Workflow vs Agent：从“流水线工人”到“自主决策者”

1

Workflow“执行者”，Agent“决策者”

Workflow本质：步骤固定、顺序固定、没有决策权

所有执行逻辑、调用顺序、任务步骤，全部由开发者在代码中预定义。只要输入一致，输出永远一致，全程不会思考、不会判断、不会变通。

通俗类比：照着菜谱做菜的学徒。

菜谱写放盐就放盐、写炖15分钟就炖15分钟。哪怕食材老化、火候变化，它也不会自主调整步骤，严格机械执行，完全没有临场判断能力。

Agent本质：让大模型在运行时动态决定每一步做什么

开发者只定义「最终要达成的结果」，不限制执行过程。Agent 会自主完成：需求拆解、工具选择、信息校验、补充采集、自我反思、纠错迭代。

通俗类比：自带工具箱的资深项目经理。

接到目标后自主规划流程、判断资源是否充足、按需调用工具，遇到异常主动调整方案，信息不足就补充调研，结果不准就复盘修正，直到交付合格结果。

2

实战对标：两种实现范式

我线上运行的金属市场自动日报系统，核心需求非常明确：

每日定时自动采集各金属品种价格、行业新闻、宏观汇率，AI分析行情走势，最终推送结构化日报到个人微信。

我针对完全相同的需求，分别实现了 Workflow 固定流程版 和 Agent 智能决策版，差异肉眼可见。

• Workflow 版：线性流水线，完全固定执行

Workflow 的核心：所有步骤提前写死，按序串行执行。

哪怕市场出现极端行情、数据异常，代码也不会做任何额外动作，只会机械走完预设流程。

# Workflow模式 核心简化代码
def run_daily_report():
    prices = fetch_prices()      # 步骤1：固定采集价格
    news = fetch_news()          # 步骤2：固定采集新闻
    macro = fetch_macro()        # 步骤3：固定采集汇率
    analysis = ai_analyze(prices, news, macro)  # 步骤4：固定AI分析
    report = build_report(prices, news, macro, analysis)  # 步骤5：固定排版
    send_to_wechat(report)       # 步骤6：固定推送

全程无分支、无判断、无补充、无复盘。

举个典型场景：今日铜价单日暴跌3%，属于罕见异常行情。

但 Workflow 完全感知不到，依旧只会采集当日数据、常规分析、固定格式推送，不会主动溯源历史数据、不会标记异常风险、不会追加重点提示。

• Agent 版：目标驱动，动态自主决策

Agent 彻底抛弃了“固定步骤”思维，只给大模型一个最终目标：输出一份精准、完整、能识别市场重点的金属日报。

所有中间步骤、工具调用、信息补充、结果校验，全部由 LLM 运行时动态决策。

# Agent模式 核心简化代码
def generate_report():
    done = False
    while not done:
        # 大模型自主判断：当前需要做什么
        decision = llm.decide()  
        if decision == "需要查询实时价格":
            query_prices()
        elif decision == "需要采集行业新闻":
            query_news()
        elif decision == "信息不足，需要补充历史行情":
            query_history()  # 自主新增分支，Workflow无法实现
        elif decision == "信息充足，可以生成分析":
            report = llm.generate_report()
            # 自主复盘校验结果准确性
            if llm.verify(report) == "存在漏洞/信息不全":
                continue  # 重新补充信息、迭代分析
            else:
                done = True
                send_to_wechat(report)

还是刚才的场景：铜价单日暴跌3%。

Agent 会自主判断：单日大幅波动属于异常信号，仅看当日数据不足以支撑分析。

随后自动触发补充逻辑：调取近一周历史价格、核查近期宏观政策、抓取相关利空新闻，最终在报告中主动增加异常风险提示。

3

怎么选？场景决定方案

Agent版的代码不是把Workflow推倒重来，而是在Workflow的基础上加了一层“决策脑”。

具体来说：fetch_prices()、fetch_news()、fetch_macro() 这些数据采集函数，Workflow在用，Agent也在用。Agent只是多了一个“LLM决策循环”，来决定什么时候调用这些函数、调用哪些、调用完之后要不要再调别的。所以Agent的代码量是400行，其中200行是复用的Workflow代码。

优先选 Workflow 的场景

• 任务逻辑固定、步骤长期不变，无动态分支需求
• 对运行成本敏感，希望极低 Token 消耗
• 对响应速度、任务稳定性要求极高
• 无需异常识别、智能解读、个性化输出

优先选 Agent 的场景

• 任务开放、结果不确定，需要动态适配变化
• 需要 AI 自主识别异常、抓取重点、深度解读
• 需要结果自检、纠错、迭代优化，追求输出质量
• 希望工具自由组合，而非固定流水线执行

Workflow和Agent的界限其实很清楚：

Workflow是“你告诉AI每一步做什么”。Agent是“你告诉AI目标是什么，它自己决定每一步做什么”。

判断标准很简单：把AI的决策权从代码里拿出来，交给大模型在运行时行使——做到了，就是Agent；没做到，就是在Workflow里调了个LLM而已。

Workflow不会消失，Agent也不会取代Workflow。确定性任务交给Workflow——稳定、省钱、放心。开放性任务交给Agent——灵活、智能、能应对变化。

这不是谁取代谁，而是什么场景用什么工具。 而作为开发者，核心能力是判断：我这个需求，到底需不需要AI来“做决定”？