AI 简明手册固定流程还是自主决策：Workflow 与 Agent
定义
Workflow 和 Agent 是两类不同的 AI 系统：前者由开发者用预定义代码路径控制执行顺序，后者由模型在每一步动态决定流程。大多数应用场景不需要 Agent，应从优化单次 LLM 调用开始，只有复杂度能明确提升效果时才增加。
先搭一个心智模型
把 Workflow 想成地铁：路线由开发者提前铺好；把 Agent 想成出租车：模型根据目的地和路况临时选路。两者都能到达目标，区别是“谁掌握下一步的方向盘”。
说明
Workflow 指 LLM 和工具通过预定义代码路径编排，执行顺序在开发时已确定，特点是确定性高、成本可控、容易调试。Agent 则让 LLM 动态决定流程和工具使用，灵活但可预测性低、成本不确定。核心差异在控制权：Workflow 的控制权在开发者手中，Agent 的控制权在模型手中，这也导致成本和调试难度的不同。
实践中最常见的错误是过度设计——用 Agent 框架解决一次 Prompt 加一次搜索就能完成的问题。推荐复杂度阶梯：先试单次 LLM 调用并优化 Prompt、Few-shot 示例和参数；不够时加入检索增强；还不够才用 Workflow 拆解任务；只有确实需要灵活决策时才引入 Agent。复杂度是成本，不是功能。
跟着一个例子走
售后助手要处理退款请求
用户说：“帮我退掉昨天买的耳机。”系统需要查订单、核对规则、生成方案，并在真正退款前取得确认。
- 固定步骤已经足够
如果所有退款都遵循“查订单 → 核对规则 → 生成草稿 → 人工确认”，用 Workflow 把四步写死更容易测试。
- 输入经常缺信息
如果模型需要判断先追问订单号、检查图片还是转人工，才需要让 Agent 在有限选项中决定下一步。
- 把自由度放在必要位置
退款动作仍由固定策略和审批控制；模型可以灵活收集信息，但不能自行绕过规则。
边界与误区
什么情况下应该选择 Workflow 而不是 Agent： 任务能自然拆解为固定步骤、执行顺序明确、且需要可预测性和成本控制时，Workflow 更合适。
单次 LLM 调用、RAG 和 Agent 之间是什么关系： 它们是复杂度递进的三种方案：单次调用适合大多数问题，需要外部知识时加入 RAG，需要多步执行或灵活决策时才考虑 Workflow 或 Agent。
来源与核验
- [anthropic-agents] Anthropic：Building effective agents
核验日期：2026-08-31