Mistral AI 推出 Workflows：赋能企业 AI 流程自动化

Mistral AI 于4月28日发布了其企业级的 AI 编排解决方案 Workflows。

作为 Mistral Studio 平台的核心组件，该工具旨在帮助企业将分散的 AI 应用流程整合，并实现规模化生产部署。

目前，Workflows 已进入公开试用阶段，并已获得 ASML、ABANCA 和 CMA-CGM 等多家国际知名企业的采纳，用于优化其关键业务流程。

在技术层面，Workflows 构建在高性能的 Temporal 引擎之上，支持开发者使用 Python 语言定义复杂的业务流程。其突出亮点是引入了“人工干预”的审核机制，只需一行代码即可在关键节点（如货物放行或数据合规性检查）暂停工作流，等待人工审核。Mistral AI 负责业务流程的协调，同时确保核心敏感数据安全地保留在客户的自有系统内。员工还可以通过 Le Chat 聊天机器人直接启动这些自动化流程。

此次发布标志着 Mistral AI 在技术能力上实现了从底层模型到应用编排的全栈覆盖。过去一年，该公司已陆续推出了用于多智能体协同的 Agents API 以及开源模型 Mistral Small4。近期，Mistral AI 还获得了 8.3 亿美元的融资，用于扩展其巴黎数据中心的建设。随着企业对 AI 应用的需求从简单的交互转向复杂的任务自动化，Workflows 的推出将有力推动 AI 技术在严谨商业环境中的工程化落地。

对于正在构建 AI 战略的企业而言，此次发布表明模型性能只是企业级 AI 的一部分。更具挑战性的工作在于系统协调：如何实现流程恢复、谁来批准高风险操作、数据存储在哪里，以及部署后如何监控每一项决策。

Mistral Workflows 是 Mistral Studio 的一部分。根据 Mistral AI 的官方声明，该平台旨在为 AI 驱动的业务流程提供持久性、可观测性和故障恢复能力。Mistral 透露，ASML、ABANCA、CMA-CGM、France Travail、La Banque Postale 和 Moeve 等客户已在生产环境中使用该平台。

其核心理念非常明确：开发者使用 Python 编写工作流，业务用户通过 Le Chat 触发工作流，而 Studio 则负责记录执行过程。这样，团队就不再需要将分散的队列、调度器、重试逻辑、代理框架、监控仪表盘和审批工具整合起来，而是可以直接获得一个由 Mistral 平台原生集成的编排层。

该产品适用于将确定性业务逻辑与 AI 步骤相结合的流程。例如，一个工作流可能需要调用模型、使用代理、检索信息、验证规则、等待人工审批，然后执行相应操作。Mistral Workflows 不仅仅是一个提示界面，它是一个执行系统，能够确保任务正确完成，并在失败时提供可追溯的记录。

这使得它对于那些从简单任务自动化转向需要治理能力的 AI 辅助流程的工作流自动化团队来说，具有重要的价值。

Mistral Workflows 最强大的技术优势在于其持久执行能力。在常规应用程序代码中，系统崩溃、超时、进程重启或网络错误都可能导致多步骤流程执行不完整，迫使团队自行开发状态管理和恢复逻辑。

持久执行改变了这一模式。每一个关键步骤都会被记录在事件历史中。如果一个工作进程停止运行，另一个工作进程可以重放工作流历史记录，并从上次完成的点继续执行。这一点在处理运行数分钟、数小时、数天甚至更长时间的进程时尤为重要。

该平台基于开源的持久执行引擎 Temporal 构建，该引擎用于容错编排。Mistral 表示，他们扩展了 Temporal 的能力，使其能够处理 AI 特有的工作负载，包括流式处理、有效载荷处理、多租户以及可观测性。

对于 AI 团队来说，实际的成功关键在于可靠性。文档审核不应因 API 超时而从头开始；货物放行不应因工作进程崩溃而丢失审批状态；支持路由工作流不应在没有任何迹象的情况下无声地失败。Mistral Workflows 将这些恢复问题整合到编排层，使开发人员能够专注于业务逻辑的实现。

Mistral Workflows 采用代码优先的架构。根据 Mistral Workflows 的文档，开发人员使用 Python 定义工作流，而活动（activities）则负责执行外部操作，例如调用大型语言模型（LLM）、发送 HTTP 请求、写入数据库、读取文件以及调用工具。

这种分离至关重要。工作流是核心的确定性编排逻辑，负责协调步骤、维护状态、进行分支判断、等待以及决定下一步操作。活动则处理外部副作用，例如调用模型、获取文件、查询系统或写入日志，平台可以通过策略和超时机制来重试这些操作。

快速上手需要一个 Mistral 账户以及 Python 3.12 或更高版本。开发者可以使用 Workflows CLI 工具搭建项目框架，通过装饰器定义工作流，运行工作进程，并通过 Mistral 控制台、API 或 SDK 触发执行。`mistralai-workflows` PyPI 包被描述为一个 Python SDK，用于构建可靠的 AI 工作流，具备可观测性、可扩展性、重试机制、超时机制以及 Pydantic 验证功能。

这种方法对于那些需要版本控制、代码审查、测试和清晰部署流程的工程团队来说非常有益。低代码构建器适用于简单的自动化场景，但对于影响重大的业务流程自动化而言，代码定义的编排通常更为安全，因为这类流程的失败必须能够被审计。

AI 自动化只有在能够适时暂停时才更有价值，而未经审核就匆忙行动则可能带来风险。Mistral Workflows 通过引入人工参与的审批步骤来解决这一问题。

Mistral 的发布公告中描述了一种使用单行代码 `wait_for_input()` 实现审批的机制。工作流程会在此暂停，在不消耗计算资源的情况下等待，通知审核人员，并在收到输入后从中断处继续执行。审核人可以通过 Le Chat、Webhook 或其他连接的界面进行响应。

这对于受监管且高价值的流程至关重要。例如，货物放行、KYC 审核、欺诈案件升级、退款处理、账户变更、采购例外情况以及合规报告等，都需要一个明确的节点，在此节点上，人工判断可以优先于自动化决策。

人工审批也有助于提高问责制。系统应该能够清晰地显示审批人、审批人查看的证据、后续采取的行动以及选择该分支的原因。Mistral Workflows 支持这种模式，它会在 Studio 中记录完整的执行历史，而不是将审批信息分散在电子邮件、聊天记录、工单和电子表格中。

可观测性是区分出色的 AI 演示与生产级 AI 流程的关键因素之一。Mistral 表示，Studio 会记录每一次分支、重试和状态变更，并原生支持 OpenTelemetry。

这意味着团队可以事后审查发生了什么。如果工作流程错误地路由了工单，运维人员可以查看路由路径。如果合规性审查生成了风险评分，审计人员可以检查支持审查的步骤。如果模型调用失败，工程师可以查看重试行为和时间戳。

这对 AI 治理平台来说至关重要，因为治理不仅仅是一份政策文件。它还包括证明 AI 辅助流程的运行方式、哪些控制措施正在发挥作用以及谁对每个决策负责的能力。

良好的可观测性也应影响部署决策。团队应该跟踪执行量、失败率、审批延迟、重试频率、每个已完成流程的成本、模型质量和用户覆盖范围。Mistral Workflows 提供了执行层，但每个组织仍需自行制定将自动化与业务价值联系起来的运营指标。

Mistral Workflows 采用分离式架构。Mistral 负责托管编排基础设施、工作流 API 和 Studio，而工作进程则部署在客户自己的环境中。在生产环境中，这些工作进程可以运行在 Kubernetes 或其他靠近内部服务和数据的基础设施上。

这种设计实现了控制平面与数据平面的分离。编排器负责跟踪状态和分发任务，而业务逻辑和敏感数据处理则可以保留在客户的网络边界内。文档还介绍了 SDK 层有效载荷加密以及针对大于 2MB 的大型输入输出的有效载荷卸载方案。

这对银行、保险公司、制造商、物流公司、医疗机构和公共部门组织来说至关重要。这些团队可能需要 Mistral 的编排层，但又不想将每一个内部文档或系统调用都通过外部云服务进行传输。

Mistral 的法律文件也区分了消费者使用和商业处理。其数据处理附录指出，商业客户是数据控制者，而 Mistral AI 作为数据处理者代表他们处理个人数据。购买者在使用 Mistral Workflows 处理敏感数据前，仍应仔细阅读具体条款、部署模型、数据保留设置以及默认训练设置。

Mistral 重点介绍了三个实际应用案例：货物放行自动化、文件合规性检查以及客户支持分诊。每个案例都阐释了企业级 AI 为何需要编排而非孤立的模型调用。

货物放行自动化涉及报关、危险品分类、安全检查、法规核查、异常检测和审批等环节。这类流程需要高度的稳定性，因为延误、证据缺失或执行不完整都可能带来高昂的运营风险。

文件合规性检查是另一项关键功能。KYC 审查需要提取信息、进行制裁名单核查、筛选政治公众人物（PEP）数据库、了解特定司法管辖区的规则并获取结构化证据。Mistral 表示，通过工作流，可以将数小时的人工审查时间缩短至几分钟，同时还能保持详细的执行进度记录。

客户支持分诊虽然相对常见，但操作起来仍然很复杂。工单需要进行分类、设定优先级、路由、修正和审核。如果路由决策有误，团队需要修复工作流程逻辑，而无需重新训练模型。

这些例子表明，Mistral Workflows 最适合应用于大批量、多步骤的流程，这些流程具有明确的业务价值，结构化程度足以实现自动化，并且风险等级较高，需要审批和监控。

Mistral Workflows 目前处于公开预览阶段。Mistral 的文档指出，公司暂无重大的 API 或功能变更计划，但仍可能进行调整。这意味着早期用户应将该平台视为一个面向生产环境但仍在不断发展的平台。

在发布材料中，Workflows 的公开定价并非以简单的自助式方案呈现。团队需要自行评估 Studio 访问权限、模型使用情况、工作进程部署、支持需求以及与 Mistral 签订的企业条款。费用可能包括编排使用费、模型调用费、工作进程基础设施成本、可观测性存储费用以及实施工作量。

主要的推广风险在于过度自动化。即使是可靠的工作流程，也可能自动做出错误的决策。在广泛部署 Mistral Workflows 之前，团队应明确业务负责人、潜在故障模式、人工审批阈值、数据边界、回滚路径以及审计证据要求。

首先，需要制定一个界限清晰的流程。一个优秀的流程应该具备可重复的步骤、可衡量的结果、易于获取的数据、清晰的升级路径以及可控的风险。应避免采用那些需要模糊判断、法律授权不明确或数据控制不完善的工作流程。

Mistral Workflows 是 Mistral AI 推出的面向生产级 AI 流程的公开预览版编排层。它允许开发人员使用 Python 定义多步骤工作流，在自己的环境中运行工作进程，通过 Studio、API 或 Le Chat 触发执行，并跟踪执行历史记录。

开发人员编写工作流，但业务用户可以通过 Le Chat 触发已发布的工作流。这使得工程师能够控制逻辑、版本控制和集成，同时允许非技术团队运行已批准的流程。

聊天机器人通常仅响应提示。Mistral Workflows 则协调整个流程：包括活动、模型调用、工具使用、重试、等待、审批、日程安排以及与外部系统的交互。它专为需要状态管理和可靠性的工作而设计。

它并非一个完全自动化的解决方案。最好将其视为一个可以与现有系统协同工作的 AI 编排层。一些简单的自动化功能可能仍保留在当前的工作流程工具中，而复杂的 AI 流程则需要通过代码定义的编排来实现。

那些已经构建了企业级人工智能、智能工作流、合规自动化、支持路由、物流自动化或文档处理系统的团队，应该优先评估该产品。最适合的起点是那些重视可靠性、审计跟踪和人工审批的流程。

Mistral Workflows 是人工智能从聊天式交互向实际运维转型的关键一步。它最大的优势不在于让模型更智能，而在于使人工智能驱动的流程在企业系统中运行得更持久、更可观测、更易纠正，同时也更安全。

这一区别至关重要。到2026年，企业将不仅仅需要更优秀的模型，还需要能够将模型与实际工作连接起来，同时又不失控的编排层。Mistral Workflows 使 Mistral AI 在这场竞争中占据了更清晰的定位：它不仅是模型提供商，更是企业级 AI 执行的受控平台。

作者：场长

参考：

https://www.progressiverobot.com/2026/04/29/mistral-workflows/