2025-03-11 之后，为什么工作流加工具调用更重要了

补档说明：本文属于「AI 工程落地周记」系列，计划发布时间为 2025-03-23 21:30。当前先保留为草稿，后续补充真实案例、代码片段和复盘细节后再发布。

2025 年 3 月 11 日之后，我对 AI 应用的一些判断开始变得更明确了。不是因为那天突然出现了一个完全颠覆的新世界，而是因为“工具调用”和“围绕工具调用组织工作流”这件事，被越来越正式地推到了台前。那之后我更确定了一点：很多 AI 产品的价值中心，正在从“模型单次回答得多聪明”，转向“系统能不能围绕模型把事情做成”。

这两者看起来只差一点点，实际是完全不同的工程重心。

前一种重心下，团队更容易围绕 Prompt、模型榜单、单次回答效果去优化；后一种重心下，团队会开始更认真地讨论：

• 哪些步骤适合交给模型判断
• 哪些能力必须外置成工具
• 失败后怎么回退
• 多步任务怎么追踪
• 结果怎么进入业务流程

我觉得这就是为什么“工作流 + 工具调用”在这个时间点之后显得更重要了。因为它把 AI 应用从“会说话”推进到了“能协作、能执行、能被治理”。

为什么单次回答已经不够了

如果 AI 只是做摘要、改写、闲聊，那么单次回答质量当然仍然是核心。但很多真实业务走到下一步之后，问题已经不再是“它会不会答”，而是：

• 它能不能查到真实数据
• 它能不能按规则调用系统能力
• 它能不能把结果交还给后续流程
• 它出错时能不能停下来

这时，模型不再是完整系统，而是系统中的一个判断节点。

一旦你接受这一点，设计思路就会明显变化。团队不会再只盯着“把 Prompt 再磨一磨”，而会开始思考怎样把模型放进一个更稳的工作流里。

工具调用的重要性，来自“事实”和“执行”被外置

我一直觉得，工具调用真正提升的不是炫技程度，而是事实获取和动作执行的边界清晰度。

1. 事实获取外置

模型不应该假装自己天然知道今天的库存、当前的审批状态、最新的文档版本。把这些交给工具去查，系统才更可信。

2. 动作执行外置

建工单、发通知、写数据库、更新状态，这些动作都不该靠模型“脑补执行”。模型可以决定要不要做，但真正执行必须走工具。

一旦事实和执行都外置，系统的可控性会大幅提升。因为你终于能看清楚：

• 哪部分是模型判断
• 哪部分是工具结果
• 哪部分是业务规则

为什么工作流会跟着变重要

工具调用一旦变多，系统就不可能只靠“模型自己临场发挥”来完成复杂任务。你需要工作流来管理这些东西：

• 步骤顺序
• 状态流转
• 成功条件
• 重试策略
• 人工兜底

工作流的价值，不是限制模型，而是把模型纳入一个能被运营和维护的系统里。

很多团队一开始把工作流理解成“繁琐的编排层”，后来才发现，没有这层，系统根本无法长期运行。

一个我越来越强的判断

我现在更相信这样一种分工：

• 模型负责理解、判断、补全、选择
• 工具负责查事实、做动作、返回结果
• 工作流负责串联、约束、回退、记录

这三者缺一不可。

如果只有模型，没有工具，系统会停留在“看起来聪明”；如果只有工具，没有工作流，系统会很快变成一堆散乱调用；如果只有工作流，没有模型，系统又回到了纯规则系统。

真正成熟的 AI 应用，往往是三者配合。

它对产品设计意味着什么

这套变化会直接影响产品怎么设计。

以前一个 AI 功能的设计重点可能是：

• 聊天窗口
• 提示词
• 单次结果展示

现在越来越多产品真正需要的是：

• 任务面板
• 步骤状态
• 工具执行记录
• 人工接管入口
• 结果沉淀和回放

也就是说，产品不再只是“对话界面”，而更像“任务系统 + 工具系统 + 对话层”的组合。

为什么这件事对团队协作也有影响

工作流和工具调用变重要之后，项目分工也会跟着变。

原来可能只有“前端 + 调模型后端”就能撑起一个原型；现在更常见的是：

• 平台层负责模型接入和通用调用能力
• 业务层负责流程设计和规则约束
• 数据层负责知识和工具结果治理
• 运维层负责日志、限流、回放和审计

这说明 AI 应用的工程形态正在变成熟。它开始像一个完整系统，而不是一个单独的模型功能模块。

一个更接近现实的最小链路

async function handleRequest(input) {
  const intent = await classifyIntent(input)
  const plan = workflowFor(intent)

  for (const step of plan) {
    if (step.type === 'tool') {
      step.result = await callTool(step.name, step.payload)
    } else if (step.type === 'model') {
      step.result = await callModel(step.prompt, step.context)
    }
    if (step.failed) return fallback(step)
  }

  return finalize(plan)
}

这段逻辑并不复杂，但它表达了一件很重要的事：模型已经不是唯一核心，真正核心的是围绕模型组织起来的工作流。

总结

2025-03-11 之后，“工作流 + 工具调用”为什么更重要了？因为 AI 应用正在从“生成一个看起来不错的回答”，进入“围绕模型、工具和规则组织一个可执行系统”的阶段。

这意味着工程重点也在变化。未来真正拉开差距的，未必是谁的 Prompt 更花，而更可能是谁更早把模型接进了可观测、可回退、可治理的工作流里。