Agent 工作流中的多阶段人工与 AI 审批（预览）
Multistage and AI approvals in agent flows (preview)
01 · 先读这里
为什么推荐
三张官方业务界面能具体回答 Agent 在什么时候自动决定、何时交给人以及不确定时怎么办。
02
这篇讲什么
这份官方预览文档展示如何在可视化流程设计器里混合 AI 审批、人工审批和条件路由。AI 节点允许配置规则、输入文件、模型与测试，并返回批准、拒绝及判断理由；业务流程可依据金额等条件决定是否经过经理审核，最终保留财务人员的审批环节。更重要的是，文档把规则矛盾导致的 Analysis failed 作为独立状态，而不是把不确定结果硬塞进批准或拒绝。它为高风险 B 端 Agent 提供了可借鉴的授权边界、异常分流和责任闭环设计。
扩展评分
一句话带走
高风险 Agent 的自主权必须在工作流节点和条件分支中显式定义。
交互范式
交互到底改变了什么
- 原来的交互
- 传统流程依赖人工逐级审批与固定条件分流。
- Agent 带来的变化
- AI 被嵌入审批节点，和人工节点、条件判断共同构成可执行工作流。
- 用户的新成本
- 需要配置审批规则、处理失败分支、审核 AI 理由并维护多阶段流程。
- 关键交互机制
- 将 AI 审批作为工作流节点，配置指令、输入材料、模型、测试和审批后路由。；用人工阶段、AI 阶段与条件节点组合；文档示例以金额大于 5000 为分流条件。；当 AI 无法形成明确决定时返回 Analysis failed，并允许在流程中单独配置失败分支。
- HCI 依据
- 原文未提供
- 团队设计信号
- 文档包含工作流配置、测试、异常示例及预览限制。
设计策略
从具体设计中学习
01
把 AI 决策做成可配置的审批节点
- 看图重点
- 看 AI stage 的输入文档、审批规则、Test 按钮、Reject 理由和 if approved/rejected/failed 分支。
- 图像作用
- 官方产品截图
- 问题
- 在严肃业务流程中，单条聊天建议无法定义 AI 的审批权限与证据。
- 方案
- 将 AI 审批作为工作流节点，配置指令、输入材料、模型、测试和审批后路由。
- 为什么这样做
- 把“AI 建议”转换成有条件、可测试、可追溯的业务操作单元。
- 取舍
- 根据方案推断：可配置项多，设计器学习成本提高；必须限制默认权限。
原文依据与解读
AI produces a clear Approve or Reject decision
- 译文
- AI 根据配置给出明确的批准或拒绝决定。
- 解读
- 审批结果是工作流数据而非对话文本；高风险任务仍应由人工阶段复核。
可迁移规则AI 自动决策必须同时展示规则、输入证据、测试结果与失败路由。
02
让人机责任通过条件分支落到流程图上
- 看图重点
- 看 AI 与人工节点的交替顺序，以及金额条件如何决定是否经过经理。
- 图像作用
- 官方工作流设计截图
- 问题
- 所有单据都交人工审核会增加工作量，完全自动审批又缺乏风险分层。
- 方案
- 用人工阶段、AI 阶段与条件节点组合；文档示例以金额大于 5000 为分流条件。
- 为什么这样做
- 把风险分级写进工作流，而不是依赖操作者临场判断是否需要人工接管。
- 取舍
- 根据方案推断：分支越多，维护和审计越复杂；审批规则必须版本化。
原文依据与解读
combine human and AI reviews
- 译文
- 把人工审核与 AI 审核结合起来。
- 解读
- 图中展示的是文档示例流程，并非经用户研究验证的最优审批路径。
可迁移规则先定义高风险/低风险的业务阈值，再决定 Agent 自动执行还是请求人工审批。
03
把“不确定”设计成独立失败路径
- 看图重点
- 看左侧相互矛盾的阈值，右侧“Analysis failed”与原因说明。
- 图像作用
- 官方异常产品截图
- 问题
- 规则冲突或证据不足时，强迫 AI 二选一会造成错误审批。
- 方案
- 当 AI 无法形成明确决定时返回 Analysis failed，并允许在流程中单独配置失败分支。
- 为什么这样做
- 将模型不确定性显性化，使流程能够走向复核而不是假装确定。
- 取舍
- 根据方案推断：增加异常分支可能拉长完成时间，但能减少误判后直接执行的风险。
原文依据与解读
Analysis failed
- 译文
- 分析失败：无法形成一致的审批决定。
- 解读
- 该示例展示规则冲突的可见反馈，不等于产品具有通用的置信度校准能力。
可迁移规则为 Agent 设计 approved/rejected/uncertain 三类后续处理，不把未知结果当作成功。
推理链
从问题到设计判断
- 问题
- 自动化审批需要兼顾效率、风险分级和责任归属。
- 证据
- 官方展示 AI/人工节点、条件分流及 Analysis failed 示例；真实业务成效原文未提供。
- 判断
- 审批权应由业务规则与人工复核共同约束。
- 设计策略
- 可配置 AI 审批节点、条件路由和不确定失败路径。
- 结果
- 形成可配置的预览方案；上线验证结果原文未提供。
迁移原则
带回自己的项目
- AI 决策节点同时配置输入依据、判定规则、测试和失败路由。
- 用金额、风险等明确阈值决定是否需要人工复核。
- 无法确定时走独立异常分支，不能自动视为审批通过。
03
它真正解决的问题
如何在自动化审批中同时利用 AI 效率和人类最终责任。
04
作者用了什么依据
官方展示 AI 阶段配置、完整报销流程及冲突规则失败截图；无生产效果数据。
05
核心设计洞察
高风险 Agent 的自主权必须在工作流节点和条件分支中显式定义。
06
具体做了什么
把 AI 决策做成可配置的审批节点：将 AI 审批作为工作流节点，配置指令、输入材料、模型、测试和审批后路由。；让人机责任通过条件分支落到流程图上：用人工阶段、AI 阶段与条件节点组合；文档示例以金额大于 5000 为分流条件。；把“不确定”设计成独立失败路径：当 AI 无法形成明确决定时返回 Analysis failed，并允许在流程中单独配置失败分支。
07
为什么这样做
自动化审批需要兼顾效率、风险分级和责任归属。 → 官方展示 AI/人工节点、条件分流及 Analysis failed 示例；真实业务成效原文未提供。 → 审批权应由业务规则与人工复核共同约束。 → 可配置 AI 审批节点、条件路由和不确定失败路径。 → 形成可配置的预览方案；上线验证结果原文未提供。
08
有什么关键取舍
根据方案推断：可配置项多，设计器学习成本提高；必须限制默认权限。；根据方案推断：分支越多，维护和审计越复杂；审批规则必须版本化。；根据方案推断：增加异常分支可能拉长完成时间，但能减少误判后直接执行的风险。
09
最终有没有验证
原文未提供
从这篇学习
值得学什么
审批 Agent 不能把模型输出直接当作最终执行许可。
把复杂流程拆成可检查的节点、分支和结果。
原文未提供
先定义责任与验证机制，再设计 AI 的入口。
高风险 Agent 的自主权必须在工作流节点和条件分支中显式定义。
用官方截图中的关键控件和状态来证明设计判断，不把方案示例写成效果数据。
10 · 迁移
可以带走什么
AI 决策节点同时配置输入依据、判定规则、测试和失败路由。
你的反馈
这篇对你有用吗？
反馈只会记录下来，不会自动改变推荐算法。