Agentic Workflow：人机协作的工程化

“让 Agent 全自动干活"是很多人的幻想——但生产里，全自动 = 高风险 = 不敢上线。现实路径是人机协作（Human-in-the-Loop）：Agent 干 80% 的活，人在关键节点把关。这篇文章是 Agentic Workflow 的工程化设计。

一、为什么不能全自动

核心原则：自主度要和风险匹配。 低风险任务全自动，高风险任务人在回路。

二、自主度分级

级别	描述	适用场景
L1 全自动	Agent 自主执行到结束	低风险（信息检索、格式整理）
L2 自动+汇报	自主执行，关键节点汇报	中风险（周报生成、数据分析）
L3 建议+审批	Agent 给方案，人批准后执行	高风险（写操作、发消息、下单）
L4 人主导	人指挥，Agent 执行	关键业务（面试、合同）

三、实现：三个关键机制

1. 人在回路（Human-in-the-Loop）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16


# 关键节点暂停，等人工确认
from langgraph.graph import StateGraph, Command

def high_risk_action(state):
    # 高风险操作：生成方案 → 暂停 → 等人确认
    return Command(
        goto="human_approval",          # 转到人工节点
        update={"proposal": state["proposal"]}
    )

def human_approval(state):
    # 等待人工：approve / reject / edit
    decision = wait_for_human(state["proposal"])
    if decision == "reject":
        return Command(goto="regenerate")    # 重新生成
    return Command(goto="execute")           # 执行

设计要点：

2. 异常升级（Escalation）

1
2
3
4
5
6
7


def run_task(task):
    result = agent.execute(task)
    if result.confidence < 0.6:        # 低置信度
        return escalate_to_human(task, result)
    if result.retries >= 3:            # 重复失败
        return escalate_to_human(task, result, reason="retry-exceeded")
    return result

3. 审批工作流

四、人机协作的产品化

关键体验：

五、工程落地清单

六、踩坑记录

审批太频繁：每步都暂停 → 用户烦 → 只在高风险节点暂停，低风险全自动
人看不懂 Agent 在干嘛：只给结果不给过程 → 界面展示步骤流 + 决策理由
超时无人理：卡在审批 2 小时 → 超时自动降级（放弃/重试/通知）
把"建议"当"执行”：用户点了批准，Agent 又自主扩大了范围 → 批准只授权"建议内"的动作

总结

Agentic Workflow 的核心认知：

全自动是理想，人机协作是现实：自主度匹配风险
三个机制：人在回路（暂停）、异常升级（兜底）、审批流（授权）
可观测是信任的前提：看到过程，才敢放手
fail-closed：没人确认就不执行，宁可慢不可错

人机协作不是"AI 不行"的妥协，是"AI 可靠"的工程。 把人的判断力用在关键节点，Agent 的产能用在重复劳动——这才是 2026 年的正确姿势。

Agentic Workflow：人机协作的工程化#

一、为什么不能全自动#

二、自主度分级#

三、实现：三个关键机制#

1. 人在回路（Human-in-the-Loop）#

2. 异常升级（Escalation）#

3. 审批工作流#

四、人机协作的产品化#

五、工程落地清单#

六、踩坑记录#

总结#

📚 相关阅读