构建可靠的 AI 工作流：我们在 MCP 架构下的实践与经验
本文总结 MaybeAI 团队在 MCP（Model Context Protocol） 框架下构建生产级 AI 工作流系统的经验。
从最初的“让模型在运行时直接生成代码”到后来的“规划期验证 + 组件化执行”，我们在失败与重构中逐步建立起一个可扩展、可复用、可验证的工作流体系。
一、背景：为什么“自动化更强”，却不代表“更可靠”
过去一年，越来越多平台在谈「智能工作流」：LLM 规划、代码生成、自动调用工具……
但当这些逻辑进入真实业务场景（CRM、销售、财务、营销分析）后，问题开始暴露。
MaybeAI 的经验是：
如果把运行期代码生成作为默认路径，稳定性会迅速失控。
我们最初的实现方式是——让 LLM 在运行时生成并执行工具调用代码。
几个月的实践后，得到的现实是：
超过 20% 的运行失败率
忘记
await语句造成阻塞类型不匹配、边界异常频发
工作流多步串行后成功率骤降
简单的数学说明一切：
每步成功率 95%，十步流程整体成功率仅 60%。
对于处理真实客户数据的业务工作流，这是完全不可接受的。
二、关键转变：从运行期生成到规划期验证
我们决定把代码生成从运行期前移到规划期。
新架构如下：
自然语言 → DSL 计划（由预构建组件组成） → 验证 → 执行
在这种模式下：
LLM 不再输出整段可执行代码；
而是选择、排列并验证已有组件（Components），组成可解释的执行计划；
验证逻辑在执行前完成，运行期只负责确定性调度。
我们称这种模式为 Definition-first Workflow（定义优先工作流）。
它让 AI 的创造性存在于“规划阶段”，而执行阶段完全遵循工程规则。
三、控制流与数据流的解耦：让工作流可扩展
工作流的稳定性，取决于对控制流（Control Flow）和数据流（Data Flow）的分离程度。
| 流程类型 | 职责 | 实现方式 |
|---|---|---|
| 控制流（Planning） | 决定执行顺序、条件、分支逻辑 | LLM 解析需求 → DSL 规划 |
| 数据流（Runtime） | 管理数据在任务间的流动与计算 | DataFrame 在内存中直接传递，不经 LLM 上下文 |
这种分离带来显著优势：
可处理超出上下文窗口的大型数据集
LLM 仅访问摘要信息，降低成本与风险
用户可获得实时预览（类似 Excel 视图）
整体计算过程可观测、可审计、可回放
这让工作流平台具备了“AI 规划 + 确定性执行”的双重特性。
四、业务视角：可重现比“智能”更重要
MaybeAI 的主要用户包括：
销售运营团队
市场与分析人员
财务与商业数据部门
他们希望系统：“每周一上午 9 点，按计划自动生成报告。”
在这类固定节奏的工作流中，
“智能反思与重试”听上去很先进，但对业务而言，不确定性就是风险。
一封错误的邮件
一张写错字段的报表
这些都不是“bug”，而是“业务后果”。
因此我们的原则是：
自然语言规划层 + 确定性执行层（Deterministic Execution）
外层对用户仍是对话式体验，
但底层执行逻辑必须稳定、可审计、可回放。
五、工程要点：从概念到可生产的工作流体系
| 技术原则 | 说明 |
|---|---|
| 前置验证 | 在规划阶段校验类型与逻辑，提前捕获错误。 |
| 强类型与 Schema 校验 | 所有输入输出需明确定义，保障一致性。 |
| 组件化执行 | 预构建可重用组件，减少动态代码生成。 |
| 用户心智映射 | 模型决策结构贴近业务用户的表格与任务思维。 |
我们发现：
工程上的确定性 比“模型智能”更能赢得信任；
Schema 与日志 是连接 AI 层与业务层的真正桥梁。
六、MCP 框架下的经验与未来方向
MCP（Model Context Protocol）让工作流能够在不同工具、模型与执行环境间保持一致的通信标准。
但要想在生产级环境下落地，还需要配合以下架构思路：
规划期验证（Validation before Execution）：确保执行图可解释、可复现。
组件库治理（Reusable, Audited Components）：提高复用率、减少潜在错误。
执行日志与回放机制（Replayable Execution）：让每次运行都能被追踪、优化、再利用。
MaybeAI 的工作流系统正基于此演进：
通过自然语言定义任务，通过 MCP 标准执行任务，让系统在确定性执行中不断学习。
七、开放问题：Tool Composition 的工程化挑战
虽然 MCP 统一了协议层，但工具组合（Tool Composition）仍是整个生态的难题：
不同组件的输入输出如何标准化？
如何在并行任务中保持一致性与隔离性？
如何实现跨模块的监控、回滚与版本控制？
这些问题目前没有标准答案。
MaybeAI 正在探索「工具注册 + Schema 对齐 + 路由评估」的自动治理框架，也欢迎其他团队分享他们在大规模工作流编排中的实践。
八、结论（Conclusion）
生产级工作流与实验性自动化的最大区别在于：
可靠性、可验证性、可复用性。
MaybeAI 在 MCP 架构下的探索告诉我们：
代码生成不是目标，清晰定义才是。
AI 规划不是魔法，需要强类型约束与组件治理。
确定性执行不是保守，而是业务级稳定性的前提。
真正的智能，不是随机尝试的成功率，而是系统持续复现正确结果的能力。
TL;DR
动态代码生成在多步工作流中成功率低、难以复现；
将生成逻辑前移到规划期，通过 DSL + 组件组合实现可控执行；
分离控制流与数据流，提高扩展性与可靠性；
工作流平台的核心价值是“可重现、可审计、可复用”。