本文翻译自 Essential Agentic Patterns for AI Agents in BPMN，本文来源于 Camunda 博客，主要探讨了在业务流程中引入 AI 智能体时面临的常见挑战，并提出通过 BPMN 流程编排技术系统性解决问题的方案，尤其以高风险的医疗健康领域为案例展开分析。通过 BPMN 的可视化、结构化及补偿机制，结合 DMN 规则与人工监督，能有效化解 AI 智能体的局限性（如不透明、误判、合规风险），推动其在医疗等高要求场景的落地，并为其他行业提供参考范式。

最近阅读了大量关于在现有流程和软件应用中添加 AI 智能体(AI Agents)功能的潜力分析，但发现其中大多是对 AI 智能体局限性的警告。于是我决定选取几个最常见的局限性问题，结合最典型的案例，探讨如何通过 BPMN 流程编排有效解决这些难题——这种方法能化解绝大部分痛点。

让我们从一个经典案例开始：医疗健康领域。每当讨论自主 AI 技术时，文章总会以"您会放心把健康交给 AI 吗？"这样的疑问句收尾。我和您一样——答案是否定的。人们对此提出了非常具体的担忧，这让我思考：能否通过 BPMN 建立特定模式来消除这些顾虑？我的思路是：如果这套方案能应用在医疗健康这样容错率极低的场景，那么必然也能胜任其他各类流程。

因此，我从构建一个基础版诊疗流程的 BPMN 建模图着手。当患者出现健康问题时，系统首先完成必要信息采集，随后由医师确认诊断结论并预约治疗方案，最终向患者发送确认通知。那么，如何开启这个 AI 优化之旅呢？

关键信息可视化

问题：引入智能体时如何确保操作可追溯？

我将直接着手调整流程模型：在增加 AI 智能体功能的同时，系统性解决可审计性问题。

BPMN 的设计初衷在于可视化呈现已执行或待执行的操作，这种特性天然具备双重可审计优势——既能在引擎内部生成事件日志，又能通过流程模型叠加展示（如图所示）。虽然该标准以结构化流程实施著称，但其同样擅长处理流程中的非确定性环节。核心解决方案在于运用 "ad-hoc sub-process" 子流程：在常规流程中开辟非结构化片段，为 AI 智能体的灵活操作提供空间。智能体可基于请求上下文，从预设操作清单中选择执行项（具体调整详见下图绿色高亮部分）。

基于该架构，智能体可根据情境自主执行判定所需操作，且所有决策路径的成因与过程均对用户透明可见。AI 触发的每个任务、服务或事件，都会实时映射至您构建的 BPMN 模型中。待智能体完成作业后，流程将回归可预测的标准路径继续执行。

提升对结果可信度的保障措施

问题：AI 存在误判风险，如何确保及时发现错误并修复潜在错误？

我们对流程进行了重构，由智能体负责决策并执行操作。问题是我们能否完全信任其输出结论？答案显然是否定的。为此，我们在流程迭代中新增双重保障机制：不仅增设了决策正确性校验模块，更重要的是构建了操作回滚系统——凡基于智能体决策执行的操作，均可实现逆向撤销。

为此，在流程升级方案中我们实现了双重保障机制：不仅增设了决策正确性校验模块，更重要的是构建了操作回滚系统——凡基于智能体决策执行的操作，均可实现逆向撤销。

我在过往论述中曾探讨过如何通过解析思维链输出实现质量把控，但本次升级的机制实现了双重突破。其创新性体现在：第一，决策校验机制与操作执行链路实现并行化处理；第二，系统具备撤回机制，当发现错误决策时，可对已执行操作进行原子级回撤。

具体而言，在"治疗方案决策"子流程结束后，系统将根据两种场景进行动态响应：

• 需执行治疗 ➔ 触发预约操作
• 无需治疗 ➔ 保持系统静默

关键革新在于，系统将同步启动实时决策审计线程。该线程如同数字世界的"免疫系统"，持续监测决策逻辑合理性。当检测到逻辑缺陷时，将立即激活 BPMN 架构的补偿事件引擎——这个精妙的设计能自动追踪业务流程足迹（例如已完成的"创建治疗预约"操作），并通过逆向工作流（在本模型中体现为激活"取消预约"任务）实现操作回滚。

这种架构可以解决两个问题：既构建了实时纠错防线，又能对错误引发的衍生操作进行精准清除。更值得称道的是，整个质量保障体系通过并行计算架构实现，在提升系统可靠性的同时，完全不影响主业务流程的运转效率。

引入人工监督机制

问题：在某些情况下，需要人类参与决策过程。

核心业务流程本质上会对人员和业务成功产生重大影响。使用 Camunda 实施流程的用户群体通常不会将其用于简单流程，因为这些流程既不具备复杂性层级，也不需要 Camunda 技术核心原则所强调的灵活性。考虑到这一点，显然引入 AI 智能体自然会引发监督机制的顾虑，特别是需要由真人实施的那类监督。

继续我们的模型演示。我新增了具有双重功能的设计：首先是一个相对简单的要求——当判定智能体的思维链导致错误选择时，我们增加了升级结束事件。该结构会触发名为"需要医生监督"的事件，该事件被事件子流程捕获后将为医生创建用户任务。此处亮点在于上下文保持完整，因此医生可以全面查看患者详细信息，了解 AI 的建议，甚至能追溯为何判定该思维链存在偏差，最终医生有权决定后续处理方案。

第二个新增功能更为精妙，但对维护流程完整性至关重要。它赋予用户即使在 AI 智能体完成决策后，仍可长期保留对智能体决策的撤销权控制。

该功能通过添加基于事件的网关实现，该网关可等待医生决定开展新治疗方案时发送的指令。此消息传递具有双重作用：首先取消智能体已执行的操作（在本案例中是治疗预约），其次触发与其他分支相同的升级事件，使医生再次获得完整上下文，并可就治疗方案做出新决策。

这证明人类既可以在智能体决策时即时介入，也可以在事后追溯介入，实现全流程的无缝整合。

关键决策防护机制

问题：AI 可能做出违背基本规则的决策。

人工验证虽然是有效的监督方式，但人类既非绝对可靠也不具备规模扩展性。当流程中需要由智能体做出重要决策时，您既不想依赖人工持续核查结果，也不希望依赖智能体之间相互监督。您需要的是零失误的实质性防护机制——业务规则。

作为 BPMN 的姊妹标准，DMN 允许您通过可视化界面定义复杂的业务规则，并将其无缝集成至流程中。若智能体的决策违反这些规则，系统会在采取后续行动前立即拦截。对于注重成本效益的用户而言，这种机制无需调用 AI 智能体资源，因此在处理高吞吐量可预测决策时具有显著经济优势。更精妙的是，结合 BPMN 的错误事件机制，规则被违反时不仅会触发报告，还能帮助团队分析问题根源并优化流程。DMN 的另一核心价值在于确保可审计的合规性——由于流程无法绕过规则约束，您可以百分百确信每个流程实例都符合规范且可追溯审计。这意味着当存在法规明确界定业务流程执行边界时，企业不仅能规避失控风险，还能向外部审计机构提供无可争议的合规证明。

在此模型中，我在"确认治疗方案决策"任务后新增了 DMN 决策表。该表包含基于患者现有状况禁止实施的治疗方案规则集。此类规则的设计便于定义和更新，随着更多治疗方案的推出，规则也会相应完善。当智能体决策违反规则时，错误事件将被触发，系统会将违规记录为待修正事件，这既为人工介入提供入口，又能通过反馈机制帮助智能体持续优化，减少未来违规概率。

即时人工介入机制

问题：必须支持随时启动人工介入

大多数 AI 智能体的设计模式是：一旦分配任务，它们就会在黑箱环境中持续运作，直至完全成功或彻底失败。本质上，AI 智能体是事务性操作。这种"全有或全无"设计模式的副作用在于，智能体无法在思考过程中主动寻求人工输入，因为其无法等待响应。但基于 BPMN 和 Camunda 构建的 AI 智能体打破了这一限制。

随着流程复杂度的增加以及更多决策权被赋予 AI，确保人类在必要时对决策和审批保持知情至关重要。BPMN 事件机制支持动态调用用户进行决策核查或提供输入。这些措施对智能体流程的持续发展极为关键，因为它们能增强信任度，且仅需专家在流程中最复杂或影响最深远的环节进行验证，极大节省了专家时间。

在诊断流程的最新版本中，我增加了多种动态整合人工交互的方式。首先是临时子流程：当 AI 智能体认为需要更多上下文才能继续时，可随时触发名为"需要医生意见"的升级事件。与之前的事件不同，该机制不会将决策权移交给医生，而是通知医生智能体需要建议以继续诊断。AI 智能体会等待返回的信号，表明其查询已获得答复。理论上，智能体可重复此操作直至收集到足够信息以做出明智决策。

AI 智能体设计的未来方向

AI 智能体将很快普及，帮助处理大量日常生产事务。但对于业务中最关键的环节，其应用仍需时日，因为赋予无监督决策能力的组件存在固有风险。从确定性流程转向非确定性流程要求企业重新思考设计原则。然而，一旦实现突破，这些领域将成为受益最大、对核心业务产生深远影响的阵地。

尽管目前仍处于早期阶段，我期待看到超越现有模式的新方法如何改变智能体对业务的影响方式。但我坚信，在最重要的场景中，BPMN 将成为 AI 智能体设计与落地的标准范式。正如 Jakob 和 Daniel 所指出的——那些成功的企业必将采用最佳技术方案，而 Camunda 正是这一命题的终极答案。