1、如何定义 Workflow、Agent、Agentic 的联系和区别？
从第 7 问开始，之所以会转到 Workflow，是因为当下讨论较多的 "Workflow 是否会被 LLM 颠覆" 这个问题，是一个典型的 LLM 侵蚀工程化、产品化的案例，很多人在工程、产品上做了大量的原创设计和调优工作，某一天却被 LLM 直接接管了。而 Workflow 更加特别，由于他的功能和定位，影响到的群体更大。
Workflow，即工作流，常见于应用编排框架中，是将任务依据特定业务逻辑有序排列的流程，以实现业务流程自动化处理。任务之间有清晰的依赖关系和流转规则，每个任务都有明确的输入、输出和执行逻辑。定义他的是人，优点是确定性足够强，不太会出错，短板是不够泛化。而 LLM 是足够泛化，但确定性不够。
从语义上看，Agent 是一个名词， Agentic 是一个形容词，前者是以二元的方式来判断某个东西是否是智能体，后者则是更倾向于讨论一个系统的智能体程度。讨论 Agent 的时候，很容易进入将是否使用了 Workflow 来判断这是否一个 AI Agent，尤其是在 Workflow 中了定义了大量的 if/else 逻辑，减弱了大语言模型控制力的时候。讨论 Agentic 的时候，关注的是判断流程是否进入下一步、判断流程是否最终完成、判断是否出现问题、判断出现问题后是否把控制权限交给用户等流程节点时，是由 Workflow 来控制，还是有 LLM 来控制。LLM 控制越多，智能程度越高，反之越低。
现阶段，很多 AI Agent 都存在 Workflow 和 LLM 结合的情况。结合的方式包括：
- LLM 赋能 Workflow：在工作流的各个任务环节中，嵌入大模型能力。例如在内容创作工作流里，在素材收集阶段，大模型可对海量的文本、图像等素材进行智能筛选和分类，快速定位符合需求的资源；在创作环节，利用大模型生成初步内容框架或文案，像新媒体文章创作，大模型能依据主题生成文章大纲和部分段落内容，创作者在此基础上优化完善，提升创作效率。
- Workflow 驱动 LLM 交互：以工作流的流程逻辑来引导大模型的交互过程。比如在智能客服工作流中，当用户咨询问题时，工作流先对问题进行初步分类，然后根据分类结果调用大模型进行针对性回答。若问题涉及产品使用方法，工作流将问题精准传递给已在产品知识上微调的大模型，获取准确答案后返回给用户，确保回答的专业性和高效性。
2、Workflow 和 LLM 如何选择？
首先澄清下，这个标题并不是引导二选一。如第 7 个 Q&A 所说，大多数实际生产中，AI Agent 的任务处理逻辑设计，是 Workflow 和 LLM 的组合。之所以业内有这样的争论，也许是因为 LLM 派信仰的是智能本身，可以通过指令来提升智能的确定性（参考第 6 个 Q&A 中的对话案例），Workflow 派信仰的是智能无法覆盖所有场景，必然有场景需要通过 Workflow 来精确决定数据的流动方式。
《How to think about agent frameworks》给出了一个采用 Workflow 和 LLM 的权衡方式。
图中使用的是 workflow vs. agents，为区别 AI Agent，本文改为 workflow vs. LLM 来描述
- 低门槛：低门槛框架对初学者友好，容易上手。但自由度会下降，尤其是要去满足复杂的业务需求的情况下。
- 高门槛：高门槛框架意味着学习曲线陡峭，需要具备大量知识或专业技能才能有效使用，但更适用于解决复杂的业务场景。
- 低上限：低上限框架指的是其在所能完成的任务上存在限制。
- 高上限：高上限框架为高级用例提供广泛的功能和灵活性。
Workflow：上限高，门槛高，你必须自己编写大量的智能体逻辑。
LLM：门槛低，上限也低，容易上手，但对于复杂用例来说不够用。
以上来自 Langchain 的观点，信仰 LLM 的人一定不认可 "LLM 是门槛低，上限也低，容易上手，但对于复杂用例来说不够用" 的论断，随着 LLM 更加智能，并通过对话的方式帮助用户来完善指令，并借助画布等产品交互方式，降低指令的优化难度。完善的内容包括任务的描述完整度和准确度，任务的拆解，每一步骤和用户进行确认，从而减少甚至避免单个步骤 90% 准确率，10 个步骤准确率陡降为 90% 的 10 次方的情况。
以这种方式来提升 LLM 在复杂用例的表现。本质上，这是两种技术 / 产品流派的碰撞。
