需要补的：
- Execution Engine
- flow engine
- 长程 agent ？
- 真正的 RL 为核心的区别？
- 如何表达 和执行分支、loop
- 不同平台实现和表达 loop 的不同
你已经在做的（前端）是：
- 节点
- 连线
- 参数配置
- 执行状态可视化
你现在需要补的是：
👉 这些东西在后端“意味着什么”
1️⃣ 一个工作流 Agent 平台，后端一定在做什么？
无论 Dify / LangGraph / 内部系统，本质上都逃不开这 6 个模块：
[Workflow DSL] ↓ [Execution Engine] ↓ [State Store] ↓ [Tool Runtime] ↓ [LLM Gateway] ↓ [Observability & Eval]
你要补的不是“代码”，而是每一层的输入 / 输出是什么。
2️⃣ 你需要真正理解的 6 个输入 / 输出（重点）
（1）Workflow DSL（定义层）
输入：
-
节点类型（LLM / Tool / Condition / Loop）
-
边（执行顺序、条件）
-
参数绑定（变量名、上下文）
输出：
- 一份可执行的结构化定义（JSON / AST）
👉 你要能回答：
-
为什么不用自然语言定义？
-
DSL 如何支持版本演进？
（2）Execution Engine（执行层）
输入：
-
Workflow 定义
-
初始上下文（input）
输出：
-
每一步的执行结果
-
最终产出
-
中间状态（可回放）
👉 你要能讲清：
-
串行 vs 并行
-
Retry / Timeout
-
人工介入点（Human-in-the-loop）
（3）State Store（状态层）
输入：
-
中间结果
-
变量更新
-
Tool 输出
输出：
-
当前上下文快照
-
历史轨迹（trace）
👉 面试高频点：
-
为什么不能只用 prompt context？
-
长流程如何防止上下文爆炸？
（4）Tool Runtime（工具层）
输入：
-
Tool 定义（schema）
-
Agent 的调用请求
输出：
- 结构化结果 or 错误
👉 你要能讲：
-
Tool schema 的设计原则
-
同步 / 异步
-
错误如何反馈给 Agent
（5）LLM Gateway（模型层）
输入：
-
Prompt 模板
-
上下文
-
模型参数
输出：
-
原始响应
-
Token / Latency / Cost
👉 你要能讲：
-
为什么要有 Gateway
-
多模型切换的策略
（6）Observability & Eval（评测层）
输入：
-
执行日志
-
中间结果
-
Ground Truth（如果有）
输出：
-
成功率
-
质量评分
-
回放能力
👉 这是你在 AI Coding Agent 评测 中已经接触过的，只是没有系统化。