No-Code рабочие процессы (автоматизация DAG)
Последнее обновление: 8 нояб. 2026
Обзор
Рабочие процессы позволяют объединять шаги в автоматизированный конвейер — DAG (направленный ациклический граф) из узлов — без написания кода. Рабочий процесс может генерировать контент, вызывать возможности ИИ, обращаться к внешним API, ветвиться, выполнять циклы, ожидать, получать одобрения и публиковать результаты. Каждый шаг выполняется со своими собственными тайм-аутом, бюджетом и политикой ошибок, поэтому один нестабильный шаг не может выйти из-под контроля или подвесить весь запуск.
Типы узлов
Рабочие процессы поддерживают следующие типы шагов:
- Capability — вызов возможности ИИ (чат, изображение, TTS, перевод и т. д.)
- Tool — вызов зарегистрированного инструмента/функции
- HttpRequest — вызов внешней HTTP-конечной точки
- Branch — маршрутизация по условию
- Loop — итерация по коллекции
- FanOut / FanIn — распараллеливание и повторное объединение
- Transform — задание/преобразование переменных
- ArtifactSave — сохранение временного ресурса в ваш CDN
- Publish — отправка в канал (webhook, markdown-артефакт и т. д.)
- SubWorkflow — вызов другого рабочего процесса в качестве шага
- HumanApproval — пауза для получения одобрения
- Wait — задержка
- Webhook — POST на внешний хук
Управление на уровне шага
Каждый узел содержит:
- Timeout — сколько времени шаг может выполняться, прежде чем будет прерван.
- Error policy — что происходит при сбое: завершить запуск с ошибкой, повторить попытку или продолжить/игнорировать. Например, задайте для шага уведомления значение «игнорировать», чтобы сбой в нём не приводил к провалу всего запуска, и задайте для шага получения данных значение «повторить» для устранения временных сбоев на стороне источника.
Переменные и артефакты
- Variables передают данные между шагами. Шаги читают предыдущие выходные данные с помощью интерполяции
{{vars.name}}. - Artifacts — это выходные данные, которые вы сохраняете: ArtifactSave перехостит временные URL-адреса провайдера в постоянные URL-адреса Bunny CDN, чтобы ссылки не истекали.
Стоимость
Отдельной платы за выполнение рабочего процесса нет. Запуск тарифицируется как сумма BillingRecord каждого шага — ровно та же оплата за вызов, что и при ручном выполнении каждого шага. Шаги, не выполняющие вызовов ИИ (HTTP, transform, wait, webhook), ничего не стоят. Затраты на вложенные рабочие процессы суммируются в общий итог родительского запуска.
Запуск и мониторинг
Запустите выполнение, затем наблюдайте за ним на странице запусков рабочих процессов. Каждый запуск фиксирует свои шаги, их результаты и общую стоимость. Шаги, завершившиеся сбоем, отображают свою ошибку согласно политике ошибок шага.
Советы
- Назначайте внешним шагам/шагам уведомлений снисходительную политику ошибок (повторить или продолжить), а основным шагам — строгую.
- Используйте ArtifactSave для любых сгенерированных медиафайлов, которые хотите сохранить, — URL-адреса провайдера истекают.
- Выделяйте переиспользуемые подграфы в SubWorkflow и вызывайте его из нескольких родительских процессов.
- Проверяйте поток на дешёвых шагах echo/transform, прежде чем подключать дорогостоящие шаги возможностей ИИ.
Посмотрите, как это работает
How AI workflows work: one form in, a finished video out
A workflow is a ready-made recipe of AI steps. You pick a template, fill in a short form, and every step runs on its own until a finished video comes out. Here we follow one bedtime story video from the form to the result.
Это видео на английском языке.
What happens when you press Run? The anatomy of an AI workflow
Let's open one workflow and look inside. A workflow is a graph: each box is a step, the arrows set the order, and steps that don't depend on each other run side by side. Your answers flow into the steps, some steps check their own work and run again, some wait for your approval, and every AI call is recorded with its own cost.
Это видео на английском языке.
The building blocks of an AI workflow
Every workflow, from a bedtime story to a research report, is built from the same few blocks. The AI step sends a prompt to a model and gets back text, an image, a voice, music or a video. Knowledge blocks bring in facts with their sources. Quality blocks check the work, and a human approval waits for you. Logic blocks shape the flow with branches and loops. Output blocks join everything into one video and save the result.
Это видео на английском языке.