为什么这很重要

大多数服务工作就像接力赛。一个请求从门户开始,交给经理批准,在一个系统里创建账户,在另一个系统里创建邮箱,在第三个系统里分配许可证,为设施生成一张工单,并向请求者发送一条消息。每一次交棒,都有可能等待、丢失信息或被遗忘。当人们靠电子邮件和记忆来传递时,延迟和错误就是内建的。

工作流自动化用既定的流程取代传递。系统知道步骤、每一步由谁或什么执行、某一步失败时该怎么办,以及到目前为止发生了什么。编排是更大规模的同一理念:一个协调者按正确的顺序调用许多系统,等待结果,并处理棘手的情形。维基百科描述了工作流(workflow)、工作流管理系统(workflow management system)以及计算领域的编排(orchestration)作为定义和运行这类流程的方式。

其承诺是更快、更一致的工作,并带有可见的记录。风险与其他自动化相同:有缺陷的流程被固化成代码,中途的失败让事物处于不一致,相连系统之一的变化悄悄破坏了流程。好的设计会预见这些。本主题描述主要构件、使工作流保持可靠的模式,以及人在其中的位置。它建立在主题 6.1 — 自动化策略之上,与服务请求(主题 3.6 — 服务请求管理)相关,并通向自助服务(主题 6.5 — 自助服务与自动化履行)和流水线(主题 6.4 — 流水线与自动化变更)。

核心概念

工作流。 一系列步骤,带有关于每一步由谁或什么执行、以什么顺序、在什么条件下的规则。维基百科把工作流描述为一种经过编排的、可重复的活动模式。工作流可以简单到“当工单被标记为已解决时,通知请求者”,也可以复杂到端到端的新员工入职旅程。

工作流引擎。 运行工作流的软件:它跟踪每个实例的状态、执行步骤、等待事态,并记录发生了什么。维基百科描述了工作流引擎(workflow engines)和工作流管理系统。许多工单平台自带一个,也有用于跨系统流程的独立平台。

编排。 把若干自动化任务和服务协调成一个流程,通常由一个中央控制器依次调用各项。维基百科描述了计算领域的编排。它与编舞(choreography)相对,后者中各服务在没有中央控制器的情况下对事态作出反应。编排更易于查看和调试;编舞可能更有韧性和可扩展性。许多组织两者并用。

建模。 流程可以用诸如业务流程模型和符号(BPMN,维基百科有描述)之类的记法来绘制,然后执行。图示有助于业务人员和技术人员就流程达成一致。保持它们可读,并使模型与运行中的工作流保持同步。

状态。 工作流的某个实例到目前为止已做了什么。知道状态使系统能够在失败后恢复,显示进展并报告。维基百科描述了有限状态机(finite-state machines),这是思考一个“已提交”、“已批准”、“已履行”和“已关闭”的请求的有益方式。

触发与事态。 工作流从触发开始:一份表单、一条消息、一个计划、系统中的一次变化。事件驱动的方法,维基百科称为事件驱动架构(event-driven architecture),让系统宣告发生了什么,使其他系统可以作出反应。维基百科也描述的 Webhook 是一个系统通知另一个系统的常见方式。

集成。 工作流通过应用程序接口(API)、连接器或集成平台调用其他系统。维基百科描述了 API 和企业应用集成(enterprise application integration)。集成是大多数工作流出问题的地方,因为系统会改变它们的接口、速率限制和凭据。

幂等性与重试。 如果一个操作做两次与做一次的效果相同,则它是幂等的。维基百科描述了幂等性(idempotence)。当某一步失败或超时,安全的回应往往是重试,而只有当该步骤是幂等的时,这才是安全的。重试应当每次等待更久,这种技术维基百科称为指数退避(exponential backoff),并在达到限度后停止。

失败处理。 七步中第四步失败时会发生什么?选项包括重试、跳过、通过撤销来补偿之前的步骤,或停下来询问人。跨系统的长时间运行的工作流无法依赖单一事务;维基百科描述了 saga 方法,其中每一步都有补偿动作。无法自动处理的失败应当进入一个有明确负责人的队列,而不是消失。维基百科描述了用于无法处理的消息的死信队列(dead letter queues)。

人工任务与批准。 许多工作流需要一个人:来批准、决定,或做无法自动化的事。维基百科描述了人在回路系统(human-in-the-loop)。要谨慎设计这些任务:询问谁、如何提醒他们、他们不回应时会发生什么,以及他们看到什么信息。无限期等待的批准会使流程停滞。

可观测性与审计。 每个实例都应当可追溯:是什么触发的、每一步做了什么、结果如何,以及谁批准的。维基百科描述了审计追踪(audit trails)。这支持支持类问题(“我的请求在哪里?”)、故障排查和合规。见主题 7.4 — 可观测性与遥测。

低代码与机器人流程自动化。 低代码平台和机器人流程自动化(RPA)允许非程序员构建工作流,或自动化用户界面中的操作。维基百科对两者均有描述。它们加快了简单的情形,但在规模化时可能产生脆弱的、无人负责的自动化。像对待代码一样应用同样的所有权、测试和评审。

版本管理与变更。 工作流定义会随时间变化,而实例仍在运行。决定在你修改定义时如何处理进行中的实例。把定义保存在版本控制中,并在部署前测试变更。见主题 3.4 — 变更赋能。

安全。 工作流持有凭据,并调用有权力的系统。给它们自己的身份和最低限度的权限,安全地存放机密,并审查谁可以修改工作流。见主题 3.13 — 信息安全管理。

这些视角如何契合。 工作流工具是自动化视角的管线。敏捷实践建议与用户一起小步构建工作流。AI 可以在流程内对请求分类、起草内容并给出建议,并有人工审查。分析利用状态和时间数据发现延迟。

最佳实践

  1. 构建之前先绘制并简化。 画出现状的流程,去掉没有增加价值的步骤,并与相关的人就未来的流程达成一致。见主题 6.1 — 自动化策略。
  2. 让工作流小而清晰。 倾向于几个带有明确交接的短工作流,而不是一个庞大的工作流。用通俗语言命名各步骤,使支持人员能够跟上。
  3. 把每一步设计成可安全重复。 尽可能让步骤幂等,使重试无害。在做不到的地方,增加检查以发现该步骤是否已经发生过。
  4. 为失败做规划。 对每一步,决定失败时会发生什么:带退避和上限的重试、补偿,或转交给人。把未解决的失败送入有负责人的、可见的队列。
  5. 把人工任务当作一等公民。 规定是谁、他们看到什么、他们有多长时间、提醒,以及超时或缺席时会发生什么。提供一位代理人。
  6. 向用户显示状态。 让请求者看到请求处于什么阶段,以及接下来预期是什么。在有意义的节点而不是每一步发送通知。
  7. 记录并追踪每个实例。 记录触发、输入、输出、决策和批准人。让人们易于通过引用编号查找某个实例。
  8. 控制对工作流的变更。 把定义保存在版本控制中,评审变更,在安全环境中测试,并决定如何处理正在运行的实例。
  9. 管理连接。 保留一份集成登记册,列出每个系统的负责人、凭据和联系点。监控失败,并留意已公布的接口变更。
  10. 评审绩效。 查看每一步的耗时、等待、失败和例外。利用数据去除瓶颈,并淘汰没人使用的工作流。

与团队讨论的问题

我们的哪些流程在人与系统之间传递工作最多?工作在哪里丢失? 追踪一个真实的例子。预期在某处会有电子邮件或聊天的交接。追问:选择一个交接去自动化。

今天,当一个流程中途某一步失败时会发生什么?谁知道? 想想账户在一个系统中创建成功而在另一个系统中失败的情形。预期会不一致。追问:为一个工作流设计一条失败路径。

我们的哪些批准停滞了?如果批准人不回应应当发生什么? 查看等待最久的条目。预期有长时间的延迟。追问:商定提醒、代理人和超时规则。

我们的工作流所依赖的每个集成由谁负责?我们怎么知道它坏了? 列出这些集成。预期会有孤儿。追问:指定负责人并增加针对失败的告警。

哪些工作流是由一个人用低代码工具构建的,可能没有其他人理解? 四处询问。预期有若干个。追问:记录前三个,并把它们放入版本控制或共享登记册。

AI 在工作流内能在哪里帮上忙?哪里必须由人来决定? AI 可以分类、起草和建议。涉及访问权限和金钱的事应由人决定。追问:选择一步,在有评审的情况下试用,并设定正确路由的度量。

实践:一个服务管理示例

一家区域银行的 HR 和 IT 团队通过电子邮件管理“入职、调岗、离职”事件。一名新员工需要账户、笔记本电脑、门禁权限、薪资记录和培训报名,由五个团队处理。每个团队从 HR 收到一封邮件,完成自己的部分,有时回复。约五分之一的新员工在第一天缺少某样东西。

服务经理提议在银行的工单平台上建立一个单一的工作流,该平台带有工作流引擎和连接器。她首先与这五个团队一起绘制流程,发现其中三项审批从未被拒绝过。新设计取消了两项,保留了一项,来自新员工的经理。HR 对新员工的记录触发工作流。它创建一个父事务和五个子任务,每个分配到合适团队的队列,尽可能并行运行。账户创建通过身份系统连接器自动化;笔记本电脑任务交给技术人员;门禁权限连同入职日期交给设施部门。

团队为失败做了设计。账户创建是幂等的:连接器在创建之前先检查账户是否存在。如果连接器带退避连续失败两次,任务就连同错误信息进入技术人员的队列,并向工作流负责人发出告警。人工任务一天后提醒,三天后升级给团队负责人。每个事务向 HR 和新员工的经理显示其状态。

三个月后,第一天缺少某样东西的新员工比例降到约 4%。审计追踪使服务台能在一分钟内回答“它在哪里?”。仍然困难的是:薪资连接器依赖一个供应商接口,它曾在没有通知的情况下改变过一次,导致一次失败的运行,直到增加告警之前两天都没有人发现;设施团队仍使用电子表格工作,并手工复制事务数据;调岗和离职事件的例外更多,尚未纳入。经理计划下一步处理调岗事件,并要求供应商提供变更通知。

四种视角

产品与交付团队

暴露稳定、有文档的 API 和事态,供工作流使用,并附有清晰的错误信息。提前告诉工作流负责人变更。对你自己的发布工作流使用同样的理念。

服务与运维团队

拥有你所运行的工作流和集成:日志、告警、失败队列和文档。及时处理例外,并把规律带给工作流的负责人。

领导层与治理

要求提供旅程视图,每个跨团队的工作流都有负责人。为集成的维护出资。寻找流程更快、更可靠的证据,而不是工作流的数量。

客户与用户

你应当看到请求的状态,并在无需追问的情况下得到你所要求的东西。当某一步需要你的输入时,应当清楚需要什么以及何时需要。

敏捷、AI、自动化与分析

敏捷

与使用者一起,每次构建一条旅程的工作流,发布小的改进,并评审结果。注意:一次把每个流程都迁移的平台推出会成倍增加风险;从一条旅程开始。

AI

AI 可以对到来的请求分类、从自由文本中提取细节、起草消息并建议路由,在行动之前由人或规则检查。指定负责人并跟踪更正。注意:工作流中的 AI 步骤可能大规模地把工作送到错误的地方;抽查结果并保留一个后备队列。见主题 5.1 — 服务管理中的 AI。

自动化

工作流是这个视角的核心。以幂等的步骤、限制和日志来构建,并让每个集成都有人负责并受到监控。注意:触及许多系统的工作流会让错误广泛扩散;增加速率限制和停止开关。见主题 6.1 — 自动化策略。

分析

利用工作流数据了解每一步的耗时、等待批准的时间、失败率、例外,以及按类型划分的数量。注意:时间数据反映步骤是如何定义的,可通过拆分或重新分类任务来钻空子;要用样本案例核对。见主题 7.6 — 流程与价值流分析和《服务管理度量》一书。

常见失败模式

  • 把糟糕的流程自动化。 浪费被保留下来。先简化并商定流程。
  • 没有失败设计。 某一步失败,实例卡住。定义重试、补偿和队列。
  • 非幂等的重试。 产生重复。使步骤可安全重复,或先检查。
  • 批准停滞。 工作等待一位缺席的人。增加提醒、代理人和超时。
  • 集成无声地失败。 连接器坏了,没人知道。监控并告警。
  • 无人负责的低代码流程。 没人理解它们。登记、记录并评审。
  • 随意更改定义。 正在运行的实例被破坏。对变更做版本管理并测试。

成熟度模型

维度 起步 发展 标准化 管理 协同
设计 通过电子邮件交接 少数几个简单的工作流 已绘制、简化且有负责人的旅程 根据数据改进工作流 旅程跨系统和合作伙伴编排
可靠性 坏了也不被察觉 基本告警 定义了重试、失败队列和幂等步骤 度量并减少失败 带人工升级的自检流程
人工任务 临时 通过电子邮件批准 定义了任务、提醒和代理人 度量任务的延迟 按风险平衡并自动化人工任务
控制 无记录 一些日志 版本控制、审计追踪和登记册 评审并审计变更 治理与平台整合

检查清单

  • 我们在自动化每个流程之前先绘制并简化了它。
  • 工作流小而清晰,用通俗语言命名,并有负责人。
  • 步骤是幂等的,或受到防止重复的保护。
  • 定义了失败路径和队列,并带有告警。
  • 人工任务有提醒、代理人和超时。
  • 每个实例都被记录并可追溯。
  • 定义在版本控制中,变更经过测试。
  • 集成有负责人和监控。

AI 提示词

把程序变成工作流大纲。

这是我们今天如何处理 [请求类型] 的描述:[粘贴步骤以及各步骤由谁负责]。
请起草一份工作流大纲,包含:触发、步骤(标明每一步是自动的、人工的还是批准)、步骤之间传递的数据,以及每一步在失败或无回应时应发生什么。标明每一项假设。不要编造系统或规则。
请列出你不确定的事项。

找出流程中的失败点。

这是我们以纯文本表示的工作流定义:[粘贴]。
请列出每个调用其他系统的步骤、可能出什么问题、它看起来是否可安全重试,以及支持人员修复它所需要的信息。不要改写工作流。
请列出你不确定的事项。

根据工作流数据分析延迟。

这是工作流实例的导出数据,带有步骤名称、开始和结束时间以及结果,已去除标识符:[粘贴]。
请计算每个步骤的耗时中位数和第 90 百分位数,列出三个最长的等待,按步骤统计失败,并列出需要调查的问题。不要推断原因。
请列出你不确定的事项。

AI 技能

主要来源

  • OMG, Business Process Model and Notation (BPMN) specification:流程图的标准记法。
  • Gregor Hohpe 和 Bobby Woolf,Enterprise Integration Patterns(2003):连接系统的模式目录。
  • Wikipedia, "Workflow" 和 "Orchestration (computing)":对这些理念的概述。
  • Wikipedia, "Idempotence":使重试安全的特性。

参考文献

  1. Workflow — Wikipedia — https://en.wikipedia.org/wiki/Workflow
  2. Workflow engine — Wikipedia — https://en.wikipedia.org/wiki/Workflow_engine
  3. Workflow management system — Wikipedia — https://en.wikipedia.org/wiki/Workflow_management_system
  4. Orchestration (computing) — Wikipedia — https://en.wikipedia.org/wiki/Orchestration_(computing)
  5. Business Process Model and Notation — Wikipedia — https://en.wikipedia.org/wiki/Business_Process_Model_and_Notation
  6. Finite-state machine — Wikipedia — https://en.wikipedia.org/wiki/Finite-state_machine
  7. Event-driven architecture — Wikipedia — https://en.wikipedia.org/wiki/Event-driven_architecture
  8. Idempotence — Wikipedia — https://en.wikipedia.org/wiki/Idempotence
  9. Exponential backoff — Wikipedia — https://en.wikipedia.org/wiki/Exponential_backoff
  10. Dead letter queue — Wikipedia — https://en.wikipedia.org/wiki/Dead_letter_queue
  11. Human-in-the-loop — Wikipedia — https://en.wikipedia.org/wiki/Human-in-the-loop
  12. Audit trail — Wikipedia — https://en.wikipedia.org/wiki/Audit_trail