受控 Agent Workflow 具体控制哪些环节？

核心回答

受控Agent Workflow控制的是可执行边界与状态推进规则：允许走哪些阶段、调用哪些能力、读写哪些数据、失败后如何恢复、用多少预算，以及依据什么判定结束。模型仍可以在边界内选择工具、解释证据或调整局部计划。

控制不只是Prompt里写“不要乱来”，而是运行时实际校验状态、参数、路径和结果。控制粒度应与风险相称，不意味着每一步都要求人确认，也不意味着所有步骤都预先写死。

具体控制哪些环节

入口与计划。 检查任务参数和数据范围，保留用户目标。Planner产生的步骤先经过结构、依赖和能力可用性校验，不能凭空添加无关目标。简单任务无需独立复杂规划。

阶段与转移。 固定关键阶段及允许的分支，例如处理输入、检索证据、形成结果、检查产物。节点只返回指定状态更新；需要重试或回退时通过明确边触发，避免模型任意跳过必要处理。

工具与资源。 工具注册限制可用能力，宿主检查参数、身份和资源范围。模型生成的文件路径、URL或查询条件不直接取得无限访问权。长视频任务还要控制并发、内存、任务队列和超时，防止一个任务耗尽机器。

结果与循环。 Executor交付产物和证据，Critic按目标检查具体问题。失败后优先局部修复，必要时重规划；设置重试、反思及总预算，连续无进展时退出并说明缺口。Critic一句“合格”也不能替代可确定字段或文件的程序校验。

状态与恢复。 保存当前步骤、输入版本、产物引用和错误，恢复时不重做已完成副作用。用户中途追问可以作为独立查询或任务变更处理，明确关联任务和状态版本，避免把新要求悄悄混入旧计划。

放回视频项目语境

以DoVideoAI这类从上传视频到分析结果的应用为例，可以将媒体解析与证据索引作为稳定阶段，把“围绕某个问题怎样检索、是否需要补查”留给Agent；最终引用应回到原始片段与时间，不能只用摘要互相证明。

视频级解析结果与目标级分析状态分开保存，便于用户问新问题时复用同一视频，而不重新做ASR/OCR。这是该场景的一种实现方案，具体项目仍要结合实际代码说明。

怎样验证确实受控

构造非法参数、越界路径、节点失败、超预算、重复提交和恢复用例，检查运行时是否进入预期状态。再看正常任务有没有被不必要限制拖慢。技术亮点是外层控制可靠执行和资源，内层保留解决不确定问题的灵活性，并能沿轨迹解释每次转移。

对应教程

参考资料