智能体与工作流

​

摘要

工作流执行预定义的顺序。智能体在变化的条件下追求目标。大多数真实系统都处在这两个极端之间。

​

为什么这很重要

许多产品和工程错误都来自选择了错误的控制模型。

• 如果任务很稳定，使用智能体可能会增加成本和不可预测性。
• 如果任务很模糊且不断变化，只使用僵硬的工作流会让系统脆弱且维护成本高。

选错模式往往比选错模型更有破坏性。

​

心智模型

最清晰的区别在于谁拥有下一步。

• 在 workflow 中，设计者拥有下一步。系统沿着带有显式分支的脚本化路径运行。
• 在 agent 中，运行时拥有下一步。系统根据当前状态、工具和目标选择动作。

这并不意味着工作流简单、智能体先进。它意味着二者解决的是不同的协调问题。 工作流在以下情况下最强：

• 路径已知
• 规则稳定
• 可审计性比灵活性更重要

智能体在以下情况下最强：

• 路径无法提前完全知道
• 系统需要搜索、探索或适应
• 任务运行期间环境可能变化

​

架构图

​

工具生态

最有用的产品通常是混合体，而不是任一侧的纯粹样本。

• 工作流可能会在某个模糊步骤调用智能体。
• 智能体可能在更大的工作流中运行，并带有严格的进入、审批和退出点。
• 研究或编码系统可能使用类似工作流的阶段，但在每个阶段内部使用智能体式决策。

这种混合设计通常是实践中的答案，因为它在结构有帮助的地方保留确定性结构，同时把自主性留给真正受益的部分。

​

取舍

• 工作流更容易测试和审计，但当边界情况不断增多时，维护成本很高。
• 智能体适应性更强，但需要更强的防护、可观测性和回退设计。
• 混合系统在实践中通常最好，但它们需要比任一极端都更清晰的接口边界。

有用的默认选择：

• 对确定性的业务策略选择工作流
• 对有边界的探索和判断选择智能体
• 当合规、审批或不可逆操作很重要时，用工作流控制包裹智能体

​

延伸阅读

• 智能体系统
• 上下文工程
• 基础概览

​

更新日志

• 2026-04-21：基于导入的参考材料和实验室重写规则，完成初始的仓库原生草稿。