Workflow vs Agent：AI应用选型框架
01 正本清源：核心定义与区分
Anthropic提出的"代理式系统"(Agentic Systems)概念，将AI应用分为两个核心类别：
工作流 (Workflow)
- 定义：任务流程由人类预先编码固定，LLM作为"超级函数"嵌入特定步骤执行子任务
- 核心特征：决策权在代码，不在LLM
- 类比：自动化工厂流水线——流程固定、产出稳定、可预测
智能体 (Agent)
- 定义：系统仅被赋予总目标，由LLM动态决定"下一步做什么"、"使用什么工具"、"何时完成"
- 核心特征：决策权在LLM，不在代码
- 类比：探索未知大陆的探险家——路径未知、需要自主决策
区分关键：完成任务的"路线图"是人预先画好的，还是AI自己边走边画的？
02 技术选型金字塔
Anthropic的黄金原则："简单优先 (Start simple)"——只有当更简单的方案无法满足需求时，才增加复杂性。
层级 方案 适用场景 核心优势 第一层 优化单个LLM调用 简单任务 成本最低、速度最快 第二层 工作流 (Workflow) 流程固定、质量要求高 结果可预测、一致性强 第三层 智能体 (Agent) 开放式任务、需大规模自主决策 灵活性最高、能力最强
关键洞察：Agent虽强大，但也是最复杂、最昂贵的方案，不可滥用
03 实战案例：翻译工具的选型决策
场景一：单个LLM调用 → 成本优先
- 实现：单Prompt："请将以下文本翻译成中文，并检查语法"
- 决策依据：速度和成本优先，"足够好"即可
- 适用场景：快速理解外文内部邮件大意
场景二：工作流 (Workflow) → 质量优先
- 实现：两步提示链：
- "翻译专家"LLM全力翻译
- "母语编辑"LLM全力润色
- 决策依据：质量和可靠性至关重要，愿意承担更高成本
- 适用场景：翻译对外发布的官网介绍或营销文案
- 原理：将"创作"和"批判"两个认知不同的任务分离，显著提升质量
场景三：智能体 (Agent) → 灵活性优先
- 实现：赋予总目标，让Agent自主规划
- 决策依据：任务开放式，需要动态探索和决策
- 适用场景："将英文文件翻译并发布到全球多市场本地化博客，根据当地文化和SEO优化"
- Agent能力：自主调研各市场文化、搜索SEO关键词、多次迭代、决定发布API
04 架构演进：从Workflow到Agent的混合模式
现代企业级AI应用往往采用混合架构 ：
宏观Agent + 微观Workflow：Agent负责意图识别和任务分发，Workflow执行具体原子任务
示例：运维Agent接收"排查服务器故障"指令后：
- Agent层：自主判断需检查CPU和内存
- Workflow/Skill层：调用固定的"服务器巡检脚本"获取数据
- Agent层：根据数据生成报告
这种分层设计既保留了Agent的灵活性，又确保了关键步骤的可控性。
05 选型决策矩阵
场景特征 推荐方案 典型应用 低容错 + 低复杂度 Workflow 财务报销审批、发票录入 高容错 + 高复杂度 Agent + Skills 创意写作助手、开放式数据分析 中间地带 混合模式 智能客服、代码助手、运维诊断
06 总结：避免"Agent滥用"
Workflow与Agent并非竞争关系，而是处于"自主性光谱"不同位置的解决方案 。
作为AI产品经理或开发者，我们的任务不是追求最炫酷的技术，而是基于对业务场景（质量、风险）、成本和速度的深刻理解，在"技术选型金字塔"中找到最恰当的那一层。
核心原则：Agent虽好，但不要滥用。简单问题用简单方案，复杂问题才用复杂方案。
