,还自动发出去了。必须在发送前加数据校验:

图 4:发送前数据校验

1def data_sanity_check(report):
2    checks = [
3        report["revenue"] >= 0,                        # 金额非负
4        abs(report["revenue"] - sum(report["items"])) < 0.01,  # 汇总一致
5        report["orders"] > 0,                          # 订单数合理
6        len(report["channels"]) >= 3,                  # 渠道完整
7    ]
8    return all(checks)
9# 校验不过 → 不发送,转人工审核
10

铁律:自动化任务发送给"人看"的内容,发送前必须过数据校验 + 质检(第 17 章)——宁可拦下误报,不可发出错误。

🛠 解决方案:自动化任务失败自愈机制 + 成本预算控制

常见问题

  1. "半夜任务挂了没人管":无自愈。对策:三级自愈(重试→跳过带通知→转人工,27.3.2)。
  2. "自动发出了错误报表":无数据校验。对策:发送前 data_sanity_check + 质检(27.4.3)。
  3. "成本一个月比一个月高":无预算熔断。对策:三层熔断 + 成本监控(27.3.3)。
  4. "任务偶尔超时":数据量大。对策:并行化 + 大任务拆分 + 超时分层。
  5. "改了一版,流程直接跑不通":无回归。对策:每周跑一次"干跑"验证(不真发),用评测集回归(第 20 章)。

解决方案速查表

现象根因解决方案
挂了没人管无自愈三级自愈
发出错误数据无校验发送前校验 + 质检
成本失控无预算三层熔断
任务超时串行/超量并行 + 拆分
改动跑不通无回归干跑验证

实战提示

  1. 自动化 ≠ 无人值守:能自愈的自愈,自愈不了的通知人。
  2. 发送前必须校验:给"人看"的内容,数据校验 + 质检缺一不可。
  3. 三级自愈是标配:重试 → 跳过(通知)→ 转人工。
  4. 预算熔断必须有:自动化任务没有预算上限就是定时炸弹。
  5. 干跑回归:改流程后先"干跑"(不真发)验证,再让它自动跑。

参考文档


《第 27 章 案例三 自动化工作流 Agent》 是转载文章,点击查看原文。


相关推荐


Kotlin 协程闯关:看代码,猜结果
潜龙勿用之化骨龙2026/9/21

前言 这不是一篇 API 速查表。 接下来 10 关,每一关都先别急着运行。 先凭直觉判断,再打开 IntelliJ IDEA 验证,最后回头看协程到底是怎么运行的。 闯关规则 不要直接复制代码运行,先预测结果。 尽量不要查 API,看看自己对协程调度、挂起和生命周期到底掌握了多少。 在 IntelliJ IDEA 中逐关运行验证。 对照解析,看看自己能走到第几关。 Kotlin 协程闯关地图 10 关协程挑战 从 launch、delay,一路闯到结构化并发与生命周期。


面试总被问云存储?块 / 对象 / 文件存储、快照备份一次性讲透
KIDULT°2026/9/12

华为云存储云服务 摘要:在云时代,存储是云业务的基石。日常我们接触 U 盘、移动硬盘、网盘都是存储设备,上云之后,华为云提供了四类主流存储服务:云硬盘 EVS、对象存储 OBS、弹性文件服务 SFS、云备份 CBR。本文带你搞懂各类存储的概念、特性、区别以及适用场景。 一、什么是存储云服务 存储是指将数据或信息保存在计算机或其他电子设备中的过程。存储可以是临时的,也可以是长期的,例如将文件保存在硬盘驱动器或云存储中。存储是计算机系统中非常重要的组成部分,它不但可以储存数据,还能通过存储实现容


hadoop高可用架构
kuroomi2026/9/4

hadoop高可用 IP 主机名 角色 192.168.150.172 server1 NameNode DFSZKFailoverController ResourceManager 192.168.150.173 server2 JournalNode QuorumPeerMain DataNode NodeManager


从“听得懂”到“干得了”:工业大模型落地工厂的三层进化路线
MobotStone2026/8/27

过去几年,大模型很火。但到了制造业,一个现实问题始终绕不开:会聊天的AI,真的能开机器、查故障、调参数、排产线吗? 答案是,单靠一个大模型很难。 工业现场和普通的聊天场景完全不同。一条生产线可能涉及设备说明书、工艺文件、传感器数据、机器视觉图像,以及MES、WMS、SCADA、PLC等各种系统。大模型不仅要“听得懂”,还要懂具体行业的专业知识,更重要的是,它最终得把判断变成实际动作。 因此,工业大模型并不是“一个模型打天下”,而更像一个分工明确的三层体系: 基础模型层:解决“懂不懂”,让AI拥


【AI智能体】Codex 生成高质量电商套图实战操作详解
小码农叔叔2026/8/19

目录 一、前言 二、Codex 介绍 2.1 Codex 是什么 2.2 Codex能做什么? 2.3 基于Codex 制作电商图片介绍 2.3.1 核心实现流程 2.3.2 实战操作建议 三、Codex 生成电商套图操作过程 3.1 前置准备 3.2 完整操作过程 3.2.1 规划设计方案 3.2.2 确定设计方案 3.2.3 根据产品主图规划设计方案 3.2.4 细节调整与完善 3.2.5 重新作图 3.2.6 封装成Skill 3.2.7 自定义Ski


如何在Windows环境选择适合自己的 AI Agent
Lei_official2026/8/6

背景 在使用 AI Agent 时,你是否曾经困惑过:应该选择什么环境、什么形态的 Agent 终端?以 Codex 为例,有 Desktop App,也有 CLI 工具。如果使用的是 Windows 环境,例如我,还面临着 PS7、WSL2 的选择。 根据奥卡姆剃刀原理,如非必要,勿增实体。对于功能相近的工具,我倾向于只保留最适合当前任务的一种。 尤其是 AI Agent 这类工具,使用的不只是工具本身,还有大量定制配置、Skill、MCP 等;这些内容也会不断更新、迭代。如果在同一台电脑上使


GitHub 热榜项目 - 周榜(2026-07-26)
CoderJia_2026/7/28

GitHub 热榜项目 - 周榜(2026-07-26) 生成于:2026-07-26 统计摘要 共发现热门项目: 22 个 Token赞助:siliconflow 前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站。 本期热点趋势总结 本期 GitHub 热榜聚焦 AI Agent 工程化与开发者效率升级:代码审查图谱、 CLI / IDE 编排、 多模型路由与 token 压缩成为核心热点,配套的 Skil


一句话上线 AI Agent 应用:火山 Supabase + IGA Pages 全栈部署实践
火山引擎Agent社区2026/7/20

AI 全栈应用上线难在哪? 很多开发者在做全栈应用,尤其是 AI 应用时,真正耗时的地方往往不在业务代码本身。一个功能原型可能很快就能写出来:前端页面、登录注册、文件上传、数据库表、几段后端函数,再接一个大模型接口。但当它要从本地项目变成“别人能打开链接直接使用”的应用时,事情就会变复杂。 你需要准备数据库,执行建表脚本,配置行级权限,开通对象存储,部署后端函数,设置环境变量,再把前端打包上传。每一步都不算难,但串起来之后,部署流程很容易变成一次重复、繁琐、容易出错的基础设施工作。 火山引擎 S


AI图片工具到底有哪些?一份按能力维度整理的清单
怕浪猫2026/7/12

一、AI 图片生成类 产品核心优势网址Midjourney生成质量天花板,风格审美领先midjourney.comDALL·E 3与ChatGPT深度集成,理解能力强openai.com/dall-e-3Ideogram文字渲染能力最强,适合海报/Logoideogram.aiFlux新一代高质量模型,开源可部署flux1.aiStable Diffusion开源生态最强,可控性高stability.aiLeonar


油猴脚本创建webworker踩坑记录
天平2026/7/4

起因是我在使用vite-plugin-monkey编写油猴脚本,用ts编写webworker脚本,然后在一些网站创建webworker准备做一些耗时任务时,webworker一直没生效。我一直以为new Worker()梭哈就好了,没想到里面的门道这么多,整理了一些问题。 1.webworker不能直接使用非同源 假设谷歌有一个w.js脚本,在你的网站里面,不能直接new Worker('https://www.google.com/w.js')去加载。注意,这里是限制非同源,和跨域CORS没关

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读