Exécution parallèle, étapes de boucle et conditions : les patterns de workflow qui comptent vraiment

Un workflow qui n’est qu’une chaîne linéaire de recettes — l’étape 1 alimente l’étape 2 alimente l’étape 3 — gère beaucoup de cas d’usage. Mais les vrais processus métier branchent, bouclent, exécutent des choses simultanément, nécessitent une validation humaine et interagissent avec des systèmes externes. Les huit types d’étapes de JieGou vous permettent de modéliser ces patterns.

Étapes recette : le bloc de construction

Une étape recette exécute une seule recette IA avec des entrées mappées et une sortie structurée. C’est l’unité fondamentale de travail dans tout workflow.

Quand l’utiliser : Chaque fois que vous avez besoin que l’IA fasse quelque chose — extraire des données, générer du contenu, analyser une entrée, classifier des éléments.

Choix de conception clé : Les mappings d’entrée. Chaque champ d’entrée est mappé à une source : une valeur statique, une entrée au niveau du workflow, la sortie d’une étape précédente ou un élément de boucle. Le mapping step_1.company_overview signifie « prendre le champ company_overview de la sortie de l’étape 1 ». C’est ainsi que les données circulent entre les étapes.

Conseil : Utilisez le modèle le moins cher qui produit une sortie acceptable. N’utilisez pas Opus pour une simple étape de formatage que Haiku gère très bien.

Étapes condition : logique de branchement

Une étape condition évalue une valeur contre une comparaison et branche vers thenSteps ou elseSteps.

Huit opérateurs sont disponibles : equals, not_equals, contains, not_contains, greater_than, less_than, is_empty, is_not_empty.

Quand l’utiliser :

• Router les leads qualifiés vs. non qualifiés vers des chemins différents
• Gérer les erreurs différemment selon la sévérité
• Sauter des étapes quand des données manquent
• Protéger les étapes coûteuses derrière un contrôle de qualité

Exemple — Traitement de factures :

Étape 1 : Extraire les données de la facture
Étape 2 : Vérifier les écarts
Étape 3 : Condition (nombre_ecarts > 0)
  Alors : Router vers l'approbation du manager
  Sinon : Archiver automatiquement la facture

La condition vérifie step_2.discrepancy_count contre 0 en utilisant greater_than. Pas d’appel IA nécessaire — c’est de la logique pure.

Conseil : Utilisez les conditions après les étapes d’extraction pour valider que l’IA a effectivement trouvé les données dont vous avez besoin. Vérifier is_not_empty sur un champ critique empêche les étapes en aval de s’exécuter sur des données incomplètes.

Étapes boucle : traitement de collections

Une étape boucle itère sur une collection, exécutant ses loopSteps imbriquées pour chaque élément. La source de la collection est un champ de la sortie d’une étape précédente — typiquement un tableau.

Quand l’utiliser :

• Traiter chaque candidat dans un lot de recrutement
• Analyser chaque ligne d’une facture
• Générer du contenu pour chaque canal à partir d’un plan de contenu
• Réviser chaque clause d’un contrat

Exemple — Screening par lots de candidats :

Étape 1 : Parser la liste de candidats → sorties candidates[]
Étape 2 : Boucle sur candidates
  Étape 2.1 : Screener le CV (entrée mappée sur loop_item)
  Étape 2.2 : Générer les questions d'entretien (si qualifié)

Chaque itération obtient l’élément courant via le mapping loop_item. La boucle agrège toutes les sorties d’itération en un seul résultat.

Conseil : Gardez les corps de boucle légers. Si vous exécutez 50 itérations et que chacune a 3 étapes recette, c’est 150 appels IA. Utilisez le modèle le plus économique efficace à l’intérieur des boucles.

Étapes parallèles : exécution concurrente

Une étape parallèle exécute plusieurs branches simultanément en utilisant Promise.allSettled(). Chaque branche est une séquence indépendante d’étapes. Toutes les branches démarrent en même temps ; l’étape parallèle se termine quand toutes les branches se terminent (ou échouent).

Quand l’utiliser :

• Générer du contenu pour plusieurs canaux simultanément
• Exécuter des analyses indépendantes qui ne dépendent pas les unes des autres
• Traiter plusieurs sources de données en même temps
• Accélérer les workflows où les étapes n’ont pas de dépendances

Exemple — Génération de contenu multi-canal :

Étape 1 : Analyser l'article de blog
Étape 2 : Parallèle
  Branche A : Générer des posts LinkedIn
  Branche B : Générer un thread Twitter
  Branche C : Générer une section newsletter
  Branche D : Générer le texte de campagne email

Les branches A à D s’exécutent concurremment. Chacune obtient un instantané de la map de sortie au moment où l’étape parallèle démarre — elles peuvent lire les étapes précédentes mais ne peuvent pas voir les sorties des autres pendant l’exécution.

Comportement clé : Si la branche B échoue, les branches A, C et D continuent et se terminent normalement. Promise.allSettled signifie qu’un échec ne tue pas le reste. Après l’étape parallèle, vous pouvez vérifier quelles branches ont réussi.

Conseil : Les étapes parallèles sont idéales quand vous avez besoin de la même entrée traitée de plusieurs façons. L’amélioration de vitesse est significative — quatre branches concurrentes se terminent en approximativement le même temps qu’une seule étape séquentielle.

Étapes approbation : points de contrôle humains

Une étape approbation met en pause le workflow et envoie une notification (typiquement par email) à un approbateur. Le workflow ne reprend que quand l’approbateur agit : approuver, rejeter ou fournir une entrée.

Quand l’utiliser :

• Avant d’envoyer du contenu destiné aux clients
• Avant d’exécuter des transactions financières
• Après une analyse générée par IA qui informe une décision business
• À tout point où un jugement humain est requis avant de procéder

Exemple — Pipeline de publication de contenu :

Étape 1 : Générer le brouillon d'article de blog
Étape 2 : Approbation (le content manager révise)
Étape 3 : Générer les posts réseaux sociaux à partir du brouillon approuvé
Étape 4 : Approbation (le responsable marketing révise le package final)

Deux portes d’approbation : une après la génération du brouillon, une avant la publication. Le content manager peut rejeter le brouillon et fournir des retours, causant l’arrêt du workflow. Ou il approuve, et le workflow continue pour générer le contenu dérivé.

Contrainte : Les étapes d’approbation ne peuvent pas être imbriquées dans des étapes de boucle ou de condition. Elles fonctionnent au niveau supérieur du workflow ou dans des branches parallèles. C’est un choix de conception délibéré — mettre en pause une itération de boucle en milieu d’exécution crée une complexité de gestion d’état qui justifie rarement le cas d’usage.

Conseil : Les étapes d’approbation peuvent inclure un schéma d’entrée optionnel. Utilisez-le quand l’approbateur doit fournir des données — notes de révision, montant de budget approuvé, options sélectionnées — dont les étapes en aval ont besoin.

Étapes écriture en KB : construire des connaissances institutionnelles

Une étape écriture en KB capture la sortie d’une étape précédente et l’écrit dans un document de base de connaissances. Le workflow continue immédiatement — c’est une écriture fire-and-forget qui ne bloque pas l’exécution.

Quand l’utiliser :

• Sauvegarder les résolutions de tickets de support pour que les futures exécutions les référencent via RAG
• Construire une bibliothèque croissante de contrats analysés, résumés de réunions ou briefs de recherche
• Créer des enregistrements consultables des sorties générées par IA pour audit ou réutilisation

Exemple — Base de connaissances des résolutions de support :

Étape 1 : Trier et classifier le ticket (recette)
Étape 2 : Rédiger la résolution (recette)
Étape 3 : Approbation (le responsable support révise)
Étape 4 : Écriture en KB (sauvegarder la résolution dans la KB « Résolutions Support »)
Étape 5 : Envoyer la réponse au client (recette)

Après que la résolution est approuvée, elle est écrite dans une base de connaissances. Les futures exécutions de triage peuvent récupérer des résolutions similaires via RAG, rendant chaque résolution plus intelligente que la précédente.

Conseil : Associez les étapes écriture en KB avec les bases de connaissances à contexte automatique. Quand une KB est liée à une recette ou un département, ses documents sont automatiquement inclus comme contexte dans les futures exécutions — pas de câblage manuel nécessaire.

Étapes transfert : notification humaine sans blocage

Une étape transfert envoie une notification (email et in-app) aux utilisateurs d’un département cible. Contrairement aux étapes d’approbation, les transferts ne mettent pas en pause le workflow — ils alertent quelqu’un et continuent.

Quand l’utiliser :

• Escalader un problème vers une autre équipe sans arrêter le pipeline
• Notifier un département que du travail est prêt à être pris en charge
• Alerter les parties prenantes de quelque chose que le workflow a trouvé

Exemple — Détection d’incident avec transfert à l’ingénierie :

Étape 1 : Analyser les logs d'erreur (recette)
Étape 2 : Classifier la sévérité (recette)
Étape 3 : Condition (sévérité == "critique")
  Alors :
    Étape 3a : Transfert à l'ingénierie (notification)
    Étape 3b : Générer le rapport d'incident (recette)
  Sinon :
    Étape 3c : Journaliser dans le tableau de bord de monitoring (recette)

Le transfert notifie l’équipe d’ingénierie immédiatement, mais le workflow n’attend pas leur réponse — il continue à générer le rapport d’incident en parallèle avec la réponse humaine.

Conseil : Utilisez les transferts pour les notifications « pour info » et les approbations pour les « veuillez décider ». Si les étapes en aval dépendent du jugement humain, utilisez une approbation. Si ce n’est pas le cas, un transfert maintient les choses en mouvement.

Étapes action navigateur : interagir avec les applications web

Une étape action navigateur exécute un appel d’outil MCP via l’extension navigateur JieGou. Elle peut cliquer sur des boutons, remplir des formulaires, lire le contenu de pages, prendre des captures d’écran et interagir avec des fonctionnalités spécifiques de plateformes comme Gmail, Slack, Jira et d’autres applications web.

Quand l’utiliser :

• Remplir un formulaire dans un outil interne basé sur les données du workflow
• Lire des données d’une page web qui n’a pas d’API
• Prendre une capture d’écran d’un tableau de bord pour un rapport
• Interagir avec des systèmes legacy qui n’ont qu’une interface web

Exemple — Mise à jour CRM après qualification de lead :

Étape 1 : Rechercher le prospect (recette)
Étape 2 : Qualifier le lead (recette)
Étape 3 : Action navigateur (mettre à jour l'enregistrement Salesforce avec les données de qualification)
Étape 4 : Action navigateur (ajouter une note au contact HubSpot)

L’extension navigateur s’exécute dans une fenêtre d’automatisation dédiée, pour ne pas interférer avec votre session de navigateur active. Les arguments de template mappent les données du workflow dans l’appel d’outil — {{step.step_2.qualification_score}} devient la valeur remplie dans le champ CRM.

Conseil : Les étapes action navigateur fonctionnent le mieux pour le dernier kilomètre — pousser des données générées par IA dans des systèmes qui n’ont pas d’accès API. Pour les systèmes avec des intégrations API (via des serveurs MCP comme Salesforce, HubSpot, Jira), utilisez plutôt des étapes recette avec des outils MCP, car elles sont plus rapides et plus fiables.

Combiner les patterns

Les workflows les plus efficaces combinent plusieurs types d’étapes :

Traitement de leads avec prospection parallèle :

Étape 1 : Rechercher le prospect (recette)
Étape 2 : Qualifier le lead (recette)
Étape 3 : Condition (score_qualification >= seuil)
  Alors :
    Étape 3a : Parallèle
      Branche A : Rédiger l'email (recette)
      Branche B : Rédiger le message LinkedIn (recette)
    Étape 3b : Revue commerciale (approbation)
  Sinon :
    Étape 3c : Archiver le lead (recette)

Traitement par lots de factures :

Étape 1 : Parser le lot de factures → invoices[] (recette)
Étape 2 : Boucle sur invoices
  Étape 2.1 : Extraire les données (recette)
  Étape 2.2 : Vérifier les écarts (recette)
  Étape 2.3 : Condition (a des écarts)
    Alors : Signaler pour revue (recette)
    Sinon : Marquer comme propre (recette)
Étape 3 : Générer le rapport de synthèse (recette)
Étape 4 : Approbation du directeur financier (approbation)

Ces patterns se composent naturellement parce que chaque type d’étape a une sémantique claire : les recettes font le travail IA, les conditions branchent, les boucles itèrent, les parallèles distribuent et les approbations mettent en pause.

Le mapping d’entrée est la colle

Les types d’étapes sont les verbes. Les mappings d’entrée sont le tissu conjonctif. Les entrées de chaque étape recette sont mappées à l’une des quatre sources :

• static — Une valeur codée en dur
• workflow_input — Une valeur des entrées de niveau supérieur du workflow
• step_output — Un champ de la sortie d’une étape précédente (par ex., step_1.summary)
• loop_item — L’élément courant dans une itération de boucle

Bien configurer les mappings d’entrée est la partie la plus importante de la conception de workflow. JieGou inclut un auto-mapping qui fait correspondre les champs par nom et type, mais revoir et ajuster les mappings manuellement assure que les données circulent correctement.