Workflow vs Agent：先搞清楚你要什么
预定义流程 vs 模型自主决策，Anthropic 定义的两大类 Agent 系统
本页解决的问题
先给结论「Workflow vs Agent：先搞清楚你要什么」要解决的关键问题是什么？
预定义流程 vs 模型自主决策，Anthropic 定义的两大类 Agent 系统
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
这句话值得每个 AI 产品经理背下来。行业里充斥着各种 Agent 框架（LangChain、AutoGen、CrewAI...），但生产环境反复验证的规律是：真正跑得好的系统，用的是最朴素的组合模式。
| 维度 | Workflow | Agent |
|---|---|---|
| 控制权 | 开发者（代码路径固定） | 模型（每步动态决定） |
| 可预测性 | 高 -- 输入确定则输出路径确定 | 低 -- 同样输入可能走不同路径 |
| 适用场景 | 任务拆解明确、步骤固定 | 任务开放、需要灵活决策 |
| 成本 | 可控（调用次数固定） | 不确定（循环次数未知） |
| 调试难度 | 低（路径确定，容易复现） | 高（行为不确定，难以复现） |
| 典型例子 | 文案生成管道、数据清洗流水线 | Cursor、Claude Code、Devin |
常见的过度设计：用一个 Agent 框架来做本质上一个 Prompt 加一次搜索就能解决的问题。框架引入的延迟、成本、不确定性远大于它带来的收益。
- 1 先试单次 LLM 调用：优化 Prompt、加 Few-shot、调 Temperature
- 2 不够？加检索增强（RAG）：让 LLM 能访问外部知识
- 3 还不够？用Workflow：把任务拆成多步，用代码控制流程
- 4 真的需要灵活决策？才上Agent：让模型自主规划执行
「核心洞察」为什么能找到相关内容
「这句话值得每个 AI 产品经理背下来。行业里充斥着各种 Agent 框架（LangChain、AutoGen、CrewAI...），但生产环境反复验证的规律是： 真正跑得好的系统，用的是最朴素的组合模式」把检索问题从“把资料存起来”推进到“怎样找到真正相关的资料”。这一步决定了 RAG、推荐和以图搜图最后交给模型的输入质量。
相似度不是答案，召回之后还要核对
在「这句话值得每个 AI 产品经理背下来。行业里充斥着各种 Agent 框架（LangChain、AutoGen、CrewAI...），但生产环境反复验证的规律是： 真正跑得好的系统，用的是最朴素的组合模式」对应的流程里，Embedding 负责把对象放到可比较的语义空间，近邻索引负责减少搜索范围，最终的回答仍然依赖召回片段是否覆盖问题、距离指标是否合适，以及内容有没有过期。
- 1 先试 单次 LLM 调用 ：优化 Prompt、加 Few-shot、调 Temperature
- 2 不够？加 检索增强（RAG） ：让 LLM 能访问外部知识
- 3 还不够？用 Workflow ：把任务拆成多步，用代码控制流程
先区分找得到和找得准
把「这句话值得每个 AI 产品经理背下来。行业里充斥着各种 Agent 框架（LangChain、AutoGen、CrewAI...），但生产环境反复验证的规律是： 真正跑得好的系统，用的是最朴素的组合模式」落成一次小测试：准备几条有明确答案的查询，记录召回的相关性、遗漏和无关结果，再决定是否需要换切分方式、索引或重排。
从「核心洞察」走到「两个核心概念」
「核心洞察」先把问题落在「这句话值得每个 AI 产品经理背下来。行业里充斥着各种 Agent 框架（LangChain、AutoGen、CrewAI...），但生产环境反复验证的规律是： 真正跑得好的系统，用的是最朴素的组合模式」上；到了「两个核心概念」，讨论继续推进到「Workflow LLM 和工具通过 预定义的代码路径 编排。开发者在写代码时就决定了执行顺序：先做 A，再做 B，最后做 C。 关键词：确定性、可预测、开发者控制流程 Agent LLM 动态决定 自己的执行流程和工具使用。模型在每一步自主判断下一步做什么、要不要调用工具、什么时候结束。 关键词：自主性、动态决策、模型控制流程」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
检索系统也可以这样看：先确定什么算相关，再观察召回是否覆盖问题，最后检查排序、切分和时效性有没有把真正有用的内容挤出去。
- 「核心洞察」：这句话值得每个 AI 产品经理背下来。行业里充斥着各种 Agent 框架（LangChain、AutoGen、CrewAI...），但生产环境反复验证的规律是： 真正跑得好的系统，用的是最朴素的组合模式
- 「两个核心概念」：Workflow LLM 和工具通过 预定义的代码路径 编排。开发者在写代码时就决定了执行顺序：先做 A，再做 B，最后做 C。 关键词：确定性、可预测、开发者控制流程 Agent LLM 动态决定 自己的执行流程和工具使用。模型在每一步自主判断下一步做什么、要不要调用工具、什么时候结束。 关键词：自主性、动态决策、模型控制流程
- 「最后的要点」：4 真的需要灵活决策？才上 Agent ：让模型自主规划执行
最后的「最后的要点」把讨论落到「4 真的需要灵活决策？才上 Agent ：让模型自主规划执行」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。