1. Agent 是什么
Agent（智能体）不是普通“问一句答一句”的聊天模型，而是一个围绕目标执行多步任务的系统。
官方定义里，Agent 通常具备这些特征：会规划、会调用工具、能和其他专长模块协作，并保留足够的状态/记忆来完成多步骤工作。OpenAI 的 Agents SDK 就把 Agent 定义为：会规划、调用工具、跨专家协作，并保存足够状态以完成多步工作；LangChain 也把 Agent 描述为“模型 + 工具”的循环系统，会决定用什么工具并迭代推进到结果。
你可以把它和普通大模型区分成一句话：
LLM 更像会回答问题的“大脑”，Agent 更像会自己推进任务的“执行者”。 它不仅输出文字，还会查资料、调接口、操作数据库或工作流，然后再继续下一步。
2. Workflow-Agent 是什么
Workflow-Agent 不是一个特别严格统一的学术名词，工程上通常有两种常见理解：
第一种：工作流驱动的 Agent
也就是“Agent 跑在一个流程里”，整体步骤大体是预先设计好的，只是在某些节点让模型做判断。Anthropic 把这类系统和更自主的 agent 都归到 agentic systems 里，但特别区分了 workflow 和 agent；LangGraph 也明确说：workflow 是预定义路径，agent 是动态决定过程和工具使用。
第二种：Agentic Workflow（智能体工作流）
也就是一个完整流程里，包含多个 Agent、工具、控制逻辑。OpenAI 的 Agent Builder 文档就直接写了：workflow 是 agents、tools 和 control-flow logic 的组合。这说明很多平台里，“workflow”和“agent”并不是对立关系，而是常常组合使用。
所以更直白地说：
- Workflow：路线基本提前写好
- Agent：路线可以边做边决定
- Workflow-Agent：通常是“带有 Agent 能力的工作流”或者“受工作流约束的 Agent”
3. ReAct-Agent 是什么
ReAct = Reason + Act，意思是：
模型不是直接给答案，而是走这种循环：
思考（Reason/Thought）→ 行动（Act/Action）→ 观察结果（Observation）→ 再思考 → 再行动，直到得到最终答案。
ReAct 这套方法最早来自论文 ReAct: Synergizing Reasoning and Acting in Language Models，核心思想就是把“推理痕迹”和“动作执行”交错起来，让模型边想边做。
ReAct Agent 很适合：
- 需要查外部信息再回答
- 需要多次调用工具
- 中间步骤需要动态修正
- 希望过程更可解释
LangChain 里曾经就直接提供过 create_react_agent；不过在 LangChain v1 里，官方把重点转向了更通用的 createAgent，并说明它替代了来自 LangGraph 的 createReactAgent。这也说明 ReAct 现在更像一种经典 Agent 设计范式，而不是唯一主流实现方式。
4. 三者怎么区分
最简单的区分方式是：
Agent
以“完成目标”为中心，能动态决定下一步。
Workflow-Agent
以“流程编排”为中心，流程通常更可控、更稳定，Agent 只是其中一个决策部件，或者整个系统是“工作流 + Agent”的组合。
ReAct-Agent
是 Agent 的一种经典实现方式，特点是“边推理边行动”。
一句话总结：
- Workflow 偏固定路线
- Agent 偏自主决策
- ReAct Agent 偏“想一步、做一步、看结果再继续”
