🤖 AI

A Process Harness for Uplifting Legacy Workflows to Agentic BPM: Design and Realization in CUGA FLO

本文介绍了“过程束缚”（process harness），这是一种在现有确定性工作流引擎周围集成策略驱动的智能体层的机制，旨在实现由任务-决策-流（TDF）模型严格定义的智能业务流程管理（Agentic BPM），并通过 CUGA FLO 系统将其转化为现实，以平衡结构合规性与受策略框架约束的自适应自主性。

原作者： Fabiana Fournier, Lior Limonad

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Fabiana Fournier, Lior Limonad

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你拥有一条非常严格、陈旧的工厂装配线。这条流水线被设计得非常完美：它遵循固定的地图，每一步都是预先编程好的，且永不出错。然而，它也是极其僵化的。如果送来一个尺寸不符合标准的箱子，或者政府突然出台了一项新规定，机器就会停止运行、损坏，或者需要人类爬进去进行手动修复。

这就是当今大多数业务软件（称为 BPM）的工作方式。它们擅长处理常规任务，但在应对突发状况方面表现糟糕。

现在，想象你可以给这个工厂配备一位“智能主管”，他能够阅读、思考并做出判断，但他不能触碰传送带或改变机器的齿轮。这位主管只能向人类操作员发出指令或建议进行小规模的绕行，而机器本身依然掌控着全局。

这篇论文介绍了一个名为 CUGA FLO 的新系统，它正是这样做的。它将这个系统称为**“流程束缚器”（Process Harness）**。

以下是该系统的运作方式，通过简单的概念进行拆解：

1. 核心理念：束缚器（The Harness）

把马想象成一匹马。马是引擎（旧的工作流系统）。束缚器是你给马套上的装备，用以引导它。你不是要更换马，而是在其上方增加一层控制。

旧方式： 为了应对突发状况，你必须在突发状况发生之前，重新设计整个工厂车间（软件代码）。
新方式 (CUGA FLO)： 你保持工厂原封不动。你在它周围包裹一层“流程束缚器”。这个束缚器利用人工智能（具体为大语言模型）来观察流程。当流程到达特定的检查点时，AI 会介入，根据一套书面规则（策略）对情况进行思考，并建议下一步该怎么做。

2. 三种“智能助手”

论文指出，这个束缚器使用了三种不同类型的 AI 助手，每种都有特定的职责。他们就像是一个由专业经理组成的团队：

任务代理 (Task Agent) ——（工人）：
- 职责： 执行实际工作。
- 类比： 假设一项任务是“检查申请人的信用评分”。在旧系统中，是由计算机脚本完成这项工作的。现在，任务代理会阅读杂乱的财务文件，理解它们，并计算出评分。
- 规则： 它有一条严格的政策：“你可以计算评分，但你不得说‘批准’或‘拒绝’。”这个决定权属于别人。
决策代理 (Decision Agent) ——（交通警）：
- 职责： 在岔路口决定走向哪条路径。
- 类比： 装配线分为两条路径：“批准”或“拒绝”。决策代理会查看任务代理刚刚做出的评分。它会检查规则（例如，“如果分数高于 0.6，则走左边”）。然后，它会告诉机器应该走哪条路径。
- 规则： 它确保决策是逻辑严密的，并遵循书面政策。
流程代理 (Flow Agent) ——（应急经理）：
- 职责： 在流程运行过程中修改地图。
- 类比： 这是最强大的一个。想象在装配线上有一个特殊的“钩子”（暗门/陷阱）。如果发生了特定情况（如 VIP 客户或监管紧急情况），流程代理就会介入。它可以说：“跳过接下来的三个步骤”、“停止流水线”或“就在这里增加一个新步骤”。
- 规则： 它只能执行明确允许在“钩子策略”中的操作。它不能随意更改地图；它必须遵循规则。

3. “FRAME”（规则手册）

我们如何确保 AI 不会失控？论文引入了 FRAME。

把 FRAME 想象成一本巨大的、人类可读的规则手册（用纯英文编写，类似于 Markdown 文件）。每当 AI 助手做出决策时，它都必须首先检查这本规则手册。

任务代理检查“任务规则”。
决策代理检查“路由规则”。
流程代理检查“应急规则”。

如果 AI 试图做一些不在规则手册中允许的操作，系统就会阻止它。这确保了 AI 被人类的规则所“框架化”，而不是随心所欲地发挥。

4. 贷款审批示例

论文通过一个贷款审批的例子证明了其有效性：

**工人（任务代理）**阅读贷款申请并计算信用评分。
**交通警（决策代理）**看到评分很高（0.82），于是说：“好吧，这看起来不错，让我们走‘批准’路径。”
**应急经理（流程代理）**看到申请人的 ID 号码是“4321”。尽管评分很高，但规则手册规定：“由于新规，ID 4321 被禁止。”
结果： 流程代理覆盖了交通警的决定。它利用一个“钩子”，立即将流程跳转到“拒绝”路径，完全跳过了审批步骤。

为什么这很酷？ 在旧系统中，你必须在多年前就在软件中构建一个专门针对“ID 4321”的路径。有了 CUGA FLO，你只需在今天更新文本文件（策略），系统就能立即处理，无需重写代码。

5. 为什么这很重要（“两全其美”）

论文认为这解决了一个大问题：

旧系统是安全且有结构的，但无法适应新事物。
纯 AI可以适应任何事物，但具有风险性、不可预测性且难以审计。

CUGA FLO 将两者结合。其“引擎”（旧软件）保证了结构的安全性并遵循地图。其“束缚器”（AI）增加了适应、推理和处理突发状况的能力，但仅限于规则手册的严格边界之内。

总结

论文将 CUGA FLO 呈现为一种升级手段，旨在将陈旧、僵化的业务软件升级为智能、可适应的系统，而无需丢弃旧软件。它通过在旧系统外包裹一层“流程束缚器”来实现，该束缚器使用三种类型的 AI 代理（工人、交通警和应急经理），并受到人类编写的规则手册（FRAME）的严格约束。这使得企业能够在处理预期之外的情况时，依然能保持严格且可审计的决策记录。

技术摘要：将遗留工作流提升至智能体 BPM 的过程护套（Process Harness）

1. 问题陈述

传统的业务流程管理（BPM）系统虽然提供了严密的结构化保证，但在动态环境中存在两个根本性的局限性：

封闭世界范式（Closed-World Regime）： 任何偏离常规路径的偏差都必须在设计时进行预见并进行建模。未预见的状况（例如：监管变化、新型申请人概况）会导致系统进入错误状态或需要人工干预，这往往导致产生绕过正式流程的“变通方法”。
僵化的任务执行： 服务任务依赖于固定的脚本，无法适应非结构化输入；而用户任务则引入了吞吐量限制。引擎本身缺乏开放式推理或上下文适应的能力。

虽然大语言模型（LLMs）提供了开放式的推理能力，但目前的集成范式仍显不足。“AI 增强型”（LLM 嵌入特定任务）范式使得整体控制流保持僵化。相反，“LLM 即规划者”（LLM 在引擎之外生成执行计划）范式则缺乏保证结构合规性、可审计性或遵守合规政策的机制。因此，需要一种能够协调确定性工作流执行的结构刚性与受政策约束的智能体之适应性推理的系统，且无需替换现有的工作流引擎。

2. 方法论：过程护套与 TDF 模型

本文引入了过程护套（Process Harness），这是一种将受政策治理的智能体层叠加在现有确定性工作流引擎之上的机制。该层拦截指定的控制点，以贡献推理、适应和监督能力，同时由引擎保留结构权威。

其概念基础是 任务–决策–流（Task–Decision–Flow, TDF）模型，该模型将 LLM 的推理分解为三种不同的、受政策约束的智能体类型：

任务智能体（TaskAgent）： 负责知识密集型任务的执行。它通过受政策治理的 LLM 执行取代硬编码脚本，在特定的任务政策（ $C_T$ ）内进行推理，以产生领域输出。
决策智能体（DecisionAgent）： 负责逐个案例的网关路由。它通过受决策政策（ $C_D$ ）约束的 LLM 推理取代静态条件评估。至关重要的是，它强制要求在推理之前进行确定性的条件评估步骤，以确保网关条件得到明确评估。
流智能体（FlowAgent）： 负责通过原则性的钩子（hook）机制进行运行时流程适配。它拦截指定的序列流（钩子），并在钩子政策（ $C_F$ ）下进行推理，以推荐结构性干预措施（例如：跳过、交换、终止或修改拓扑结构）。

治理框架（FRAME）：
所有智能体的推理都受 FRAME（ $F$ ）的约束，这是一个人类可读的政策文档集合。这确保了“受框架约束的自主性（framed autonomy）”，即智能体在明确的、可审计的约束内运行。第二层治理层——操作权限（ $\textables$ \phi$）明确列出了 FlowAgent 被允许指示的结构干预类型，实现了 LLM 的推理能力与引擎执行能力的解耦。

架构（CUGA FLO）：
本文提出了 CUGA FLO，作为 TDF 模型的第一个实现。

解耦： 推理层（FlowAgent 及其子智能体）通过 模型上下文协议（MCP）桥接器（实现为 FastMCP 服务器）与执行层（WorkflowEngine）完全解耦。
交互： 工作流引擎驱动执行，并在控制点（任务、网关、钩子）处暂停，以调用回调（execute_task、route_gateway、evaluate_hook）。FlowAgent 使用 ControlPointFlowKnowledge（过程模型、状态、历史）处理这些调用，并返回结构化建议。
执行： 工作流引擎强制执行结构一致性，应用 FlowAgent 的建议（例如：通过 skip_to 或 remove_node 进行流重连），而不重新播放已执行的节点。

3. 核心贡献

本文做出了五项具体贡献：

过程护套范式： 引入了一种将传统工作流系统提升为智能体 BPM 的机制，其特征是结构合规性、政策问责制和运行时适应性。
任务–决策–流（TDF）模型： 将 LLM 推理在概念上分解为三种具有不同角色和政策约束的智能体类型（任务、决策、流）。
FRAME 实例化： 将治理 TDF 过程的聚合政策集（ $F$ ）形式化，展示了如何通过在不同智能体类型间划分政策来实现关注点分离。
CUGA FLO 实现： 展示了第一个过程护套的实现，其特点是具有用于运行时适配的钩子机制，以及一个通过 MCP 桥接实现的、使推理层与可替换工作流引擎解耦的架构。
实证演示： 通过一个贷款审批工作流验证了该模型，该工作流调用了所有三种智能体类型及一个监管覆盖钩子，展示了钩子如何基于不同标准（例如：申请人 ID）覆盖决策智能体的网关决策，而无需修改网关策略。

4. 结果与评估

本文通过一个贷款审批工作流案例研究展示了该系统：

常规情况： 标准信用检查（TaskAgent）产生评分；决策智能体（DecisionAgent）根据阈值进行路由；流智能体（FlowAgent）钩子确认继续执行。
监管覆盖情况： 一名高分申请人（ID 4321）基于评分被决策智能体路由至批准路径。然而，流智能体钩子拦截了“是”路径，应用了一项监管政策（基于 ID），并指示执行 skip_to 干预，将其转向拒绝路径。
结果： 系统成功处理了罕见的、特定上下文的变体（监管覆盖），而无需修改底层的 BPMN 模型。决策智能体和流智能体在各自独立的政策下运行，确保了路由逻辑和监管覆盖逻辑可以分别进行审计。

结果证实，过程护套可以将命令式需求（由引擎强制执行）与规范式需求（由受政策框架约束的智能体强制执行）相协调，从而实现“开放世界”的适配，同时保持结构完整性。

5. 意义与主张

本文声称，过程护套代表了企业级 AI 系统的一种新形式的仪器化手段。其意义在于：

调和冲突： 它通过将过程拓扑（固定且由引擎强制执行）与过程适配（动态且受政策治理）分离，解决了结构刚性与开放式灵活性之间的权衡。
增量现代化： 它允许组织以增量且可逆的方式，将现有的工作流系统转化为完全的智能体系统，而无需替换底层引擎。
问责制： 与执行轨迹可能具有非确定性或与模型脱节的“LLM 即规划者”方法不同，CUGA FLO 提供了一个具体的问责基座。每一次 LLM 调用都与一个治理政策文档相关联，每一次干预都会记录在与特定过程元素相关的过程知识中，从而实现可审计性和可诊断性。
开放世界适配： 它将异常处理从设计时的“封闭世界”活动（对每种可能的错误路径进行建模）转变为运行时的“开放世界”能力，其中可处理的情况集由政策文档的推理能力所定义。

作者将 CUGA FLO 定位为第一个实现“智能体 BPM 宣言”的系统，为那些希望从“智能体增强型 BPM”演进到“全流程智能体治理 BPM”的组织提供了一个务实的框架。