LLM workflow从出来的第一天，我就说，这玩意儿给企业用绝对必死无疑，跟low code和no code一样，属于民办三本文科宝妈的意淫幻想。 典型就是，设置一个自以为挺有用的场景，一堆人跟个大傻逼似的，忙活设计，玩连连看，反复测试，跟个胡闹厨房一样， 做完美滋滋地跟团队炫耀，大面积推广， 用了一周之后发现，哎，缺少了功能ABCDEFG，其中ABCD和EFG还矛盾，如果要完善LLM workflow的这些缺失功能，那就要完完全全重新写一套。 这时候这些民办三本文科宝妈的脑子直接烧了，因为要满足接下来层出不断需求，就要每周时时刻刻重写，而这对于他们人均边牧一样的产品设计和coding能力，是绝对做不到的。 这些人连python写一个从1加到100都费劲，让他们持续维护一个不断推翻、不断重新设计、不断连连看的LLM workflow，比让他们学会正确写一个feature requirement document还难。 于是整个团队出现了五六个LLM workflow之后，彻底失去维护能力，持续烂尾，又回到了人肉办公处理的时代。

@coze_workflow_dev 6 月接单 17500 元。 17 单的交付栈我抄给你： 主台：Coze 存储：飞书多维表（直接做客户后台） 触发：微信群机器人 监控：Coze 自带 trace + 飞书机器人推 fail 通讯：拉一个三方群（你 + 客户 + 你的「机器人助手」） 挂单话术： 「客服 Bot 800 起，1-3 天交付，飞书后台 + 微信群同步消息。」 你还在跟客户磨需求文档？ 30 分钟内看到「自家微信群多了个 AI 客服」，是不是比 PPT 提案更扎心？

最近看到几类 Agent workflow 相关工具： 移动端 code agent、CRDT 状态同步、Agent 组件注册表、可执行上下文层、隐私代理。 第一反应很容易是： 这个也想接一下，那个也想试一下。 但我现在反而越来越觉得，个人 AI 工作流最危险的地方，就是把未来产品形态提前硬塞进今天的工作流里。 对一个人或小团队来说，真正该吸收的可能不是工具，而是背后的几层问题： 1. 重要项目不能只靠聊天记忆 要有一套 agent 都能读到的上下文入口，最好是可查询、可验证、可复用的。 2. skill / hook / MCP 不能无限堆 经常救场的留下；很少改变结果、只是让人安心的压缩；老项目遗留的归档。 3. 敏感信息要有前置 gate 当你开始把更多本地上下文、日志、账号信息、项目资料交给 AI，隐私和凭证检查就不是“以后再说”的事。 4. 移动端更适合做控制面板，而不是新的复杂工作台 真正有价值的是 review、approve、dispatch、看结果，不一定是把所有工作都搬到手机上完成。 所以我现在对 Agent command center 的理解有点变了： 方向是对的，但个人系统不应该先追求“全接入”。 更重要的是分清： 哪些是今天能救场的机制； 哪些只是未来产品的影子； 哪些应该吸收成原则； 哪些应该坚决不装。 AI 工作流真正变强，有时候不是多加一层，而是知道哪一层暂时不要加。

Claude Code 的 dynamic workflows 用不起，一个简单任务，几分钟就 31 个 Agents，消耗了 1.3 M Tokens，周 Token 用量从 11% 跳到了 20%（Pro @ 20x），犯不着呀，慢点我可以的！

看完 @JYdmnLFG 的workflow 花了10分钟让AI搭了个工作台 目前有几个AI交易策略在跑 测试着，每天自动推选题 ，投资复盘自动记录 今天AI给我推的第一个话题就是 @xincctnnq 要做项目方黑历史网站 我觉得可以升级一下 做个Web3项目信用档案 信誉评分 比单纯挂人有价值 说真的 AI不是用来聊天的 是用来干活的 你们都拿AI做什么？

最近一直在找 Agent Dynamic Workflow 的替代方案。 一开始是沿着 Temporal 这条线找的。Temporal 很强，但如果只是想把 agent、脚本、数据处理、运维任务动态串起来，有时候会觉得整套体系有点重。 然后翻到了 Dagu，感觉方向很对。 单个 binary 就能跑，流程用 YAML 写，本地文件管理，带 Web UI，也不用额外起 DB 或 broker。 内置动作也挺多：shell、Docker、K8s Job、SSH 这些都有。比较惊喜的是还有 coding agent CLI 接进流程里。 我喜欢它的点是：流程本身就是文件，状态、日志、重试、依赖和界面都帮你兜住了。 对小团队、私有环境、个人自动化，还有 agent workflow 来说，Dagu 这种本地优先的路线反而很舒服。