MAF混合编排工作流如何应用于内容生成？
摘要：在实际业务场景中，Executor通常用来覆盖确定性的业务逻辑，例如：数据验证、数据格式化、数据清洗和计算等等，这类场景往往需要100%确定性。而Agent则用来覆盖AI智能决策的场景，例如：智能判断、理解 和 内容生成等等，这类场景通常需
大家好，我是Edison。
上一篇，我们学习了MAF中进行自定义Executor的开发。但在实际开发中，往往需要结合Executor和Agent混合使用，本篇我们就来学习下混合编排工作流。
Executor和Agent的应用场景
在实际业务场景中，Executor通常用来覆盖确定性的业务逻辑，例如：数据验证、数据格式化、数据清洗和计算等等，这类场景往往需要100%确定性。
而Agent则用来覆盖AI智能决策的场景，例如：智能判断、理解 和 内容生成等等，这类场景通常需要基于模型能力，具有一定的不确定性。
下面这个表清晰展示了它们的应用场景的选型原则：
举个例子，在下面这个内容审核流程中，就混合使用了Executor和Agent来构建一个完整的工作流。
实验案例
今天来实践一个混合编排的工作流案例，和上面的例子相似：
这是一个内容审核管道工作流，假设我们提供了一个AI对话服务，我们需要针对用户给出的对话内容或者提示词做检测，如果检测到提示词越狱（Jailbreak）就输出指定回复而不再继续；如果没有检测到则正常交由后续AI回复。同时，我们还会在检测到提示词越狱时发送一封邮件告知系统管理员。
准备工作
在今天的这个案例中，我们仍然创建了一个.NET控制台应用程序，安装了以下NuGet包：
Microsoft.Agents.AI.OpenAI
Microsoft.Agents.AI.Workflows
Microsoft.Extensions.AI.OpenAI
我们的配置文件中定义了LLM API的信息：
{
"OpenAI": {
"EndPoint": "https://api.siliconflow.cn",
"ApiKey": "******************************",
"ModelId": "Qwen/Qwen3-30B-A3B-Instruct-2507"
}
}
这里我们使用 SiliconCloud 提供的Qwen/Qwen3-30B-A3B-Instruct-2507模型，之前的 Qwen2.5 模型在这个案例中不适用。你可以通过这个URL注册账号：https://cloud.siliconflow.cn/i/DomqCefW获取大量免费的Token来进行本次实验。