做 AI 工程自动化的开发者，大概率都迷信 LLM 万能，想把所有工作都丢给智能体处理。
市面上绝大多数 AI 工作流教程，都在灌输一套固定逻辑：给 LLM 挂载工具、设定目标、放手让模型自主完成全流程任务。
这套模式做 Demo、跑原型确实又快又省心，但一旦落地到企业级工程、需要可重复、高可靠、易维护的生产场景，弊端就会彻底暴露：推理成本高、执行不稳定、结果不可控、排查难度大。
最近，我基于开源项目 ai-template-updater 重构了一套 AI 软件模板更新工作流，颠覆了传统 LLM Agent 的设计思路：
能靠确定性代码、API、脚本解决的工作，绝不调用 LLM；仅保留需要工程推理、场景判断的核心环节给大模型。
最终效果堪称惊艳：原本需要工程师 14 小时手动闭环的周期性 AI 模板维护工作，直接压缩至 2 小时人工参与，成功砍掉 12 小时无效重复工时，工程效率提升 7 倍。
开源项目地址：https://github.com/JslYoon/ai-template-updater，完整工作流架构、脚本、部署流程均可直接复用。
看似简单的 Jira 工单，藏着 14 小时的繁重工程劳动
在敏捷开发体系中，很多人觉得 “版本更新、模板维护” 是低端重复工作，不值一提。但真实的工程落地，远比想象中繁琐。
我本次优化的核心需求，只是一条极简的 Jira工单：将 RHDH 平台 AI 软件模板，更新至最新兼容版本。
看似一句简短的需求，完整闭环需要走完一整套超长链路，也是无数 AI 开发团队的日常痛点：
1. 扫描上游 vLLM、llama.cpp、whisper.cpp 等模型服务器版本，检测版本漂移；
2. 比对 Hugging Face 主流模型（Granite、Mistral、DETR 等）的最新迭代，核查兼容性；
3. 分析依赖变更、规避 CUDA、PyTorch、xFormers 等组件的兼容冲突；
4. 重新构建、打包容器镜像，推送至 Quay 镜像仓库；
5. 更新 RHDH AI 模板配置、重构模板文件；
6. 部署至 ROSA OpenShift 集群，完成功能验证；
7. 整理变更记录，向上游两个核心仓库提交 PR、完成版本归档。
这 14 小时里，真正需要动脑编码、做技术判断的工作不足 2 小时，剩余时间全部浪费在跨平台切换、重复上下文重建、机械性校验、固定流程操作上。
更关键的是：这类周期性维护工作频次极高，长期纯手动执行，不仅消耗大量工程人力，还极易出现人为疏漏、版本标签不匹配、更新遗漏等问题。
核心设计原则：能计算不推理，LLM 只做 “人该做的事”
最开始我也跟风传统方案，将 LLM 放在工作流核心，让智能体全权接管所有流程。
但落地后发现：大模型做机械性工作，又贵又不稳；做决策推理，才是真正的价值所在。
于是，我定下一条核心优化准则：所有可量化、可比对、可程序化执行的任务，全部交给确定性代码；只有需要工程经验、场景解读、复杂判断的工作，才交给 LLM。
我将全流程任务做了清晰拆分，彻底剥离 LLM 的无效负载，精准划分职责边界：
具体任务 | 最优实现方案 | 核心原因 |
查询镜像仓库标签、拉取版本信息 | API/确定性代码 | 结构化数据查询，无推理需求，零误差、速度快 |
语义化版本比对、新旧版本校验 | Python 代码 | 固定规则比对，避免 LLM 随机判断误差 |
读取 Hugging Face 模型元数据、检测版本漂移 | API+代码扫描 | 批量结构化抓取，效率远超模型推理 |
重复更新任务去重、数据清洗 | JavaScript 脚本 | 无 token 消耗，毫秒级完成去重 |
存储镜像标签、构建状态等核心工件数据 | Google Sheets 持久化 | 状态可追溯、可复用，避免重复构建 |
校验命令执行结果、判断任务成败 | 程序退出码判定 | 精准客观，无主观偏差 |
解析版本重大变更、分析依赖兼容性 | LLM 推理 | 需要解读发行日志、结合工程经验判断风险 |
修改陌生容器文件、跨目录批量适配变更 | LLM 推理 | 场景灵活、无固定规则，需要智能适配调整 |
简单来说：机器能精准计算的，绝不麻烦 AI；只有机器无法标准化判断的复杂工程问题，才交给 AI。这也是这套工作流稳定、高效、低成本的关键所在。
搭建确定性核心：自定义 CLI，彻底解放 LLM
为了彻底剥离 LLM 的无效工作，我基于 Python 封装了专属的 agentic-template-ops 命令行工具，把所有标准化、重复性流程固化为稳定 CLI 指令，让整个工作流拥有坚实的确定性底座。
核心可用指令全覆盖核心流程，开箱即用：
agentic-template-ops configure # 初始化环境、配置权限与路径
agentic-template-ops investigate # 全局扫描版本漂移、生成审计日志
agentic-template-ops record-builds # 记录镜像构建信息、持久化工件标签
agentic-template-ops list-built # 读取已完成构建的结构化数据这套 CLI 工具承担了所有底层能力：自动检索各大模型服务器版本、解析语义化版本、过滤预发布无效版本、批量抓取 Hugging Face 模型元数据、并发执行多维度版本校验。
这就从根源上杜绝了一个常见误区：不要让昂贵的 LLM，充当低配版 HTTP 客户端、版本比对工具、线程池。标准化工作交给代码，成本趋近于零，稳定性拉满。
三大核心工作流拆解：全自动闭环，仅保留人工校验关口
整套自动化体系由 /setup、/stage-demo、/promote 三大工作流组成，分层解耦、各司其职，结合 Claude Code 子智能体实现精准分工，全程无人值守，仅关键节点保留人工审核。
1. 核心全量流程：/setup 工作流（从零完成更新、构建、部署）
这是整套体系的核心流水线，一次性完成从版本探测、镜像构建、模板更新到集群部署的全流程自动化，完整执行链路如下：
1）预飞行校验：自动读取环境配置、校验 Quay 镜像仓库权限、验证 CLI 工具可用性，提前规避环境问题；
2）版本漂移探测：批量扫描 vLLM、llama.cpp、Granite、Mistral 等所有托管模型与服务，生成完整版本差异报告，写入 Google Sheets 审计日志；
3）零成本数据去重：通过 JavaScript 脚本完成全局去重，10 个模板引用同一个服务更新，仅生成 1 次构建任务，无需重复调用 AI 推理；
4）并行镜像构建：调用 Sonnet 子智能体并行构建容器镜像，推送至个人 Quay 私有命名空间，大幅压缩构建耗时；
5）状态持久化记录：精准记录每一个镜像的唯一标签、构建状态，后续流程直接读取结构化数据，杜绝人工录入失误；
6）模板更新与分支推送：自动修改 RHDH 模板配置、重新生成模板文件，推送更新分支至 GitHub Fork 仓库；
7）集群滚动部署：自动部署至 ROSA OpenShift 集群，生成可测试演示环境，等待人工验收。
整个流程中，LLM 仅参与容器文件修改、依赖兼容分析、构建异常排查等复杂场景，大部分的流程均由确定性代码自动化完成。
2. 轻量化重测流程：/stage-demo 工作流（无需重建，快速复测）
日常迭代测试中，无需每次都重复版本探测、镜像构建等高耗时操作。/stage-demo 工作流专门适配二次验证、迭代测试场景，大幅提升测试效率。
它会直接读取 Google Sheets 中已构建完成的工件数据、复用已推送的代码分支，仅执行环境部署、服务启动、接口校验工作。
只有当 ROSA 集群 Pod 正常运行、ArgoCD 应用状态正常、RHDH 接口返回 200 状态码，才判定部署成功，保证测试环境的稳定性。
3. 上线收尾流程：/promote 工作流（人工核验后正式发布）
为保障生产稳定性，整套系统全程保留人工终审关口。所有自动化更新完成、人工测试验证通过后，才会执行 /promote 上线流程。
核心执行逻辑：
1）读取持久化的精准镜像标签与构建数据，二次去重校验；
2）将个人 Quay 命名空间的镜像，批量重标记迁移至官方生产命名空间；
3）顺序更新 rhdh-ai-developer-images 仓库版本目录，自动提交代码；
4）复用测试分支，替换官方镜像标签、重构模板，自动向上游两大核心仓库提交 PR；
5）完整留存审计日志，可追溯每一次版本变更记录。
优化精髓：结构化状态，拒绝 LLM 模糊推理
传统 LLM 智能体工作流最大的弊端，就是结果非结构化、状态依赖模型上下文，每次执行结果参差不齐，无法复用、无法追溯、极易出错。
本次优化解决了这个问题：所有工作流状态、工件信息、构建结果，全部以结构化 JSON 格式输出、持久化存储，完全脱离 LLM 上下文依赖。
{
"success": true,
"server_type": "vllm",
"component": "server",
"version": "0.12.0",
"image_tag": "xxx"
}简单来说：上下文交给 LLM 做推理，结构化状态交给代码做持久化。
后续所有部署、上线流程，直接读取精准结构化数据，无需模型二次解读，杜绝标签不匹配、版本错乱、更新遗漏等经典问题。
从 14 小时到 2 小时，本质不是 AI 提速，是人力减负
很多人会误解：这套工作流是 AI 用 2 小时干完了人类 14 小时的活。
核心真相是：自动化接管了 12 小时的机械重复劳动，把工程师从无效执行中解放了出来。
- 优化前：工程师全程参与版本扫描、比对、构建、部署、日志整理、PR 提交，全程高度绑定，耗时 14 小时；
- 优化后：工程师仅需做异常排查、功能验收、上线决策等高价值工作，仅需 2 小时即可完成全流程闭环。
从敏捷开发视角来看，原本消耗大量人力的周期性运维、模板维护工作，几乎不再占用核心研发资源，团队可以把更多精力投入到产品迭代、功能创新、架构优化上。
工程启示：智能工作流，从不等于 LLM 全覆盖
做 AI 工程自动化，最大的误区就是唯 LLM 论：认为调用模型越多、AI 参与度越高，系统就越智能、越先进。
本次项目落地给出了完全相反的答案：真正稳定、高效、低成本的 AI 工作流，一定是最小 LLM 原则。
- 结构化数据查询，用 API 不用 AI；
- 固定规则比对，用代码不用 AI；
- 重复任务清洗，用脚本不用 AI；
- 固定流程执行，用自动化不用 AI；
- 只有复杂推理、场景适配、经验判断，才交给 AI。
优秀的智能体架构，从来不是让 LLM 包揽所有工作，而是精准划分边界，让代码做确定性执行，让模型做创造性推理。
当你开始主动精简 LLM 的无效调用，把更多工作交给确定性代码，你的 AI 工作流，才真正具备了生产级的可靠性与高效性。
