碎碎念丨Agent 还是 Workflow
date
Apr 1, 2025
slug
agent-or-workflow
status
Published
tags
AI
LLM
Agent
碎碎念
summary
type
Post
抛开需求谈设计，抛开场景谈交互，
就和吃泡面不加火腿肠一样不可理喻（原谅我实在不能用不粗鄙的话语表述出来）。
用户其实不关心一个产品背后，是通过一个能力强悍的大模型自主调用工具完成的，还是通过工程师们搭建各种 workflow 预设好完成的。用户只关心是否能开箱即用，需求是否被及时的响应，被很好的满足。
试想一下，我们在用抖音、淘宝、美团的时候，会想着这个界面是用什么框架搭的，这个推荐算法是怎么写的，我点个购买按钮为什么就会有外卖员给我送货？并不会，因为这一切都很直觉，很习以为常，仿佛「天经地义」
当然，用户只要用就行了，但产研团队需要思考的就多了：
我该怎么设计界面和用户旅程，能让用户傻瓜式操作，降低上手门槛？
我该怎么设计服务架构和技术方案，实现高并发高性能高可用？
ok 那我们在做 AI 产品也一样，同样也需要思考：
- 任务是否足够复杂，需要适应性决策（ Agent），还是确定性方法（ Workflow）就足够了？
- 更简单的 AI 工具能否达到相同效果？
- Workflow 是否涉及不确定性、变化的条件或多步推理，AI Agents 能否更有效地处理？
- 赋予 AI Agents 自主性会带来哪些风险，是否可以减轻？
为什么需要考虑这些？
首先来看用户与 AI 交互的任务，大体上可以分为两类，增强 或 自动化。
增强指的是开放性探索性的任务，比如研究、学习；
自动化指的是有固定的流程，或者说是可以直接完成的任务；
这两类任务场景下，LLM 的角色是略有不同的。
增强：LLM 充当的是一个决策者，能够自主规划和选择下一步该如何走，怎么走
自动化：LLM 充当是一个消息处理节点，综合各类信息，选择人类预设好的路径完成任务
下面看两个场景：
假设我们通过 workflow 构建一个 deep research 产品，需要配备足够丰富的搜索源，比如 google、x、reddit、arxiv，然后我们用了一个高超的方式，实现了模型能够不断研究、不断搜索，直到模型判定，内容已满足输出条件，结束任务。但如果用户想来研究《基于大数据的携程用户评论情感分析与需求识别研究》，那完了，这个 workflow 里，只写了搜索的功能，没有写爬虫的功能，抓不到数据，没有数据支撑的研究报告还能叫研究报告吗？那这还叫 deep research 吗？显然不行，用固定的 Workflow 搭建出来的 AI 应用，只能在设计好的有限的功能范围里，提供帮助。
再假设，我们让 agent 来当一个特定领域的文章爬取摘要转写的功能，这是一个高重复度的任务，每次执行，都需要动态规划处理流程吗？显然不用，完全可以用固定的流程写死。
对比上面两个 case，不难发现，
当问题足够小、重复度高的场景下，Workflow 有明显的优势，固定的流程可以批量的可确定的执行；
当问题复杂、变量多的场景下， Agent 有明显的优势，适应性足够强，应用更健壮。
回到开头的话，Agent 和 Workflow 之争，可能是 AI + X 还是 X + AI 的区别。