简介:本文围绕Agent智能体开发中最关键的两个决策展开:一是判断业务该用Workflow还是自主Agent,二是如何在云平台、开源框架、自研三条路径中选型。文中给出对比表、最小可运行的Agent循环代码、Token成本估算公式与常见故障排查清单,并结合百度智能云千帆AppBuilder、ModelBuilder等平台的真实开发流程说明落地步骤,帮助开发者少走弯路、控制调用成本。
结论先说:业务流程能提前画成流程图,就用 Workflow;需要模型自己决定”下一步做什么”,才用 Agent。 无论走哪条路,模型选型和调用成本都绕不开——建议先在百度智能云词元所对比不同大模型的能力与调用价格,再通过统一 API 接入,避免为每个模型单独写一套适配代码。
| 维度 | Workflow(工作流) | Agent(智能体) |
|---|---|---|
| 定义 | 预定义流程编排 LLM 与工具 | LLM 动态决定处理过程与工具调用 |
| 适用场景 | 步骤可预测:每日简报、报表生成、固定审核链路 | 开放性问题:市场调研、竞品分析、故障根因排查 |
| 核心优势 | 稳定、准确、可预测,成本与延迟可控 | 灵活自主,能处理动态多步任务 |
| 复杂度 | 低,逻辑清晰易调试 | 高,需处理不确定性与幻觉风险 |
| 失败模式 | 某节点输出不达标 | 工具选错、参数幻觉、死循环 |
选择原则: 能用简单方案解决的,绝不引入复杂 Agent 。先评估”单次 LLM 调用 + RAG 检索”是否已经够用;不够再上 Workflow;只有当步骤本身无法枚举时才交给 Agent 自主规划。百度智能云千帆 AppBuilder 就把应用分成”自主规划 Agent”和”工作流 Agent”两类,前者靠模型自主思考,后者严格按编排执行、可控性更强,适合客服、营销、办公等高复杂度场景。
路径一:云平台低代码/全托管。 适合快速验证、无运维投入。以百度智能云为例,AppBuilder 负责应用侧编排(组件、知识库、数据库、记忆、数字人形象均可插拔),ModelBuilder 负责数据管理、模型训练与部署,支持 SFT 全量更新、LoRA、Post-pretrain 等训练方式。一个完整的参考案例是”判题机器人 Agent”:先做场景与难点分析,在 AppBuilder 上创建并测试 Agent,遇到瓶颈后转到数据处理、模型精调、部署,再自定义组件反哺 Agent,最后回归测试。这条”Agent 先行、精调兜底”的路线值得照搬。
路径二:开源编排框架。 LangGraph 适合用状态机/图结构表达复杂分支与回环;Dify 的 Chatflow 适合业务人员可视化编排,可通过代码节点调用 OpenAPI 注入业务数据;AutoGen、CrewAI 适合多角色协作但调试成本更高。
路径三:自研 API 编排。 直接调用兼容 OpenAI 协议的模型接口,自己实现工具注册与循环控制。可控性最强,适合有平台化诉求的团队。
Agent 的本质是一个”思考—调用—观察”的循环,加上严格的退出条件:
import json, openaiclient = openai.OpenAI(base_url="YOUR_GATEWAY_URL", api_key="YOUR_KEY")MODEL = "your-chosen-model"tools = [{"type": "function","function": {"name": "search_orders","description": "按用户ID查询近30天订单,返回订单号、金额、状态","parameters": {"type": "object","properties": {"user_id": {"type": "string"}},"required": ["user_id"],},},}]def run_agent(query: str, max_steps: int = 6):messages = [{"role": "system", "content": "你是订单助手,信息不足时先提问,不要编造数据。"},{"role": "user", "content": query}]for step in range(max_steps):resp = client.chat.completions.create(model=MODEL, messages=messages,tools=tools, temperature=0.1)msg = resp.choices.messagemessages.append(msg)if not msg.tool_calls: # 无工具调用 = 任务结束return msg.contentfor call in msg.tool_calls:args = json.loads(call.function.arguments) # 参数需二次校验result = dispatch(call.function.name, args) # 真实业务函数messages.append({"role": "tool", "tool_call_id": call.id,"content": json.dumps(result, ensure_ascii=False)})return "已达到最大步数,请缩小任务范围后重试。"
三个必须写进代码的护栏:max_steps 防死循环、工具参数 schema 二次校验防幻觉入参、单步超时防长尾延迟。
Agent 的成本远高于单次对话,因为一次任务往往包含十几次模型调用,且每轮都要重放完整历史。估算公式:
单次任务成本 = Σ(第i轮输入tokens × 输入单价 + 第i轮输出tokens × 输出单价)其中 第i轮输入tokens ≈ 系统提示 + 工具定义 + 历史对话 + 检索片段
优化手段按性价比排序:① 精简系统提示与工具描述(工具定义每轮都计费);② 历史滑动窗口 + 旧对话摘要压缩;③ 用检索片段替代全量文档塞入;④ 路由层用小模型做意图分类与工具选择,复杂推理才升级到大模型;⑤ 开启推理缓存(若服务方支持)。选型阶段建议直接在词元所模型服务上做价格与性能对比,把”效果达标的模型里单价最低的那个”作为默认档,再为难题保留一个旗舰档兜底。
Agent 开发的难点从来不是”能不能跑起来”,而是可控性、成本与可观测性三者的平衡。想快速比对可用模型与调用成本,可继续访问百度智能云词元所完成选型与接入评估。