4月28日，Mistral AI宣布推出其企业级 AI 编排层Workflows。

作为Mistral Studio平台的关键组成部分，该工具旨在协助企业将零散的 AI 驱动流程转化为可大规模投入生产的系统。

目前，Workflows已进入公开预览阶段，吸引了包括ASML、ABANCA及CMA-CGM在内的多家跨国巨头将其应用于核心业务流程。

在技术架构上，Workflows基于高性能Temporal引擎构建，允许开发人员使用 Python 定义复杂流程。其核心优势在于引入了“人工在环”审核机制，仅需一行代码即可在关键节点（如货物放行或数据规格检查）暂停工作流以待人工审批。在保障安全合规的前提下，Mistral AI负责业务编排，而核心敏感数据则保留在客户自有系统内部。员工可通过Le Chat聊天机器人直接触发这些自动化序列。

此次发布标志着Mistral AI补齐了从底层模型到应用编排的全栈能力。在过去一年中，该公司相继推出了用于多智能体协作的Agents API以及开源模型Mistral Small4。近期，Mistral AI更获8.3亿美元融资用于扩建巴黎数据中心。随着企业 AI 需求从“简单的对话”转向“复杂任务自动化”，Workflows的推出将直接加速 AI 技术在严谨商业场景中的工程化落地。

对于正在构建人工智能战略的组织而言，此次发布提醒我们，模型质量只是企业级人工智能的一部分。更艰巨的工作在于协调：决定系统如何恢复、由谁批准高风险操作、数据存储在哪里，以及部署后如何监控每个决策。

Mistral Workflows概览

Mistral Workflows 是 Mistral Studio 的一部分。根据Mistral AI 的官方公告，它旨在为 AI 驱动的业务流程提供持久性、可观测性和容错性。Mistral 表示，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。

核心理念很简洁：开发人员使用 Python 编写工作流，业务用户通过 Le Chat 触发工作流，Studio 则记录执行时间线。这样一来，团队无需再将各种独立的队列、调度器、重试循环、代理框架、仪表盘和审批工具拼凑在一起，而是可以获得一个 Mistral 平台原生集成的编排层。

该产品面向将确定性业务逻辑与人工智能步骤相结合的流程。例如，一个工作流可能需要调用模型、使用代理、检索知识、验证规则、等待审核人员，然后执行操作。Mistral Workflows 不仅仅是一个提示界面，它是一个执行系统，用于确保工作能够正确完成，否则就会以可追溯的方式失败。

这使得它与正在从简单的任务自动化转向具有治理要求的 AI 辅助流程的工作流自动化团队息息相关。

为什么持久执行对人工智能自动化至关重要

Mistral Workflows 最强大的技术优势在于其持久执行能力。在普通的应用程序代码中，崩溃、超时、工作进程重启或网络错误都可能导致多步骤流程执行不完整。此时，团队就需要自定义状态管理和恢复逻辑。

持久执行改变了这种模式。每个重要步骤都会被记录在事件历史记录中。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，并从上次完成的位置继续执行。当进程运行数分钟、数小时、数天甚至更长时间时，这一点尤其重要。

该平台基于开源的持久执行引擎Temporal构建，Temporal 用于容错编排。Mistral 表示，它扩展了 Temporal 的功能，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、多租户和可观测性。

对于人工智能团队而言，实际的制胜关键在于可靠性。文档审核不应因为 API 超时而从头开始；货物发布不应因为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静默失败。Mistral Workflows 将这些恢复问题置于编排层，使开发人员能够专注于业务逻辑。

Python SDK 和工作流程设计

Mistral Workflows 采用代码优先的架构。Mistral Workflows 文档指出，开发人员使用 Python 定义工作流，而活动则执行外部工作，例如 LLM 调用、HTTP 请求、数据库写入、文件读取和工具调用。

这种分离至关重要。工作流是确定性的编排核心，它协调各个步骤、维护状态、进行分支、等待并决定下一步执行的操作。活动则负责处理副作用，例如调用模型、获取文件、查询系统或写入记录，平台可以通过策略和超时机制来重试这些操作。

快速入门需要 Mistral 帐户、Python 3.12 或更高版本uv。开发者可以使用 Workflows CLI 搭建项目框架，使用装饰器定义工作流，运行工作进程，并通过 Mistral 控制台、API 或 SDK 触发执行。PyPI 包mistralai-workflows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、超时机制和 Pydantic 验证功能。

这种方法有利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。低代码构建器适用于简单的自动化，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安全，因为这类流程的失败必须可审查。

Le Chat 中的人机交互审批

人工智能自动化只有在能够适时暂停时才更有用，而未经审核就贸然行动则更危险。Mistral Workflows 通过人工参与的审批步骤来解决这个问题。

Mistral 的公告描述了一种使用单行审批步骤的功能wait_for_input()。该工作流程会暂停，在不消耗计算资源的情况下等待，通知审核人，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回复。

这对于受监管的高价值流程至关重要。货物放行、KYC审核、欺诈升级、退款、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，在这个节点上，人工判断可以凌驾于自动化之上。

人工审批也能提高问责制。系统应显示审批人、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。

可观测性和审计追踪

可观测性是令人信服的 AI 演示与生产级 AI 流程之间最大的区别之一。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检查发生了什么。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。

这对人工智能治理平台至关重要，因为治理不仅仅是一份政策文件。它还包括证明人工智能辅助流程的运行方式、哪些控制措施处于激活状态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情况。Mistral Workflows 提供了执行层，但每个组织仍然需要将自动化与业务价值联系起来的运营指标。

混合部署和数据控制

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，而工作进程则运行在客户的环境中。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中。

这种设计将控制平面与数据平面分离。编排器跟踪状态并分发任务，而业务逻辑和敏感处理则可以保留在客户的边界内。文档还介绍了 SDK 层有效负载加密以及针对大于 2MB 的大型输入输出的有效负载卸载。

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都至关重要。这些团队可能需要 Mistral 的编排层，但又不想让每个内部文档或系统调用都通过外部云服务发送。

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 处理敏感数据之前，仍应仔细阅读具体条款、部署模型、数据保留设置和默认训练设置。

企业实际应用案例

Mistral重点介绍了三个实际应用案例：货物放行自动化、文件合规性检查和客户支持分诊。每个案例都说明了企业人工智能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。这样的流程需要具备稳定性，因为延误、证据缺失或部分执行都可能造成高昂的运营风险。

文件合规性检查是另一项非常重要的功能。KYC审查需要提取信息、进行制裁核查、筛选政治公众人物（PEP）数据库、了解特定司法管辖区的规则以及获取结构化证据。Mistral表示，工作流程可以将数小时的人工审查缩短到几分钟，同时还能保持详细的时间进度。

客户支持分诊虽然比较常见，但操作起来仍然很复杂。工单必须进行分类、优先级排序、路由、纠正和审核。如果路由决策错误，团队需要修复工作流程逻辑，而无需每次都重新训练模型。

这些例子表明 Mistral Workflows 最适用的场景：大批量、多步骤流程，具有明确的价值，足够的结构可以实现自动化，以及足够的风险需要审批和监控。

预览状态、定价和推广风险

Mistral Workflows 目前处于公开预览阶段。Mistral 的文档指出，公司暂无重大 API 或功能变更计划，但仍有可能进行调整。这意味着早期用户应将该平台视为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形式呈现。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、可观测性存储以及实施工作量。

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 工作流程之前，团队应明确业务负责人、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。

首先要制定一个界限清晰的流程。优秀的流程应该具备重复的步骤、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。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常见问题解答

什么是 Mistral 工作流程？

Mistral Workflows 是 Mistral AI 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。

Mistral Workflows 只适用于开发人员吗？

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。

Mistral Workflows 与聊天机器人有何不同？

聊天机器人通常会对提示做出响应。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、日程安排以及外部系统操作。它专为需要状态管理和可靠性的工作而设计。

Mistral Workflows 能否取代现有的自动化工具？

并非自动实现。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进行编排。

谁应该首先评估 Mistral 工作流程？

已经构建企业级人工智能、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首先对其进行评估。最佳的起点是那些重视可靠性、审计跟踪和人工审批的流程。

结语

Mistral Workflows 是人工智能从聊天向运维转型的重要一步。它最大的优势不在于让模型更智能，而在于让人工智能驱动的流程在企业系统中运行得更持久、更可观察、更可纠正，也更安全。

这种区别至关重要。到2026年，企业需要的不仅仅是更优秀的模型，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 让 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/