简介:本文围绕 Agent 与 Workflow 的控制流差异展开,从架构、可预测性、工具设计、上下文与记忆、评测追踪、安全运维和成本等维度系统对比,并补充模型升级与工程框架投入的取舍。读者可据此判断任务应交给动态 Agent 还是固化 Workflow,掌握迁移风险与落地检查项。
在 Agent 架构落地过程中,控制流、上下文工程、工具设计、记忆、多 Agent 组织、评测、追踪和安全都会直接影响工程效果。但最先需要厘清的,往往是任务到底应该交给 Workflow(工作流),还是交给 Agent。很多系统对外宣称是 Agent,深入看执行路径仍由代码预先写死,本质上更接近 Workflow;也有系统把本可固化的流程交给模型动态决策,导致可预测性和运维成本上升。两者并无绝对高下,关键在于控制权放在哪里、任务不确定性有多高,以及团队是否具备相应的评测与治理能力。
本文对比的对象是:执行路径由代码预先定义的 Workflow,与由大模型动态决定下一步的 Agent。文章会说明二者的相同点、核心差异、适用场景、选型依据和迁移注意事项,并补充一个常被忽略的二次对比:模型能力升级与工程框架、验证测试投入之间的取舍。
Workflow 的核心是“路径预先定义”。开发者把任务拆成若干步骤,用代码、配置或规则描述步骤顺序、分支条件和失败处理。模型可以在某些步骤中参与理解、生成或分类,但整体执行路径由外部系统掌握。例如“读取输入—校验字段—调用检索—生成结果—人工审核—写入存储”这样的流程,步骤和分支在运行前已经确定。
Agent 的核心是“下一步由模型动态决定”。系统向模型提供目标、工具定义、上下文和约束,模型根据当前状态选择调用哪个工具、传入什么参数、是否继续循环,直到返回最终文本或满足终止条件。其最小循环可以抽象为:感知、决策、行动、反馈,不断循环。示意性伪代码如下:
messages = [用户输入]while true:response = model.infer(messages, tools=tool_definitions)if response 包含工具调用:执行工具将工具结果追加到 messageselse:return response 文本
这个循环本身并不复杂,真正影响工程效果的是循环外部的东西:工具描述是否准确、上下文是否可控、状态是否外化、权限边界是否清晰、评测是否可信。实践中,从最小 Agent 扩展到支持子 Agent、上下文压缩和技能加载时,主循环通常不需要大改,新增能力更多通过扩展工具集、调整系统提示结构、把状态外化到文件或数据库来实现。模型负责推理,外部系统负责状态和边界,这个分工越清晰,控制流越稳定。
Workflow 与 Agent 并非对立阵营。它们的目标都是把任务自动化,都可能调用工具、访问数据、生成内容,也都需要日志、追踪、权限、审计和评测。即使是纯 Workflow,也可能在某个节点引入模型能力;即使是 Agent,也需要外部系统提供工具执行、状态存储和安全边界。
二者在工程上有几个共同点:
因此,选型不是“要不要工程化”的问题,而是“控制权放在代码还是模型”的问题。
Workflow 的控制权在代码,执行路径可预测、可复核,适合合规要求高、步骤稳定、失败处理明确的业务。Agent 的控制权在模型,能处理开放目标和模糊输入,但路径存在不确定性,需要更完善的约束、评测和回滚机制。控制权越向模型转移,系统灵活性越高,但可预测性和调试复杂度也会上升。
Workflow 出问题时,通常可以沿固定步骤排查输入、分支和接口。Agent 出问题时,影响因素更多:系统提示、工具描述、上下文长度、历史消息、模型选择、工具返回都可能改变下一步决策。调试 Agent 时,应优先检查工具定义是否准确,因为大量工具选择错误来自描述含糊或参数示例缺失,而不是模型能力不足。其次检查上下文是否混入无关信息、状态是否被错误压缩、评测系统本身是否失真。
Workflow 扩展通常新增节点、分支或子流程,结构变化明显但边界清楚。Agent 扩展通常通过增加工具、调整提示结构、外化状态、增加子 Agent 或技能加载实现。若把主循环改成巨大状态机,反而会削弱 Agent 的动态决策优势。更稳妥的做法是保持主循环稳定,把新能力叠加在循环外部。
Workflow 的调用次数和步骤数相对可控,成本更容易估算;Agent 可能因多轮推理、工具调用和上下文重放产生更高 token 与延迟成本。更贵的模型不一定带来线性提升,很多时候运行框架、工具质量和验证测试质量对成功率影响更大。选型时应把模型成本、工具调用成本、人工审核成本和评测维护成本一起看,而不是只比较单次推理价格。
Workflow 可以把权限校验固定在步骤边界,审计粒度清晰。Agent 的工具调用由模型动态选择,需要更细粒度的权限控制、参数校验、敏感操作确认和调用链审计。对于写操作、资金、权限变更等高风险动作,建议采用“模型建议、系统校验、人工确认”的组合,而不是完全放开。
Workflow 的评测可以按步骤和最终结果展开;Agent 需要评估任务成功率、工具选择准确率、参数正确率、轮次效率、成本、失败恢复和安全性。评测系统本身的问题有时比 Agent 问题更难发现:评测集覆盖不足、判定规则模糊、环境不稳定都会让优化方向失真。如果只在 Agent 代码上反复调,而评测系统不可信,效果未必明显。
| 维度 | Workflow | Agent | 选型关注点 |
|---|---|---|---|
| 控制权 | 代码预先定义路径 | 模型动态决定下一步 | 任务不确定性与合规要求 |
| 可预测性 | 较高 | 相对较低 | 是否允许路径变化 |
| 调试方式 | 按固定步骤排查 | 需检查提示、工具、上下文、状态 | 团队是否具备追踪与评测能力 |
| 扩展方式 | 新增节点、分支、子流程 | 扩展工具、提示、状态、子 Agent | 主循环是否保持稳定 |
| 成本结构 | 调用次数较可控 | 多轮推理与工具调用可能增加成本 | 总成本而非单次模型价格 |
| 安全审计 | 权限可固定在步骤边界 | 需工具级权限与调用链审计 | 高风险操作是否可回滚 |
| 适用任务 | 稳定、重复、强合规流程 | 开放、模糊、需动态规划任务 | 可混合使用 |
| 主要风险 | 流程僵化、维护节点多 | 行为不确定、评测困难 | 先小范围验证再扩展 |
适合优先采用 Workflow 的场景包括:审批流、数据校验与入库、固定格式报表生成、工单分类与路由、强合规检查、步骤稳定且失败处理明确的业务。此类任务若强行交给 Agent,可能增加不确定性和调试成本。
适合优先采用 Agent 的场景包括:开放式调研、复杂问题拆解、多工具协同探索、代码或文档辅助处理、需要根据中间结果动态调整路径的任务。此类任务若完全固化为 Workflow,可能因分支爆炸而难以维护。
更常见的是混合架构:外层用 Workflow 管理阶段、权限和审计,内层在特定节点使用 Agent 完成动态决策;或者用 Agent 负责探索,最终由确定性校验器验证结果。这样既保留灵活性,又不放弃边界控制。
选型时建议先回答四个问题:任务路径是否可提前枚举;失败是否可接受自动重试;高风险操作是否需要人工确认;团队是否具备评测集、追踪和回滚能力。路径稳定、合规优先时,优先 Workflow;目标开放、需要动态规划时,可引入 Agent;两者都涉及生产系统时,优先混合架构。
从 Workflow 迁移到 Agent,需要补充工具描述规范、参数校验、状态外化、调用链追踪、评测集和权限控制;不要直接把原有步骤塞进提示词。从 Agent 迁移到 Workflow,需要固化高频成功路径、清理不必要的模型决策点、定义接口契约和失败分支,避免把历史提示债带入新流程。迁移过程中还要关注数据格式兼容、权限模型变化、延迟与成本波动、灰度发布和回滚能力。
Workflow 与 Agent 的核心差异不在是否使用大模型,而在控制权归属:前者由代码掌握执行路径,后者由模型动态决定下一步。Workflow 胜在可预测、可审计、易控制成本;Agent 胜在开放任务适应性和动态规划能力。工程落地时,不应把二者做成概念对立,而应按任务不确定性、合规要求、评测能力和运维成本做条件化选择。同时要记住,模型升级不是唯一杠杆,运行框架、工具定义和验证测试质量往往更直接影响成功率。先建立可信评测与追踪,再决定控制流形态,通常比盲目追求更复杂架构更稳妥。