前言

当我们使用 LangChain 编写如下代码：

typescript

运行

 复制代码const creativeChain = storyPrompt
  .pipe(creativeModel)
  .pipe(outputParser)
creativeChain.invoke({theme: "秋日山野晚风"})

这就是典型的 Workflow（链式工作流） 。pipe() 如同传送带、输水管道，节点顺序、流转逻辑在开发阶段已经固定。

像 Coze（扣子）可视化拖拽搭建的流水线：输入节点 → LLM 调用 → 文生图 → 结果输出（AI 照相馆场景），同样属于 Workflow。

不少人产生疑问：Workflow 可以多节点串联、也能调用大模型；Agent 同样多步执行、调用工具。看起来功能重合，到底该怎么区分？二者绝非简单的 “难易区别”，底层执行范式完全不同，选错架构会直接引发稳定性、成本、可控性灾难。

一、什么是 AI Workflow（确定性工作流）

核心定义

Workflow 是一套预定义好执行路径的任务流水线，本质是有向无环图（DAG）。开发者提前规划全部节点、分支、输入输出、流转条件；流程走向由代码 / 编排规则控制，不由大模型决定。大模型只是流水线里的一个功能节点，只负责完成分配好的子任务，无权决定下一步该做什么。

通俗类比

Workflow = 高速公路。路线固定、出入口预设，车辆沿着既定轨道行驶，高效、稳定、结果可预期。

典型业务案例：简历筛选流水线

一条完整招聘 Workflow 预先编排：

1. 输入：简历 PDF 文件
2. 节点 1：PDF 文本解析
3. 节点 2：LLM 提取技能、工作经历、学历信息
4. 节点 3：RAG 检索岗位要求
5. 节点 4：匹配打分计算
6. 节点 5：筛选输出高分候选人

每一步先后顺序固定，不会出现 “跳过打分、重复解析、随意调整流程” 的情况。无论传入哪一份简历，执行链路完全一致。

Workflow 核心特征

执行路径开发时固化，运行时无法自主变更； 结果可复现、易于观测、方便日志审计； 延迟、调用成本可控，适合线上规模化部署； 可以可视化搭建（Coze、Dify、Flowise），也可代码编排（LangChain LCEL Chain）； 无法应对任务路径未知、需要动态调整方案的开放场景。

二、什么是 Agent 智能体（自主决策系统）

Agent 不走预设轨道，处于开放任务空间，依靠大模型推理运行时动态规划任务路线。标准 Agent（ReAct 范式）具备三大核心能力：感知环境 → 动态规划 → 执行行动循环。

1. 感知环境读取任务目标、已有信息、可用工具，判断当前信息是否充足；
2. 规划路径没有预设步骤，LLM 自主拆解子任务、选择工具、决定执行顺序；
3. 执行行动 + 持续迭代调用工具获取结果，根据反馈重新调整方案，直到任务完成。

通俗类比

Agent = 司机。目的地确定，但行驶路线动态可变；遇到修路、拥堵，可以自主改道；目标变更时，自行重新规划路线。

典型业务案例：自助旅行规划

你下达目标：帮我规划一场 5 天短途旅行。Agent 自主决策链路可能是：

1. 调用搜索工具查询目的地近期天气
2. 查询往返机票、酒店价格
3. 检索当地景点、美食
4. 结合预算、出行偏好调整行程
5. 补充签证、交通注意事项

重点：每次执行路径不一定相同。 这次优先查机票，下次可能先确认天气；信息不足时主动追加搜索。整个流程没有任何人预先定义步骤，全部由模型实时推理生成。

Agent 核心特征

 流程决策权交给大模型 ，运行时动态选择执行路径； 适配目标明确、执行路径未知的复杂开放任务； 支持自我修正、循环反思、灵活切换工具； 执行链路不可预判，存在循环、幻觉、不可控风险； Token 消耗波动更大，排查问题难度更高。

Workflow与Agent执行逻辑对比

三、一张表看懂 Workflow VS Agent 核心差异

表格

四、业务场景选型指南（直接抄作业）

优先选择 Workflow

场景特征：业务流程标准化、步骤可以完整梳理、对稳定性要求高。

• 简历筛选、文档批量解析、数据清洗；
• 企业审批流、固定格式报表生成；
• 批量文案生产、AI 照相馆这类标准化付费自动化业务；
• RAG 固定问答链路、客服标准应答流水线。

优势：成本稳定、方便灰度上线、异常监控简单，适合 ToB 企业正式生产环境。

优先选择 Agent

场景特征：只能定义最终目标，无法提前预知完整执行步骤。

• 市场调研、多维度数据分析；
• 旅行规划、代码排障、综合性开放问题研究；
• 需要自由组合多种工具、不断搜集信息推理的场景。

五、进阶：企业最佳架构 — Workflow + Agent 混合模式

很多人陷入误区：Workflow 和 Agent 二选一。真实工程落地中，最优方案是二者结合：Workflow 作为系统骨架，Agent 作为局部节点的大脑。

架构思想：

1. 外层依靠 Workflow 搭建整体业务边界、主流程、异常捕获、人工兜底机制，保证全局可控；
2. 在流程中复杂、需要灵活推理的子节点，嵌入 Agent；
3. Agent 只允许在被划定的范围内自主探索，不能突破整体业务流程框架。

形象总结

Workflow 是骨架，提供稳定性、规范与边界；Agent 是大脑，提供推理、灵活决策能力；二者组合，兼顾流水线的高效稳定与智能体的创造力。

举个混合架构例子：智能竞品分析系统外层 Workflow 固定流程：数据拉取 →【Agent 竞品信息挖掘分析节点】→ 报告模板填充 → 推送通知在「信息挖掘分析」这个子步骤，启用 Agent 自由调用搜索、统计工具；但整体任务的起止、输出规范、超时限制全部由外层 Workflow 管控。

六、结合前文延伸：随机性参数与架构如何配合？

上一篇我们讲解了 temperature、Top-K 控制大模型随机性，这里做联动总结：

1. Workflow 场景（严谨业务居多） 推荐低温 temperature=0.1~0.3，优先保证输出稳定统一，减少随机波动；
2. 创意类 Workflow固定创作流水线，使用「高温 + 小 Top-K」，可控范围内提升创意；
3. Agent 场景谨慎拉高 temperature。Agent 本身具备动态决策能力，随机性过高极易诱发幻觉、无效循环。

七、总结

1. 本质分界线：谁决定下一步怎么走？ 流程提前写死 = Workflow；运行时 LLM 自主规划 = Agent。
2. 不要概念盲从：不是多步调用工具就是 Agent；LangChain 的 Chain、Coze 拖拽流程全部属于 Workflow。
3. 选型原则：路径可梳理选 Workflow；路径未知、开放复杂任务选 Agent；大型企业系统推荐混合架构。
4. 长远趋势：单纯 Agent 很难直接落地企业生产；基于 Workflow 做边界约束、局部嵌入 Agent，将会是主流 AI 工程方案。