Workflow vs Agent：什么时候用确定性工作流，什么时候用自主 Agent？
Workflow vs Agent：什么时候用确定性工作流，什么时候用自主 Agent？
难度：中级
分类：Agent 架构
简短回答
确定性工作流和自主 Agent 不是二选一，而是一个连续光谱。工作流适合结构明确、需要可预测性和合规性的场景；Agent 适合开放性、需要动态判断的场景。实际生产中，最常见的模式是混合架构——用确定性工作流保证核心流程的可靠性，在需要灵活判断的环节嵌入 Agent。
详细解析
核心区别
| 维度 | 确定性工作流（Workflow） | 自主 Agent |
|---|---|---|
| 控制方式 | 预定义代码路径 | LLM 自主决策 |
| 执行路径 | 固定、可预测 | 动态、运行时涌现 |
| 适应性 | 低（按规则执行） | 高（根据反馈调整） |
| 可审计性 | 高（每步可追踪） | 中（决策过程不透明） |
| 成本 | 低（可控） | 高（不确定的 LLM 调用次数） |
| 风险 | 低（行为可预测） | 高（可能做出意外决策） |
| 调试 | 简单 | 困难 |
什么时候用确定性工作流
适合工作流的场景特征：
- 流程固定且已知：每次执行的步骤相同，只是输入数据不同
- 需要合规审计：如果流程必须能逐步解释（如金融、医疗），不适合 Agent
- 高可靠性要求：不容许意外行为的关键路径
- 简单任务：表单处理、数据 ETL、基础提取——Agent 是过度设计
# 确定性工作流示例：文档处理流水线
def document_pipeline(doc: Document) -> Report:
text = extract_text(doc) # 步骤 1：提取文本
entities = extract_entities(text) # 步骤 2：实体识别
summary = summarize(text) # 步骤 3：生成摘要
report = format_report(entities, summary) # 步骤 4：格式化输出
return report
# 每次执行路径完全相同，可预测、可审计什么时候用自主 Agent
适合 Agent 的场景特征：
- 问题结构不确定：子任务的数量和类型取决于输入，无法预定义
- 需要动态判断：基于中间结果做决策，路径不可预知
- 开放域探索：如研究调查、自主诊断、个性化推荐
- 多步推理：需要跨多个工具、数据源进行综合推理
# 自主 Agent 示例：客户问题诊断
# 不知道要查几个系统、问几个问题，完全取决于具体情况
agent = DiagnosticAgent(tools=[
check_order_status,
query_payment_system,
search_knowledge_base,
escalate_to_human,
])
result = agent.run("客户说付款了但订单状态没更新")
# Agent 自主决定：先查订单 → 再查支付 → 发现不一致 → 触发修复光谱模型：从确定性到自主性
deepset 提出的光谱模型清晰地展示了这个连续体：
完全确定性 ←──────────────────────────→ 完全自主
│ │
│ 1. 固定流水线 │
│ 2. 条件分支（if-else 路由） │
│ 3. LLM 辅助路由 │
│ 4. 工具增强的 LLM │
│ 5. ReAct Agent │
│ 6. 自主多 Agent 系统 │
│ │
低风险/低成本 高灵活性/高成本大多数生产系统处于光谱的中间位置（Level 3-4）。
混合架构：最佳实践
实际生产中最常见的模式是混合架构：
# 混合架构：确定性工作流 + Agent 嵌入
class HybridPipeline:
def process_customer_request(self, request):
# 步骤 1：确定性——验证身份（规则驱动）
user = self.auth_service.verify(request.token)
# 步骤 2：Agent——理解意图（需要 LLM 判断）
intent = self.intent_agent.classify(request.message)
# 步骤 3：确定性——路由到对应处理器
if intent == "refund":
handler = self.refund_workflow # 固定流程
elif intent == "technical_issue":
handler = self.diagnostic_agent # 需要 Agent 灵活处理
else:
handler = self.general_agent
# 步骤 4：执行
result = handler.run(request)
# 步骤 5：确定性——日志和审计（固定流程）
self.audit_log.record(request, result)
return result核心原则：确定性步骤处理可靠性关键的工作（验证、审计、合规），Agent 驱动的步骤处理需要判断、例外和个性化的工作。
决策框架
回答以下问题来选择方案：
四问定控制权归属：复杂度、简单方案可解性、不确定性、风险，逐级从确定性工作流升级到自主 Agent。
关键洞察
"区别不在于使用了多少 AI，而在于流程的治理方式和执行期间由谁做决策。"
工作流由开发者预先决定执行路径，Agent 在运行时自主决定。这个区别决定了可预测性、可审计性和风险水平。
常见误区 / 面试追问
误区："Agent 比 Workflow 更先进，应该总用 Agent" — Agent 引入了不可预测性、高成本和调试困难。简单任务用 Agent 是过度设计，反而降低了可靠性。
误区："用了 LLM 就是 Agent" — 在固定流水线中嵌入 LLM 调用（如用 LLM 做文本分类）仍然是工作流，不是 Agent。Agent 的标志是 LLM 自主决定执行路径。
追问："如何让 Agent 在混合架构中保持可控？" — (1) 限制 Agent 的工具权限；(2) 设置 Human-in-the-Loop 审批关键操作；(3) 用 Guardrails 约束输出；(4) 设置最大步数和成本上限。
追问："Anthropic 和 Google 对这个问题的观点是什么？" — 两家都建议从最简架构开始。Anthropic 建议"从 Prompt 开始，只在必要时才升级到 Agent"。Google Cloud 的架构指南提供了从简单到复杂的渐进式设计模式选择。