主要观点总结
文章讨论了外部技术环境变化下，工作流的应用与发展趋势。文章指出，虽然存在全自动化工作流框架，但在某些情况下，拆分工具调用更加可控和省心。同时，借助分步骤或多模型配合可以在流程中省下不少成本。文章还提到OpenAI的o1等模型成本高，限制了其日常应用的普及性，但未来如果反思式大模型变得便宜，将会带来怎样的变化值得思考。
关键观点总结
关键观点1: 工作流的应用与发展趋势
文章讨论了工作流的应用在不同目标中的作用，包括区分工具与模型的调用、省钱等。同时提到了一些自动化处理框架的进步与存在的问题。
关键观点2: 工具调用的拆分
文章指出在某些工作流阶段，拆分工具调用比使用全自动化工作流更加可控和省心。
关键观点3: 反思式大模型的成本问题
文章提到OpenAI的o1等模型成本高，限制了其日常应用的普及性。但提出如果反思式大模型未来变得便宜，将会带来未知的变化。
正文
（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）
在外部技术环境快速变化的年代，「路径依赖」要不得。与时俱进才是正途。
这半年多的时间，我没少给你演示 AI 工作流的作用。最初是用别人的框架（例如 fabric）。后来，我也开始自己开发框架，就是 咱们的 Python 版本 AI Workflow。工作流的应用有不同目标，其中一个是区分某个步骤用的是工具还是模型。大模型功能再强，API 调用方式大都暂时还无法完全替代工具调用，除非它本身能在内部调用这些工具。好在这个趋势并不遥远，因为 OpenRouter 已经在做类似尝试。
现在它已经给所有的模型都加上了调用搜索的功能。后续如果把这个功能集成到 API 调用里，那么你今后设计工作流的方式将会发生很大变化。
不过咱们还是说说眼下的事儿。如果需要在工作流的某个阶段调用类似 exa、Perplexity 搜索引擎的工具，把它拆分出来独立使用，往往比使用那些声称「全自动化」的工作流更加可控，也更省心。之前我们也提到过几款把大模型和工具调用自动整合到一起的框架，例如 Phidata(https://www.phidata.com/)或 CrewAI(https://www.crewai.com/)。它们确实能在很多环境中实现自动化处理，只是在我当时测试时，设置过程还挺麻烦。最近据说它们有了改进，但我还没再次尝试。主要是我想不出什么地方一定需要它们「动态」自动处理工作流程。有的时候，你让大模型自己乱搞，还真不如一上来把流程用固定表述完整。至少在目前，这样更靠谱些。
使用工作流的另一个目的嘛，在于省钱，哈哈。我之前演示过的 OpenAI 的 o1 Preview，能一站式完成从资料整理、内容排布到最后格式化输出的一系列工作。不过，o1 Preview 的价格确实不便宜。现在你可以用 o1 了，也很贵，你懂的。
这让我想到电视剧《编辑部的故事》里那集《水淹七军》。有一位老厨师很擅长做萝卜菜，但编辑们来请教时，他就是不肯讲做法。后来在紧急时刻（全市人民看了《人间指南》臆想出来的食谱，都一趟趟往厕所跑），他才坦白：这道菜其实是富贵菜，除了萝卜，还得加上牛、马、猪、羊、狗五畜，以及鸡、鸭二禽。这样做出来的确是豪华版本的萝卜菜，一般家庭吃不起，所以他才不愿意说出菜谱。OpenAI 的 o1 以及更高版本的模型，就跟这个「富贵菜」有点相似。因为价格太高，普通人用它来一站式处理的成本压力很大，导致不太现实。
借助分步骤或多模型配合，你可以在流程中省下不少成本。对于普通日常应用，Claude 3.5 Sonnet 或 OpenAI 的 ChatGPT 4.0 等更主流且便宜的模型，往往更容易被大多数人接受。它们分步骤处理小任务，之后结合起来的输出效果，对普通人来说也足以满足需求。
成本高昂这一点，一直是困扰咱们使用反思式大模型一站式处理任务的障碍。不过，你想没想过，如果哪一天这种好用的反思式大模型变得便宜了，会怎么样呢？
