Agent真能取代Workflow？别被融资故事带偏了节奏。本文用“谁来做判断”这一核心差异，厘清两者本质：Workflow靠人写死逻辑，稳定高效；Agent把决策权交给模型，灵活却脆弱。真正落地的AI系统，往往是二者混合——关键业务靠Workflow兜底，边缘场景让Agent试错。
之前，我发的文章《AI Agent架构有缺陷，Workflow一定会存在》遭到了某正在Agent创业CEO的抵制。
他观点很清晰：Workflow没用了，是落后的技术，现在都是Agent时代。让我不要固执己见，拿着一年前过时的技术“妖言惑众”…
当时因为这事群里发生了激烈的争论，很多人都参与进来了，最终结果是谁也没说服谁。但从很多产研大佬的反馈来说，印证了我之前一句话：Agent拿到了融资，Workflow解决了工作问题。
而后，我心有所感写了一篇文章：《AI 编程不是Agent》，下来后依旧感觉没说清楚，今天我们用更通俗点的语言再说下Agent与Workflow的差异是什么？
其实两者差异很清晰的，决策权只要在模型，那么就是Agent，如图所示，Agent是一个标准的ReAct架构（思考→执行→观察 结构）：
Workflow就是我们在代码中将所有分支都定死，模型的作用就是根据输入做输出；Agent属于将if/else判断的部分交给模型了。
进一步Workflow最大的特点是：稳定、成本低、效率高，但几乎没有灵活性，流程变一点就一定要人工上手做调整；
而Agent最大的特点是：灵活，可以兼容大部分场景。问题也很明显，黑盒太多，并且ReAct架构天生稳定性差、成本高、响应慢。
以同一个功能来区分Workflow和Agent：上海天气怎么样?
首先是Workflow，他需要做的是意图识别，要么用程序、要么用AI去判断这里是否有天气咨询的需求，如果有就用程序或模型取出参数，自己手动调用API；
而Agent的话，其实跟上述动作大同小异：
首先，两者API调用都是一套，工具代码没有任何不同；
其次，Workflow的意图识别是我们主动发起的，如果这里意图识别很多的话程序可能会很臃肿：if 天气 需求意图，Workflow后续流程if 旅游 需求意图，Workflow后续流程if 机票 需求意图，Workflow后续流程……
可以看到，Workflow的识别全部是显示的；
而在这里，Agent架构的差异性就出来了，他不需要要那么多if判断，取而代之的是工具定义：
[
{
“tool_name”: “weather”,
“tool_desc”: “查询某地的天气”,
“tool_examples”: [“上海天气怎么样”, “北京天气怎么样”]
},
{
“tool_name”: “travel”,
“tool_desc”: “某地的游玩计划”,
“tool_examples”: [“上海有哪些好玩的”, “北京有哪些好玩的”]
}
]
这里甚至可以说是模型给的一个语法糖，他并没有吃掉之前的if判断，只不过将判断逻辑写进了参数，核心是description、name…
其实为什么要这样做，乃至可以这样做的原因也很简单：模型语义能力大大的提升了产品的泛化能力。
这里结论是：之前Workflow的判断被模型的意图识别替换掉了，这里就大大增加了整天产品的灵活性，是模型泛化能力的体现。
谁来做工具调用的判断，也就是Workflow和Agent的核心差异了
如上所述，Workflow里面。业务流程是人写死的，模型只是某几个节点里泛化能力（语义理解能力）更强的API；
而Agent是将业务的编排逻辑下放给了模型，他首先要负责想，其次要负责选，这里想和选的部分很依赖模型本身的能力，有些小领域几乎没法做出合理的规划，包括工具调用也是，因为工具调用的背后是意图识别：
所以，当模型能力不足或者各方面要求较高的时候，Workflow都不是首选了，是唯一选择。
更进一步的判断逻辑是：整个业务选型要从任务目的出发，如果稳定性、成本、响应速度要求太高，无脑Workflow就好。
只不过从我之前生产实践来说，Workflow和Agent两者之间并不是互斥的，我们往往都会用到，也就是：最核心的业务，错了要赔钱的任务会用Workflow做基本保障；跳出核心业务，用户对于错误感受不严重的，使用Agent架构；
关于为什么要使用这套混合架构的答案很简单：没办法，Workflow只能解决80%不到的需求！
进一步说：用户的意图是无穷的，我们根本做不到穷举他所有的需求，然后一一硬代码做稳定的实现，在这个时候Agent可以缓解产品完整性很大的压力；
换个问题：Agent如果表现得好就能100%解决用户需求了吗？
答案也是否定的。意图是无穷且天马行空的，但每个产品的边界却很清晰：
他首先受控于Tools各种组合可以完成的部分，比如如果Tools没有支付功能，那么Agent怎么都不会有；
其次Agent产品的能力也受控于领域知识的局限性，比如突然从一个医疗Agent跳到法律Agent，在真实世界的框架里是合理的；
比如出了医疗事故，必定会涉及法律部分的问题，但在Agent产品中未必可以这样做，因为不同国家、地区乃至医院体系，这里的处理逻辑会有所不同，所以在各个垂直领域Agent成熟并且对外释放接口前，这一切不会发生。
最后，上述的所有可能都是建立在假设模型基本能力很强，在意图识别上不会出问题的基础上，加之工具的集成还有一个阶段，所以通用Agent的出现还有很长的时间。
至此，我相信大家对Workflow和Agent的差异是什么，以及两者之间该如何选择已经十分清晰了，那么这里只留下最后一个问题了：
前面我们已经说了，Agent架构的核心是意图识别和工具调用，这里意图识别延展出来是上下文工程和模型本身能力提升的问题，这个话题太大我们不做讨论，但Agent所需工具也是千奇百怪，他该如何实现我们也许是值得探讨的问题：
得益于模型能力的发展与历史海量的互联网工具的积累，Agent模式虽然在25年没解决太多问题，但已经崭露头角了，而这里工具的实现就很有意思了。
正常情况下，每个工具的调用是我们一个个做的，但是其实这里是否存在另一个可能，Agent依赖的工具是他自己动态添加（实时创造）的呢？
这是一种Agent做产品经理，模型做码农的模式，他理论上是可行的，他最终会指向一个可能性：Agent能否超越预先定义的能力边界，在运行时动态扩展其技能树？
而这已经发生了，之前我就做过一次，如视频所示：
这里我给Agent的指令是为我生成一个游戏，而他马上调用Claude Code做出来了，所以编程这个Agent拥有的工具，几乎理论上是万能的！
更进一步他可以干什么呢？答案是他可以自己创造数据、微调模型，因为这个是真的不难，他也属于标准AI 编程其中一环…
所以，未来的Agent可以很激进，当天在运行过程中发现现有 Tools 不够用，于是自己写一个、自己挂上去，这才是很多人口中的“真正智能体”。一个典型流程可能是这样的：把这 10 万行日志做异常模式分析，再生成一个交互式可视化页面Agent 发现任务没法仅靠现有工具完成；他在一个受控的代码执行环境里，生成一段分析的代码；执行、测试，通过之后，将他包装为Tools；…
如果再往前推一步，这个“代码执行环境”本身，也是一个 Tool，于是就形成了一个很有意思的闭环：
Tool 里的代码由模型生成，模型再调用这些 Tool 来完成更复杂的任务。
从架构视角看，你等于多了一层：以前是：模型 → 工具集现在变成：模型 → 工具工厂 → 新工具集 → 再被模型使用
当然，这一切还远，真的这样做就是在沙滩上建立沙滩碉堡，这种东西是经不起风雨的，但这个趋势已经出现了…
最后总结一下：Agent融到了钱，Workflow解决了实际的问题。两者之间没有孰优孰劣，还是要看业务是什么、任务是什么、问题是什么。
Workflow 落不落后、Agent 到底多智能，纠结这些干嘛，谁更适合解决他们，就用什么，工具罢了！
在你的业务里，哪些必须交给 Workflow 保底，哪些可以放心交给 Agent 去冒险？这个边界划得越清楚，你的 AI 项目就越有机会既活得久，又跑得快。
本文由人人都是产品经理作者【叶小钗】，微信公众号：【叶小钗】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。