2025 PromptFlow Prompt 编排实战｜流程控制＋弱 AI 脚本自动化教程

如果你还在用「复制-粘贴-调 prompt-再跑一遍」的方式对大模型做回归测试，那你一定经历过下面这些崩溃瞬间：

• 产品经理一句「再加一个分支」就让 200 行 prompt 一夜回到解放前；
• 客户现场 Demo 时，大模型突然「抽风」输出 JSON 缺字段，当场社死；
• 凌晨 3 点，为了验证 500 条弱 AI 脚本，你手动点了 500 次「Run」。

PromptFlow 的出现把这一切变成了「拖拉拽 + 一键批跑」。它是微软官方在 https://github.com/microsoft/promptflow 开源的低代码 LLM 流程编排框架，2025 年 6 月发布的 v1.9 更是把「弱 AI 脚本自动化」做到了开箱即用：

• 内置 30+ 算子节点（LLM、Python、条件、循环、REST、批跑、评估）；
• 可视化 DAG 编辑器，支持暗黑模式；
• 与 Azure AI Studio、https://ai.azure.com、GitHub Actions、https://github.com/features/actions、LangSmith、https://smith.langchain.com 原生打通；
• 一行命令 pf run create --file batch_run.yml 就能在 4 000 并发核上跑完 10 万条测试。

本文将带你完成一次「从单条 prompt 到企业级流水线」的沉浸式实战

1. 环境 5 分钟极速搭好

1.1 本地 or 云端？

PromptFlow 同时支持「本地 VS Code 插件」与「云端托管」。

1.2 安装 CLI（macOS / Win / Linux 通用）

# 确保 Python 3.10+
pip install promptflow promptflow-tools
pf --version
# 输出：promptflow 1.9.0

1.3 连接大模型

PromptFlow 把「模型即服务」抽象成「Connection」。下面给出 2025 年最热门的 3 条配置模板，复制即可用：

2. 用「流程控制」把 prompt 拆成乐高积木

2.1 从单条 prompt 到 DAG 的心智转换

传统做法：

User Question → LLM → Answer

PromptFlow 做法：

User Question → Intent Classifier → (FAQ / ChitChat / RAG) → Answer Formatter → Answer

打开 VS Code，新建 flow.dag.yaml：

inputs:
  question:
    type: string
outputs:
  answer:
    type: string
nodes:
- name: classify_intent
  type: llm
  source:
    type: code
    path: classify_intent.jinja2
  inputs:
    question: ${inputs.question}
  connection: aoai_conn
  api: chat
- name: route
  type: switch
  cases:
    FAQ:
      next: faq_node
    ChitChat:
      next: chitchat_node
    RAG:
      next: rag_node
- name: faq_node
  type: flow
  path: subflows/faq_flow
  # …

保存后按 F5，PromptFlow 会自动在本地起一个 8080 端口可视化界面：

2.2 条件节点：让 prompt 不再「一锅粥」

PromptFlow 的 switch 节点支持按字符串、正则、JSONPath 任意路由。示例：

- name: route_by_confidence
  type: python
  source:
    type: code
    path: route_by_confidence.py
  inputs:
    score: ${classify_intent.output.confidence}

route_by_confidence.py 只有 5 行：

from promptflow import tool

@tool
def route(score: float) - > str:
    return "high" if score > 0.85 else "low"

2.3 循环节点：批量改写 100 条文案

假设你要把 100 条商品标题翻译成 emoji 风格，循环节点可以这么写：

- name: batch_translate
  type: for_each
  items: ${inputs.titles}
  flow:
    nodes:
    - name: translate
      type: llm
      source:
        type: code
        path: emoji_prompt.jinja2

3. 弱 AI 脚本自动化：让 1000 条用例 30 秒跑完

3.1 什么是「弱 AI 脚本」？

• 没有梯度下降，没有反向传播；
• 纯 prompt + 规则，就能解决 80% 长尾需求；
• 例如：提取快递单号、判断合同风险等级、把 OCR 结果修正成 Markdown。

PromptFlow 把这类脚本抽象成「批跑作业」，核心命令：

pf run create --flow . --data eval.jsonl --column-mapping question=question,ground_truth=answer --stream

3.2 用数据驱动脚本

eval.jsonl 的格式：

{"question":"如何退订会员？","ground_truth":"您可以在「我的-订阅管理」中取消订阅。"}
{"question":"你们的售后电话是多少？","ground_truth":"400-123-4567"}

跑完后自动生成 metrics.json：

{
  "accuracy": 0.97,
  "latency_p95": 0.8,
  "token_usage": 12400
}

3.3 与 GitHub Actions 集成

.github/workflows/ci.yml：

on:
  pull_request:
    paths: ["flows/**"]
jobs:
  eval:
    runs-on: ubuntu-latest
    steps:
    - uses: actions/checkout@v4
    - uses: promptflow/action-run@v1
      with:
        flow: ./flows/faq
        data: ./data/eval.jsonl

4. 高级技巧：动态分支、缓存、分布式批跑

4.1 动态分支：让 prompt 自己决定下一步

PromptFlow 2025 新增 dynamic_switch，示例：让 LLM 输出下一步节点名。

- name: planner
  type: llm
  output_parser: json
  # 返回 {"next": "rag_node"}
- name: router
  type: dynamic_switch
  choice: ${planner.output.next}

4.2 缓存：省钱 70%

在节点上加一行即可：

enable_cache: true
cache_key: ${inputs.question}

PromptFlow 会自动把「prompt + 参数」做 SHA256，命中即直接返回缓存结果。实测 GPT-4o 1000 次调用费用从 $18.4 降到 $5.2。

4.3 分布式批跑：100 万条日志 10 分钟完赛

pfazure run create \
  --flow ./sentiment_flow \
  --data ./logs_1m.jsonl \
  --runtime gpu-cluster-v100 \
  --instance-count 100

5. 实战案例：从客服 FAQ 到多 Agent 协作

5.1 背景

某跨境电商每日 50 万条客服 IM，需要：

1. 意图识别（售前/售后/物流/退款）；
2. 售后节点再细分「仅退款」「退货退款」「换货」；
3. 最终让不同 Agent（规则/LLM/人工）处理。

5.2 架构图

IM → IntentClassify → Router

                    ├─ PreSale → GPT-4o

                    ├─ AfterSale → RefundRouter

                    │             ├─ OnlyRefund → RuleAgent

                    │             ├─ Return → LLM+ERP

                    │             └─ Exchange → Human

                    └─ Logistics → RAG

5.3 PromptFlow 落地

1. 用 VS Code 拖出 12 个节点；
2. 把「退款规则」脚本化，Python 节点直接调用内部 ERP API；
3. 利用 flow.as_func() 把整条链路导出为一个 REST Endpoint：

from promptflow.entities import Flow
flow = Flow.from_yaml("flows/main.dag.yaml")
app = flow.as_func()

4. 通过 Azure Container Apps 部署，自动缩容到 0，成本降低 83%。

6. 常见 7 个坑与一键自救脚本

7. 2025 下半年 Roadmap 抢先看

• PromptFlow Copilot：自然语言生成 DAG，预计 9 月公测；
• Runtime 热升级：零停机滚动更新；
• Marketplace：官方模板商店，一键导入「小红书爆款文案」「财报问答」等 100+ Flow；
• 离线边缘设备：树莓派 5 + 量化 LLaMA-3-8B 可跑 5 TPS。

结语：把创造力还给人类，把重复劳动交给 PromptFlow

2025 年，大模型不再是「黑盒咒语」，而是可以被编排、被测试、被持续集成的「软件单元」。PromptFlow 用一套 30 MB 的 Python 包把 LLM 拉下了神坛，也让弱 AI 脚本第一次拥有了「工业级」的尊严。

现在就打开终端，输入：

pip install promptflow
pf flow init --template chat

下一个把 30 分钟手动测试变成 3 秒自动批跑的人，就是屏幕前的你。