为什么越来越多企业开始做 AI Agent工作流平台？

过去一年，AI Agent 和工作流（Workflow）赛道简直是“神仙打架”。

从字节的 Coze（扣子）到 n8n，再到前阵子 ChatGPT 开放的 AI 生成工作流，各种平台层出不穷。

但你有没有发现一个现象：这些工具虽然很火，但大多是“玩具”，或者个人开发者在用。在 B 端（企业）场景，一说一，你非常少见到它们的身影。

不是它们技术不行，而是 B 端场景更复杂，有两个核心痛点是 C 端平台（至少目前）无法解决的：

1. 1. 数据安全： 必须支持本地部署，而且是高度本地化，确保企业数据不出内网。
2. 2. 组织管理： 必须有精细的用户权限管理、团队协作等功能。

所以有时候你会看到，真正在 B 端跑起来的工作流产品，反而是我们没怎么听说过的，但它们却拳拳到肉，专为企业场景设计。

例如，我最近发现科大讯飞也出了一个 Agent 平台：讯飞星辰 Astron Agent

我马上去扒了一下它的 GitHub，在它的技术架构里，我看到了几个强烈的“B 端信号”：

• 一键本地部署： 这个不用多说，数据安全是 B 端的命脉。
• 内置 RAG 引擎 (RAGFlow)： 这对应了企业知识管理，是目前 AI 最快、最刚需的落地价值。
• 内置 RPA 自动化 (RPA)： 这意味着它可以打通那些没有 API 的老旧内部系统（比如某些 OA、ERP），这在企业里太常见了。
• 认证与授权 (Casdoor)： 这就是企业级的“组织管理”和“权限控制”功能，能分团队、分角色。

这套组合拳，几乎拳拳都打在了 B 端的需求点上。

说一下部署，基本上是小白无脑操作

但国内最大的问题就是DOCKER网络

可以试下开代理，例如我端口在7890

以及设置一些镜像加速

{  "proxies": {    "default": {      "httpProxy": "http://host.docker.internal:7890",      "httpsProxy": "http://host.docker.internal:7890",      "noProxy": "localhost,127.0.0.1,host.docker.internal"    }  },  "registry-mirrors": [    "https://docker.m.daocloud.io",    "https://hub-mirror.c.163.com",    "https://mirror.ccs.tencentyun.com"  ]}

要是能正常跑一小会，但网络问题中断了的话，就重跑，我这应该是重跑了5、7次就好了：

如果不放心的，就搭配 AI 编程，例如 Trae

像我是 Windows，部署遇到问题了，直接让AI 帮我处理：

很丝滑就部署好了。

动手实操：搭建一个“一鱼多吃”Agent

我刚好有个痛点，正愁没工具解决。

我做内容创作，总想“一鱼多吃”：一篇深度长文，我想同时分发到小红书、推特、领英。

但每个平台的风格、字数、受众都完全不同。每次我都要手动打开 ChatGPT，换三个不同的提示词，跑三次，再复制粘贴出来，非常麻烦。

所以，我就想做一个“多平台内容写作”的 Agent。正好，就拿讯飞星辰 Agent 试个手。

逻辑是这样的：

1. 1. 我提供一篇长文（作为上下文）。
2. 2. 我再提供一句简单的指令（比如“发小红书”）。
3. 3. Agent 必须能“听懂”我的指令，这是一个决策。
4. 4. 然后，它自动把长文“喂”给对应平台的“写作专家”（小红书 Prompt、推特 Prompt...）。
5. 5. 最后，直接把生成好的内容返回给我。

直接讲中间的重要节点。

Step 1：决策节点

这个 Agent 的灵魂，在于“决策”节点。它就像一个智能的“路由”。

我从“开始”节点拉出来，接上一个“决策”节点。

在这个节点里，我配置了 3 个意图：

• intent_twitter
• intent_linkedin
• intent_xiaohongshu

最关键的是它的“高级配置”，我塞了一段 Prompt，告诉它如何当一个“任务分类助手”：

你是一个任务分类助手。请根据用户的输入，判断他想将文章分发到哪个社交媒体平台。你只需要输出意图的ID。

有了它，当我输入“发推特”时，工作流就会自动走向 intent_twitter 这条分支。

Step 2：专家——三个大模型节点

接下来，就是从“决策”节点拉出三个分支，每个分支都连接一个“大模型”节点，并给它们注入不同的“灵魂”（System Prompt）。

分支 1：推特专家 这个节点只在 intent_twitter 被触发时运行。我在它的 System Prompt 里写：

你是一个专业的社交媒体运营（推特专家）。请根据以下长文，将其浓缩为一则吸引人的推文。

分支 2：领英专家 在 intent_linkedin 分支，Prompt 的要求完全不同：

你是一个专业的商业内容作家（领英专家）。请根据以下长文，改写为一篇专业的领英（LinkedIn）帖子。

分支 3：小红书专家intent_xiaohongshu 分支，这个大家最熟了：

你是一个爆款小红书博主，深谙“利他”和“种草”的精髓...

Step 3：组装与测试

最后，我把这三个“专家”分支的输出，和一个“默认”分支的输出，全部汇集到一个“文本拼接”节点，最后再连到“结束”节点。

这样，无论哪个分支被触发，它的结果都能被正常输出。

一起来看下最终的成果。

我先粘贴一篇很长的、关于 AI Agent 的技术文章作为上下文（在平台的“对话历史”或变量中输入）。

测试 1：小红书 

我在对话框（Query）里输入：“帮我改成小红书笔记”

Agent 准确命中了 intent_xiaohongshu 分支，“小红书专家”开始工作，输出：

标题：🆘AI 圈又炸了！保姆级Agent工作流，打工人速速收藏！

测试 2：推特 

我不动上下文，只改 Query：“总结一下，发个推”

Agent 立即命中了 intent_twitter 分支，“推特专家”输出：

讯飞星辰 Agent 平台正通过集成 RAGFlow 和 RPA 重新定义 B 端 AI。

完美！Agent 准确理解了我的意图，并自动调用了正确的“专家” Prompt，省去了我切换和复制粘贴的麻烦。

更具体的可以参考官方的文档：https://www.xfyun.cn/doc/spark/Agent01-%E5%B9%B3%E5%8F%B0%E4%BB%8B%E7%BB%8D.html

也可以直接用我搭建好的工作流，开源到了Github：https://github.com/binggandata/ai_resource/blob/main/%E5%A4%9A%E5%B9%B3%E5%8F%B0%E5%86%85%E5%AE%B9%E5%86%99%E4%BD%9C.yml

部署好后右上角发布就能用了

为什么越来越多企业开始做 AI 工作流？真的需要这么多吗？

我的看法是：C 端的 Coze 们在卷“创意”，而 B 端的星辰们在卷“落地”。

B 端的需求非常垂直且刚性。它们的需求不是“帮我画个猫”，而是“连接我那个 20 年前的内部 OA 系统，当客户来电时，自动用 RPA 抓取他的订单数据”（RPA 登场），或者是“让新来的销售，能用我们公司 10 年的文档库，快速回答客户的刁钻问题”（RAG 登场）。

但更深层的价值，也是企业纷纷自建 Agent 平台的真正原因，有两点：

1. 建立私有的“数据飞轮”（Data Flywheel）。

B 端 Agent 最大的价值不是当下的自动化，而是它产生的数据。当你的 Agent 在内部跑起来，你就拥有了一个“交互金矿”：员工如何提问、如何纠正 Agent。

把这些数据喂给自托管的（或讯飞这样的）模型进行 fine-tuning，你会得到一个越来越懂你“黑话”的专属小模型，成本更低、效率更高。这是买不来的核心资产。

2. 解决“黑盒信任”与“合规审计”问题。

你敢让一个 Coze 上的“黑盒”Agent 去处理百万级的财务审批吗？不敢。一旦出错，你都不知道是哪一步的逻辑出了问题。

而像星辰这样开源、可本地部署的平台，它提供了透明度和可控性 。每一笔决策、每一次 RPA 调用，都有日志、可追溯、可审计。这在金融、法务等高风险领域，不是“加分项”，而是“准入项”。

理论上，只有这种能沉淀数据、逻辑透明、深入场景的垂直 Agent 才真正有用。

所以，有细分特色、能解决企业真实痛点（特别是数据安全、系统连接、和数据资产化 ）的 Agent 平台，会一直有它的价值。