很多团队做 AI 应用时会在两个词之间摇摆Workflow 和 Agent。用户提一个需求系统要查资料、调用工具、生成结果。到底应该写成固定流程还是交给 Agent 自己规划这不是概念问题是工程问题。选错了系统要么死板要么不可控。先说结论Workflow 是把流程写清楚让模型在固定位置发挥Agent 是给模型目标让它在边界内自己决定路径。Workflow 更稳定Agent 更灵活。Workflow 适合确定流程Agent 适合不确定任务。生产落地时很多系统最好的形态不是二选一而是 Workflow 里嵌一点 Agent。这句话背后其实是一个很朴素的工程原则能确定的东西交给代码不确定的部分才交给模型。代码便宜、稳定、可测模型灵活但输出有波动。把确定流程交给模型不是智能化而是把可控问题变成不可控问题。所以讨论 Workflow 和 Agent 时不要先问哪个更先进。先问这件事里有多少步骤可以写死有多少步骤必须探索。写死的比例越高越应该偏 Workflow探索的比例越高才越需要 Agent。Workflow 是确定性流程Workflow 的特点是步骤预先写好。比如一个“合同审查助手”可以设计成上传合同OCR 或解析文档提取关键条款对照公司模板调用模型生成风险说明人工确认生成审查报告。这里模型不是没有参与。它可能负责提取条款、总结风险、生成报告。但整个流程是谁定义的是程序定义的。模型只在固定节点工作。Workflow 的好处是稳定。每一步输入输出清楚失败点清楚日志也好打。出了问题你知道是 OCR 错了、条款提取错了、模板匹配错了还是模型总结错了。这类系统更像传统软件只是在某些步骤里用了大模型。Workflow 里的模型通常是“节点能力”不是“流程主人”。比如在合同审查里模型可以负责抽取条款、解释风险、生成报告措辞但它不应该随意跳过人工确认也不应该自己决定把报告发给客户。流程主控权仍然在代码里。这让 Workflow 更适合合规、财务、运营这类场景。业务希望模型提高效率但不希望模型改变制度。流程越接近钱、权限、法律责任越应该让 Workflow 占主导。Agent 是目标驱动Agent 的特点是路径不完全固定。用户说“帮我分析这份合同有没有风险。”Agent 可能先读合同再查公司模板再搜索历史合同再判断风险再补充问题再生成结论。它可以根据中间结果调整路径。如果合同里有数据合规条款它可能去查合规规则。如果合同里有付款条款异常它可能去查客户信用。如果合同缺附件它可能要求用户补充。这些步骤不是开发者提前完全写死的而是 Agent 根据目标和上下文动态决定。这就是 Agent 的价值面对开放任务时不用把每一种路径都预先编码。但代价也很明显不稳定。它可能查错资料可能漏查资料可能在不该停的时候停也可能在该停的时候继续折腾。最大区别谁决定下一步区分 Workflow 和 Agent最简单的问题是下一步由代码决定还是由模型决定如果下一步固定写在代码里这是 Workflow。比如解析文档 - 提取字段 - 校验规则 - 生成报告如果下一步由模型根据当前状态选择工具和动作这是 Agent。比如目标定位测试失败原因 模型决定先看日志、还是先搜代码、还是先跑测试当然现实里可以混合。比如大流程由代码控制某个“分析原因”的节点交给 Agent 循环。这是很常见也很实用的方式。这个判断还可以再细一点如果模型只是在某一步生成内容它是 Workflow 里的 LLM 节点如果模型能决定接下来调用哪个工具、是否继续查、是否停下来它才开始变成 Agent。很多系统其实只是“Workflow LLM”但因为用了工具调用就被叫成 Agent。工具调用本身不是分界线。分界线是决策权。一个固定流程里调用十个工具仍然是 Workflow一个模型在边界内动态选择两三个工具也可以是 Agent。Workflow 的优势第一稳定。流程固定结果更可预期。尤其是企业内部系统很多业务不是追求聪明而是追求稳定。第二容易测试。每个步骤都能写测试。输入是什么输出应该是什么异常怎么处理都能定义。第三容易审计。你知道系统为什么走到某一步。审计日志可以按流程节点记录。第四权限好控制。每一步能做什么提前定好。模型不能突然决定调用一个危险工具。第五成本可控。调用几次模型、查几次接口、跑多久基本能估算。所以不要小看 Workflow。很多真正能上线的 AI 应用本质都是 Workflow。Agent 的优势第一灵活。任务路径不固定时Agent 可以根据情况探索。比如排查故障、分析复杂数据、阅读陌生代码。第二开发成本低。如果你要把所有分支都写成流程可能非常复杂。Agent 可以先用一个通用循环覆盖长尾情况。第三适合开放问题。比如“这个项目哪里有风险”“这个客户为什么流失”“这个告警可能是什么原因”。这些问题很难提前写死步骤。第四能处理未知状态。Workflow 遇到没设计过的情况通常失败。Agent 至少可以尝试查更多信息、提出假设、请求用户补充。但这些优势都建立在工具边界清楚、上下文可控、动作可审计的前提上。Agent 的灵活性也有成本。它不容易做确定性测试因为你很难提前枚举所有路径它不容易估算成本因为循环次数可能变化它也不容易做权限设计因为模型可能在不同情况下选择不同动作。没有边界的 Agent灵活性会变成系统不稳定来源。所以 Agent 更适合放在“可探索、低写入、可人工复核”的区域。让它负责分析、归纳、提出假设、生成草稿让 Workflow 负责确认、提交、发布、付款、权限变更。这样能吃到灵活性又不把核心流程交出去。什么时候用 Workflow流程明确时用 Workflow。比如发票报销简历筛选合同审查的标准流程客服工单分类报表生成内容审核数据清洗审批流。这些任务虽然可以用模型但步骤本身是确定的。用 Workflow 更稳。比如发票报销不需要 Agent 自己想流程。它就应该按规则走识别发票、校验抬头、匹配订单、检查金额、提交审批。模型可以帮忙识别字段和解释异常但不该决定财务流程。什么时候用 Agent路径不明确时用 Agent。比如代码 bug 定位复杂故障排查数据异常原因分析市场调研多资料综合判断安全风险初筛长尾客服问题处理。这些任务的共同点是你不知道一开始该查哪里。需要根据中间结果不断调整。比如测试失败可能是代码逻辑错可能是测试数据错可能是依赖版本错可能是环境错。固定流程很难覆盖全部路径Agent 更适合。但 Agent 不一定要全自动。它可以只读分析最后把建议给人确认。等某类任务稳定后再把常见路径固化成 Workflow。最好的形态Workflow 管骨架Agent 管开放节点生产系统里我更推荐这个组合外层 Workflow内层 Agent。比如一个故障排查系统Workflow 接收告警Workflow 拉取基础指标Workflow 判断告警类型对复杂类型调用 Agent 分析可能原因Agent 只能使用只读工具Agent 输出假设和证据Workflow 根据规则决定是否创建工单或通知人工。这样既有稳定骨架又有灵活分析。再比如内容生成系统Workflow 收集主题Workflow 检索资料Agent 负责整理角度和大纲Workflow 调模型生成初稿Workflow 做格式检查人工审核发布。这种架构比“一个 Agent 从头到尾全包”更容易上线。还有一个好处是便于演进。刚开始你可以把不确定节点交给 Agent观察它经常走哪些路径。等某些路径足够稳定就把它们沉淀成 Workflow。这样系统会越来越可控而不是永远依赖模型临场发挥。比如客服里“物流延迟三天以内”的处理路径跑多了以后可以固定成流程只有跨境丢件、地址异常、用户投诉升级这类长尾情况再交给 Agent 分析。Agent 不一定是最终形态它也可以是帮助你发现流程的过渡工具。一个简单判断表如果步骤清楚选 Workflow。如果步骤不清楚选 Agent。如果风险高选 Workflow 加人工审批。如果任务开放选 Agent 但限制工具。如果任务跑多了路径稳定把 Agent 的常见路径沉淀成 Workflow。如果 Workflow 覆盖不了长尾把长尾交给 Agent 探索。这比争论哪个更先进有用。不要把 Workflow 做成假 Agent有些系统其实是固定流程但为了宣传叫 Agent。比如用户输入 - 检索知识库 - 模型回答这就是 RAG 问答不是 Agent。再比如上传文件 - 提取信息 - 生成摘要这是 AI Workflow也不是 Agent。这不是贬低。Workflow 很有价值。只是叫错名字会影响设计预期。你以为自己在做 Agent就会不必要地引入规划、工具选择和循环明明固定流程能解决却把系统做复杂。也不要把 Agent 当万能 Workflow另一种错误是不想设计流程直接丢给 Agent。比如报销、审批、支付、发版、权限变更这些都有明确规则。你让 Agent 自己决定怎么做不是智能是把业务规则交给一个不稳定的推理系统。Agent 可以辅助判断但核心流程要写在代码里。尤其是涉及钱、权限、生产环境、合规的地方Workflow 应该占主导。模型可以生成建议不能绕过规则。最后总结一下AI Workflow 和 AI Agent 的区别不在于有没有大模型也不在于有没有工具而在于下一步由谁决定。Workflow 由代码决定流程。它稳定、可测、可审计适合确定性业务。Agent 由模型在边界内决定路径。它灵活、适合开放任务但更难控制。真正可落地的 AI 系统通常不是纯 Workflow也不是纯 Agent而是把两者组合起来Workflow 管主流程Agent 处理不确定节点。能写死的流程就写死。写不死的探索再交给 Agent。这不是保守是工程。最后还有一个落地判断如果你很难解释系统为什么做了某一步说明 Agent 成分太重如果你发现流程经常卡在未覆盖分支说明 Workflow 太死。好的 AI 系统不是把一边推到极致而是在稳定性和灵活性之间找最小可用组合。