AI Agent 与 Workflow 有什么区别？应该如何选型？

简化版

核心区别是谁控制流程：Workflow 的执行路径主要由代码预先定义（代码决定下一步），Agent 让模型根据上下文和工具结果动态决定下一步（模型在边界内决定）。路径稳定、合规要求高 → 优先 Workflow；步骤难预知、需要探索和适应 → 用 Agent，但要接受更高的成本、延迟和不确定性。原则：从最简单的确定性方案开始，只在固定流程覆盖不了任务变化时才增加自主决策。

详细版

• Workflow：程序控制分支、顺序、重试、结束；
• Agent：模型在运行时选择部分步骤、工具、子任务；
• 可混合：固定审批流程内部嵌一个受限 Agent。

选型比五项：路径是否可枚举、失败代价、可审计要求、时延与成本预算、环境变化程度。

完整版教学

一、Workflow 的优势：可控、可测、可审计

固定流程容易做单元测试、容量规划、权限审计、故障恢复。看一个确定性流程：

读取发票 → 校验字段 → 查重 → 进入审批
  每一步都是代码写死的分支，输入相同则路径相同 → 可复现、可测试、可审计

关键认知：Workflow 里某一步调用模型做分类/抽取/生成，不会让整个系统变成 Agent——只要流程控制权在代码手里，它就是 Workflow。

二、Agent 的优势：应对不可预知的路径

开放式任务的下一步取决于刚获得的信息，很难预写所有分支：

故障诊断：
  先查指标 → 发现 CPU 异常 → 决定查进程列表（若是内存异常则会查别的）
             ↑ 下一步取决于上一步的结果，无法预先写死所有分支

Agent 能在工具白名单和预算内动态调整路径。代价：非确定性、更多模型调用、更长尾延迟、更复杂的安全与评估。

三、它们不是二选一，而是一条连续谱

自主程度应按需逐级增加，别把多 Agent 当默认终点：

① 单次模型调用
② 固定顺序的模型链
③ 带条件分支和循环的工作流
④ 受限 Agent 选择局部路径
⑤ 多 Agent 协作
   ← 复杂度、成本、不确定性递增；能用左边解决就别用右边

记忆钩子：先问谁掌握下一步的控制权，再问这份自主性是否真的换来了固定流程无法获得的成功率；能由代码稳定表达的路径，不必升级成 Agent。

四、选型问题清单（五连问）

问题	偏 Workflow	偏 Agent
步骤能否由业务规则完整描述？	能	不能
错误动作是否可逆、影响多大？	不可逆/影响大	可逆/影响小
是否需要稳定复现每次路径？	需要	可接受变化
动态规划的成功率提升能否覆盖成本？	不能	能
有无工具权限/超时/预算/人工审批？	——	必须有

前三项偏确定和高风险 → 让代码掌控主流程。

五、混合架构示例（最实用）

现实系统往往是「Workflow 为主干、Agent 为局部」：

售后系统：
  [Workflow] 身份校验 → 订单读取 → 退款审批 → 提交（确定性代码校验金额/权限）
       └─ 中间嵌一个 [受限 Agent]：理解用户复杂诉求、收集缺失信息
  高风险动作（退款金额、账户权限、最终提交）仍由确定性代码把关

既保留语言交互的灵活，又把高风险动作锁在稳定边界内——这是生产级 Agent 系统的典型形态。外层由代码控制、内层交给模型时边界怎么划，见「工作流和 Agent 能混着用吗？外层由代码控制、内层交给模型，边界怎么划？」。

六、怎样用数字验证选型收益

假设 1000 个工单中，800 个路径可枚举，Workflow 成功率 99%、每单 0.02 元；其余 200 个开放任务若使用固定流程只有 70% 成功率，改用 Agent 后达到 86%、每单 0.30 元。混合方案成本为 800×0.02+200×0.30=76 元，预计完成 800×99%+200×86%=964 单，即总体成功率 96.4%。

若全量都使用 Agent，每单按 0.30 元计需要 300 元；因此混合方案用约四分之一成本，把自主决策限制在真正需要探索的 20% 流量。这个结论仍需与“全量 Workflow”和“全量 Agent”的实际基线比较，因为 Agent 在可枚举任务上未必保持 99% 成功率。

hybrid_cost = 800 × 0.02 + 200 × 0.30 = 76 元
hybrid_success = (792 + 172) / 1000 = 96.4%
all_agent_cost = 1000 × 0.30 = 300 元

上线时还要比较 P95 延迟、人工接管率、高风险违规和失败任务成本。动态规划带来的 16 个百分点提升若只出现在低价值任务，或长尾延迟违反 SLA，也不足以证明应该扩大 Agent 覆盖范围。

七、常见误区与追问

• 误区：用了大模型就是 Agent。 Workflow 里调模型做分类/抽取，流程控制权仍在代码，就是 Workflow。
• 误区：Agent 比 Workflow 先进、该优先用。 应优先确定性方案，只在固定流程覆盖不了时才上 Agent。
• 误区：多 Agent 是终极形态。 自主程度按需增加，多 Agent 成本和失控风险最高，非默认选择。
• 误区：Agent 和 Workflow 二选一。 常混合——Workflow 主干 + 局部受限 Agent。
• 追问：两者核心区别？ 谁控制流程——Workflow 是代码决定下一步，Agent 是模型在边界内决定下一步。
• 追问：什么时候选 Workflow？ 路径可枚举、失败代价高、需稳定复现、合规审计强的场景。
• 追问：Agent 的代价有哪些？ 非确定性、更多模型调用、更长尾延迟、更复杂的安全和评估。
• 追问：混合架构怎么设计？ Workflow 管主干和高风险动作，Agent 只负责确实无法预写的局部（理解/收集信息）。

八、加强记忆

Agent vs Workflow 记「谁控制下一步」：Workflow=代码决定下一步（可测/可审计/可复现，稳定高风险场景首选）、Agent=模型在边界内决定下一步（应对不可预知路径，代价是非确定性和成本）。核心心法钉死：优先确定性流程，只把确实无法预写的部分交给 Agent；两者是连续谱（单次调用→模型链→工作流→受限 Agent→多 Agent），按需逐级增加、别把多 Agent 当默认。最实用的是混合——Workflow 主干 + 局部受限 Agent，高风险动作锁在确定性边界内。

项目实战落地

项目里怎么做的

《AI企业流程编排系统》是典型的 Workflow：步骤和走向都由人在后台配置，执行引擎照着连线走。示例流程「客户问题智能回复流程」是这样一条链：

开始（接收客户问题）→ 知识检索 → 大模型（生成回复草稿）→ 工具（清洗文本）
  → 条件（回复是否有效）─┬─ 有效 → HTTP（记录客服工单）→ 结束
                         └─ 无效 → 结束

• 模型只在大模型节点里写内容：它不决定下一步去哪，也不挑工具；工具节点在配置里写死了工具编码、输入映射和输出路径；
• 分支由连线上的条件决定：条件节点的表达式是 cleanReplyDraft != null && cleanReplyDraft.length > 0，算出的布尔值写回上下文，两条出边各带一个条件，引擎按条件选边；
• 每一步都有记录：一次运行写一条运行记录，每个节点写一条节点日志，画布能逐步点亮走过的节点和实际走的那条分支。

《AI Agent 智慧医院智能导诊就诊系统》的分诊则是 Agent：后端不写死「先查档案再查标签」，只把工具清单交给模型，在 ReAct 循环里由模型决定先调哪个、调几轮、什么时候信息够了；同一句主诉跑两次，步骤数也可能不一样。模型最后只给出推荐科室，科室要由代码反查科室表核验，医生则由代码从当天起可挂号且有余号的排班里选定。

为什么这样取舍

• 流程编排用 Workflow：企业里的 AI 需求多是「生成一段、校验一下、查个接口」这类组合，而且经常改；做成可配置节点，改需求只改配置、不改代码，每次运行都能按节点复盘。
• 分诊用 Agent：患者主诉不同，需要查的信息和顺序就不同，写不成一张固定的图；为了不变成黑盒，每一步工具调用都落库可回放，涉及就诊的结论交给代码核验。

面试官还会追问

• 条件节点已经算出了布尔值，为什么真正决定走向的还是连线上的条件表达式？
• 工具节点和 Agent 里的 Function Calling 都在调本地函数，区别在哪？
• 用户在工作台只输入了一个问题，流程需要的上下文 JSON 是怎么组装出来的？

学完《AI企业流程编排系统》，上面这些追问你都会迎刃而解。