Зачем нужны рабочие процессы в эпоху ИИ-агентов?

Чтобы агент анализировал заказы и отправлял отчёт каждое утро в девять, достаточно настроить запуск по расписанию. События и Webhook также позволяют начинать работу при изменении данных.

Если отчёт отвечает вашим требованиям, а обработка проста, этого может хватить.

Со временем требования могут стать конкретнее: долю возвратов нужно рассчитывать по единой методике, анализировать только заданные данные, а сообщения клиентам согласовывать перед отправкой. После изменения расчёта нужно знать, какие отчёты использовали старую версию.

Тогда возникают другие вопросы. Какие решения агент принимает во время выполнения, а какие шаги следуют утверждённым правилам? Где хранится состояние задачи, ожидающей согласования? Сможет ли другой сотрудник разобраться в процессе и поддерживать его?

Рабочий процесс помогает организовать эти требования. Он явно хранит шаги, связи между данными и условия согласования, а среда выполнения управляет состоянием. Агент может помогать строить процесс и выполнять задачи, требующие понимания и оценки.

Выполнять согласованные правила одинаково

В ежедневном отчёте по заказам суммирование, группировка статусов и фильтрация по датам подчиняются правилам. Знаменатель доли возвратов — все заказы или только оплаченные? Учитывается дата заказа или дата возврата? После согласования эти определения нужно закрепить в коде.

Агент тоже может вызвать этот код. Рабочий процесс дополнительно сохраняет его связи с другими шагами: откуда поступают данные, какой узел получает результат и при каких условиях отправляется отчёт. Эти связи можно проверить по отдельности.

ИИ можно поручить интерпретацию комментариев клиентов, поиск возможных объяснений аномалий и выбор важных деталей для резюме. Например, код сначала отбирает необычные заказы, передаёт записи модели, а затем направляет её резюме на шаг уведомления.

Здесь определены правила расчёта и структура выполнения. Оценки модели могут меняться, но её входные данные, задача и назначение результата имеют явное место в процессе.

Не терять прогресс в ожидании согласования

Рассмотрим ответ клиенту. Агент прочитал письмо, проверил заказ и подготовил черновик. Теперь он ждёт согласования ответственного сотрудника.

Сотрудник может вернуться к задаче через несколько часов. Системе нужно сохранить входные данные, текст ответа, завершённые шаги и действия после одобрения или отказа. Продолжение должно использовать состояние того же запуска, не повторяя уже выполненные шаги.

Эти механизмы можно реализовать и в системе агентов. При выборе платформы рабочих процессов стоит проверить, какие функции управления состоянием она уже предоставляет и подходят ли они для ожидания, решений человека и продолжения работы.

Триггер запускает работу, а уведомление или последующий вызов API доставляет результат. Расписание, события, Webhook и опрос источника могут запускать как агентов, так и процессы. Схема ниже показывает связи между правилами, ИИ, согласованием и уведомлением после запуска.

Пример, который можно собрать самостоятельно. Триггер выбирается под задачу, согласование необязательно. Для выполнения нужно настроить источники данных, сервисы моделей и аккаунты для уведомлений.

Узлы Approval и Wait в Open Flow сохраняют состояние ожидания. После решения можно продолжить тот же запуск без повторения завершённых шагов. Для задач с участием человека это конкретная возможность, которую стоит оценить. Подробнее о согласовании и выполнении.

Сможет ли другой человек поддерживать задачу?

Сначала можно попросить агента выполнить задачу несколько раз, постепенно определить источники данных, методику расчёта и формат отчёта. Когда к поддержке подключаются другие люди, эти решения нужно зафиксировать.

Ответственному за поддержку нужно понимать, какой шаг читает заказы, где считается доля возвратов, что получает модель и когда отправляются сообщения. Граф процесса, привязки входных данных и код узлов помогают ответить на эти вопросы. Документацию и настройки проекта по-прежнему нужно поддерживать.

После изменений важно знать, какую версию логики использовал каждый запуск. Если методику расчёта изменили в понедельник, для проверки отчёта за прошлую неделю нужны тогдашние код и входные данные. Связь записей выполнения с конкретными версиями позволяет сверить результат.

Если ваша система агентов уже предоставляет эти возможности, её можно сохранить. Платформа рабочих процессов объединяет распространённые механизмы и уменьшает объём того, что команде приходится создавать и поддерживать самостоятельно.

Сохранять и выполнять процессы в Open Flow

Open Flow — платформа рабочих процессов OOMOL с открытым исходным кодом. Используйте официальный хостинг в OOMOL Flow или откройте репозиторий GitHub, чтобы изучить код и инструкции по самостоятельному развёртыванию. Агент может создать Flow, а вы — просмотреть и отредактировать тот же процесс в визуальной среде Workbench.

Через oo flow агент создаёт узлы, проверяет черновики, тестирует выполнение и изучает результаты. В Workbench можно проверить источники данных, код шагов и условия ветвления. Совместимые клиенты также могут создавать и запускать процессы через MCP-инструменты Server.

Для ежедневного отчёта Code Task выполняет расчёты и преобразования на JavaScript, а LLM Task создаёт резюме. Если нужно несколько вызовов инструментов, можно использовать Agent Task. Входы и выходы имеют явные имена и типы, а повторяющуюся логику можно выделить в подпроцессы.

После публикации процесс тоже понадобится менять. При публикации Open Flow создаёт версионированный снимок для автоматизации Live. Можно продолжать редактировать и тестировать черновик, а затем опубликовать новую версию. История выполнения связана с соответствующей ревизией и позволяет определить код и процесс, создавшие конкретный отчёт.

Для чтения данных внешних приложений и отправки уведомлений нужны аккаунты и разрешения. Open Flow выполняет операции через среду Connector, например OpenConnector. Учётные данные хранит Connector, а Flow ссылается на идентификаторы подключений. Возможности и способы развёртывания Open Flow.

Официальный хостинг обслуживает OOMOL. При самостоятельном развёртывании ваша команда отвечает за хранение, резервное копирование, обновления и подключения сервисов. Проект распространяется по Apache-2.0 и сейчас находится в Beta. Подключение аккаунтов и настройка агента описаны в руководстве по началу работы с Flow.

Попробуйте на реальной задаче

Выберите повторяющуюся задачу с фиксированными правилами или согласованием. Откройте OOMOL Flow, подключите источник данных и аккаунт для уведомлений, затем попросите агента:

Создай Flow для ежедневного отчёта по заказам: прочитай заказы за предыдущий день, рассчитай суммы и долю возвратов по определениям, которые я подтвержу, попроси ИИ обобщить аномалии и отправь отчёт в указанный командный канал. Сначала создай и протестируй черновик; публикуй только после моей проверки результатов.

Проверьте данные, код и результаты в Workbench. Если агента по расписанию достаточно, можно оставить его. Когда нужны явные правила, согласование и история версий, решите, стоит ли запустить этот Flow в работу.

• Открыть OOMOL Flow и создать первый рабочий процесс
• Хотите развернуть систему самостоятельно или участвовать в разработке? Исходный код Open Flow и инструкции по развёртыванию.