Workflow as Knowledge: Semantic Persistence for LLM-Mediated Workflows
工作流即知识：大语言模型中介工作流的语义持久性
🧭 LLM 工作流语义持久化
UNHCR · CNR—Istituto Nanoscienze · ZeLe & F ApS
将工作流定义、实例、推理记录等作为可持久化的知识对象，支持工作流的可检查、可恢复和可审查
📌 工作参考价值
- 在复杂推荐或广告策略工作流中，可借鉴“derive vs infer”语义区分：将确定性计算步骤（如特征工程、规则过滤）归为 derive，将需要 LLM 判断的步骤（如创意生成、用户意图理解）归为 infer，以控制成本与可预测性。
- 将工作流状态持久化为结构化知识对象（如上下文快照、依赖关系）形成知识图谱，可用于事后审计、错误排查和增量构建，提升推荐管线透明度。
- 利用“语义持久性”实现工作流的中断恢复与人工审批门：当推荐任务被中断（如突发流量）或需要人工干预（如敏感内容审核）时，可基于持久化知识恢复执行，避免状态丢失。
- 该概念模型可用于设计可复用的子工作流模板，将已验证的推荐流程（如召回→粗排→精排→重排）作为知识对象复用，加速新业务接入。
动机：现有 LLM 工作流系统虽已显式定义控制流，但缺乏统一的表示模型，导致工作流定义、执行实例、中间推理状态等难以作为可持久化的知识被管理、检查与恢复。
方法：提出一种语言无关的概念模型，将工作流定义、工作流实例、推理记录、上下文快照和依赖关系统一表示为持久化知识对象，存放在共享知识层。核心贡献是引入两个关键语义区分：derive（确定性计算，基于当前状态给出确定结果）与 infer（LLM 调解下的判断，在声明的上下文和执行者控制的能力策略下进行）。
结果：形成“语义持久性”的初步概念——工作流不仅是产生知识和留下痕迹的过程，其自身可被表示为可检查、可恢复、可审查的知识对象。模型借鉴了 Lisp 的符号形式、对象同一性和活映像思维，但未绑定具体实现，形式化转换语义留待将来工作。