Workflow 与 Agent 对比

2026-06-13WorkflowAgent对比架构

核心定义

Workflow（工作流）：人为定义执行步骤，LLM 只负责执行。你在驾驶，流程是预设的固定路线。

Agent（智能体）：LLM 决定下一步做什么，你只定义它能用的工具。LLM 在驾驶，你只给了它方向盘和地图。

一句话区分：Workflow 是你写剧本让 AI 演，Agent 是你给目标让 AI 自己编剧本演。

五维度深度对比

维度WorkflowAgent
控制权开发者完全控制流程LLM 控制流程，开发者只定义工具
可预测性高——每次执行路径相同低——LLM 决策有随机性，路径可能不同
容错能力刚性执行，遇预设外情况就卡住柔性应变，能自主调整策略
成本可控 O(1)，固定次数 LLM 调用不可控 O(n)，LLM 可能多轮循环
调试难度低——流程固定，可单步测试高——决策不确定，难以复现

执行逻辑对比

Workflow：固定剧本

用户输入 → 提取关键词 → 检索文档 → 生成回答 → 输出

流程永远不变。步骤 1→2→3，输入相同则路径相同。

# Workflow：你定义每一步
graph = StateGraph()
graph.add_node("extract_keywords", step1)
graph.add_node("retrieve_docs", step2)
graph.add_node("generate_answer", step3)

graph.add_edge("extract_keywords", "retrieve_docs")
graph.add_edge("retrieve_docs", "generate_answer")
graph.add_edge("generate_answer", END)

Agent：自主规划

用户输入 → LLM 决策：
  - 简单问题 → 直接回答
  - 需要查文档 → 调检索工具 → 再决策
  - 需要计算 → 调计算器 → 再决策
  - ...（动态决定）

流程每次可能不同。LLM 决定"下一步调哪个工具、什么时候输出答案"。

# Agent：LLM 决定流程
graph.add_conditional_edges(
    "agent",
    lambda state: should_retrieve(state),  # LLM 决策
    {"yes": "retrieve", "no": "answer"}
)
graph.add_edge("retrieve", "agent")  # 检索完回到决策点

真实场景对比：客服处理退货

Workflow 方案：接收请求 → 检查订单状态 → 已发货？拒绝 / 未发货？同意

问题：用户说"收到的商品有质量问题，但订单显示已发货"，Workflow 直接拒绝——它只检查订单状态，不理解"质量问题"这个例外。

Agent 方案：接收请求 → LLM 分析：未发货→同意退货；已发货→进一步检查理由：质量问题→转人工，不想要→拒绝

区别：Agent 能处理例外情况，Workflow 只能处理预设情况。

适用场景选择

Workflow 适合：流程明确、步骤固定、路径可枚举、要求可预测（金融/医疗/合规）、成本需可控。

典型场景：文档摘要、数据 ETL、报表生成、批量内容审核

Agent 适合：流程不明确、需动态决策、开放性问题、容错率较高。

典型场景：智能客服、代码助手、研究助手、个人助理

2026年的融合趋势：Agentic Workflow

纯 Workflow 和纯 Agent 都有局限。主流做法是 Agentic Workflow——确定性骨架 + Agent 决策节点。

[Workflow 主流程] ← 确定性骨架
    ↓
[Agent 决策节点] ← 关键分支点交给 LLM
    ↓
[Workflow 子流程] ← 结果回到确定性流程

设计原则：

  • 确定性部分用 Workflow（数据获取、格式转换、结果输出）
  • 不确定性部分用 Agent（意图识别、策略选择、异常处理）
  • Agent 节点必须设置最大步数和超时，防止失控
  • 每个 Agent 节点的输入输出要有明确 Schema，保证主流程可接续

实例：RAG 管道中的 Agentic Workflow

[Workflow] 用户输入 → 预处理
    ↓
[Agent] 查询重写（LLM 决定用哪种策略）
    ↓
[Workflow] 向量检索 → 结果排序 → 截断
    ↓
[Agent] 判断检索结果是否充分（不够则重新检索）
    ↓
[Workflow] 生成回答 → 格式化输出

选型决策树

任务流程是否可预定义？
├── 是 → 流程是否复杂（条件分支/循环）？
│   ├── 简单 → 纯 Workflow
│   └── 复杂 → LangGraph Workflow + 条件边
└── 否 → 是否需要自主决策？
    ├── 否 → Workflow + 规则引擎
    └── 是 → Agent（设 max_steps + 超时）

混合场景 → Agentic Workflow
（确定性骨架 + Agent 决策节点）

行业现状与避坑

现状：市面上大多数"智能体"产品本质是 Workflow 封装，并非原生 Agent 架构。Dify、Coze 等快速搭建平台的底层仍是工作流。真正的通用型自主 Agent 仍处于早期阶段。

避坑经验：

  • 不要一上来就选 Agent——先问"流程能不能写死"，能写死就用 Workflow
  • Agent 的不可预测性在生产环境是致命的——金融/医疗场景优先 Workflow
  • 成本差异巨大：Workflow 每次 3 次 LLM 调用，Agent 可能 10+ 次
  • "Agentic"不等于"更好"——很多场景确定性 > 灵活性
  • 调试 Agent 必须有完整的决策日志（LangSmith / 自定义 trace）
  • 混合架构中，Agent 节点要有 fallback：决策失败时降级为 Workflow 固定路径
未标记