團隊在做郵件處理或文件自動化時,最容易走的兩個極端是:要麼用一堆脆弱的正則表達式硬扛非結構化文本,要麼把整條業務鏈路全丟給一個「自主 AI Agent」去迴圈決定下一步。

真正能在生產環境裡長期可靠運行的系統,一定會把模型判斷與確定性控制拆開。下面結合郵件分類和文件/發票擷取兩個高頻場景,拆解兩者的分工,並看看為什麼 Dify 和 Coze 式的做法容易踩坑。

核心原則:模型負責「判斷」,工作流程負責「控制」

工作流程決定什麼時候觸發、呼叫哪些系統、輸出必須滿足什麼格式,以及出錯或需要審批時怎麼停下來;而大模型或受控 AI 節點,只負責處理單步驟內的模糊性與語意理解。

職責 固定工作流程規則 AI 模型 / 受控判斷節點
觸發與排程 Cron 定時、Webhook 接收、收件匣輪詢 不適合——模型不該自己決定什麼時候喚醒任務
非結構化理解 用正則或關鍵字比對極其脆弱 意圖分類、緊急度評估、摘要生成、非標準欄位擷取
路由與外部寫入 條件分支、迴圈、寫入試算表/CRM/資料庫與重試策略 交給模型自主呼叫容易出現幻覺參數或重複寫入
權限與稽核 OAuth 憑證託管、人工審批暫停與版本回復 必須在提示詞之外由系統強制約束

場景一:郵件分類與升級通知

以一條售後或供應商郵件處理流程為例:

  • 交給固定規則的步驟:每分鐘輪詢 Gmail 未讀郵件、排除草稿與垃圾郵件、強制約束輸出為四個列舉值(urgent、important、informational、spam)、命中 urgent 時發 Slack 告警、涉及退款時暫停等待人工審批,最後把結果新增至 Google Sheets。
  • 交給模型判斷的步驟:在 AI 決策節點(JEV) 中讀取寄件者、主旨與內文摘要,在單次呼叫裡同時判斷分類、評估緊急程度並產生一句摘要。

如果把整條郵件流程丟進自主 Agent 迴圈,模型可能會擅自給偽造寄件者回信、逾時漏記試算表,或者反覆呼叫工具來回確認。把觸發、路由和寫入收歸確定性工作流程,整條鏈路才可稽核、可重現。

場景二:發票與文件資訊擷取

再看一個常見場景——從 PDF 附件或供應商帳單裡擷取明細並入帳:

  • 交給固定規則的步驟:透過 Webhook 或郵件附件接收檔案、在程式碼節點裡驗證必填欄位與金額加總是否正確(如 total > 0)、超過預算門檻時走人工審批,最後將驗證後的資料寫入 ERP 或財務試算表。
  • 交給模型判斷的步驟:相容不同供應商五花八門的版面、把非標準的商品描述歸一化,並擷取成預設的 JSON 欄位結構。

在這個例子裡,模型的任務在輸出結構化 JSON 的那一刻就結束了。金額核對、門檻分流與帳務寫入必須由確定性程式碼與條件節點完成。

為什麼 Dify 和 Coze 式的 Agent Builder 容易把兩種模式混在一起

Dify 和 Coze 這類平台把「提示詞 + 知識庫 + 一堆外掛」放進畫布裡,包裝成一個能自主規劃、迴圈呼叫工具的通用 Agent。

但在真實業務裡,能在 Dify 或 Coze 上長期跑通的流程,往往是開發者在除錯過程中把分支條件和執行順序一步步寫死了——本質上還是確定性工作流程。一旦真的放開權限讓畫布裡的 Agent 自主迴圈處理複雜任務,上下文迅速膨脹退化,出問題時開發者也無從排查。

我們在《為什麼 Open Flow 不做 Dify / Coze 式 Agent Builder》中詳細拆解過原因:自主推理屬於模型廠商的原生 Harness(如 Claude Code、Codex),而可重複、帶外部副作用的業務執行必須交給確定性工作流程。

Open Flow 如何清晰地結合兩者

Open Flow 沒有把工作流程和自主 Agent 硬揉進同一個網頁畫布,而是把職責拆得非常乾淨:

  1. 在工作流程內部:用排程、Webhook、條件節點、程式碼節點與人工審批節點守住確定性,只在需要語意判斷的步驟放入單次呼叫的 JEV 決策節點。
  2. 在工作流程外部:透過 CLI 與 MCP 工具開放編排能力,讓 Claude Code 或 Codex 直接檢查、修改並驗證工作流程檔案。

想馬上試一下?可以直接打開 Open Flow 工作台,或跟著這篇Gmail 自動分類範本教學跑通你的第一條確定性 AI 工作流程。