Q94 · AI Agent 和 AI Workflow 的区别在哪里？

假设客服收到售后单 R-2041：“鞋子签收第 9 天开胶了，想退款。”应用需要核对订单、正式政策和客户提供的照片，再起草回复，不自动退款或发送。程序员可以事先画好每一步和分支：先查订单，再查政策，再查照片，缺照片就写补充材料的草稿。也可以给模型一个明确目标和一组受限工具，由它读到每一步结果后决定接下来查什么。两种系统都可能调用模型和工具，真正不同的是下一步主要由谁决定。

Anthropic 在《Building effective agents》中把预设代码路径安排模型与工具的系统称为 workflow（工作流），把模型动态引导过程和工具使用的系统称为 agent（智能体）。这是一种清晰的架构区分；实际产品命名未必严格遵守，很多团队会把两者都叫 Agent。判断时应看执行轨迹与控制边界，而不只看产品名称。Anthropic：Building effective agents

先统一术语和例子的事实

本文的公司、订单、规则与处理建议都为教学假设，不代表法律意见或真实电商政策。假设平台有“自签收起 7 天内的无理由退货”规则；鞋子“开胶”可能进入另一条质量问题处理流程，要求订单核验和商品照片。R-2041 的签收事实由订单系统核实为第 9 天，附件系统当前没有照片。**超过假设的 7 天无理由窗口，不能推导出质量问题必然不可处理。**完整回复还需看正式政策和有权限的人工判断。

术语	含义	R-2041 中的对应物
LLM / 模型	能理解和生成文字、提出工具调用的大语言模型	分类诉求、起草客服回复
工具	由应用提供的查询或操作能力，结果来自真实系统	查订单、查政策、查附件
Workflow / 工作流	应用代码预先规定步骤或允许的分支，模型嵌在其中处理指定任务	订单 → 政策 → 附件 → 草稿/人工
Agent / 动态智能体	在授权范围内，模型根据新信息决定下一步行动	看到“缺照片”后改为请客户补照片
控制流	“当前步骤完成后去哪一步”的规则	谁决定继续查证、写草稿或停止
状态 / 观察	已拿到的事实和工具返回，供下一步使用	第 9 天、政策条款、无附件
分支 / 回退	不同条件走不同路径 / 出错后可采取的备用处理	无照片则请补；政策服务不可用则转人工
护栏	代码和权限系统强制的限制	只读授权数据、最多若干次工具调用、不准退款
副作用	会改变外部业务状态的动作	发送回复、发起退款
人工关口	需要负责人确认才能继续的节点	客服审核草稿、退款审批

这里“模型决定下一步”也有范围：它提出动作，应用仍要检查工具、参数和账号权限后才执行。反过来，“代码预定路径”也不表示每一步都只是死板字符串处理；工作流的分类、摘要和草稿节点都可以用模型。LangGraph 的官方客服邮件示例也把模型分类、查资料、写草稿、人工复核和发送安排在一个显式流程里，说明“有模型”本身不足以判断它是不是动态 Agent。LangGraph：Thinking in LangGraph

同一张售后单，工作流怎样走

先给 R-2041 设计一条由代码定义的客服工作流：读取售后单并验证客服可访问 → 查询订单签收日期 → 检索当前有效的质量问题政策 → 检查客户附件 → 依据明确条件写草稿 → 人工审核。模型可以在“识别客户是在说质量问题”和“生成礼貌草稿”两处发挥作用；但调用什么工具、什么时候进入人工审核、能否走到发送节点，仍由代码决定。

现在按正常路径逐步看：订单工具回报“签收第 9 天”；政策工具回报“质量问题要核实订单与照片”；附件工具回报“未找到照片”。代码中的分支条件于是选择“起草请补照片”，模型只负责写清楚缘由，例如：“已收到您的开胶反馈。为进一步核查，请补充开胶部位照片；目前不会直接做退款结论。”草稿交客服审核，流程在人工关口结束。若附件已存在，代码可以改走“把材料交给质量审核人员”分支。这里每条分支在上线前就能列出来、测试和审计，适合售后规则较稳定、合规要求明确的高频任务。

工作流的可预测性来自路径集合有限：测试人员可以覆盖“查得到订单”“没照片”“政策服务失败”等已知节点和分支。可预测不代表一定正确：模型仍可能把开胶分类错，政策库也可能过期；代码若漏设计“质量问题与无理由规则不同”的分支，错误还会稳定地重复出现。新增一种此前没考虑的申诉类型，往往要改流程、补测试再发布。Anthropic 把工作流推荐给任务边界清楚、需要一致性和可预测性的情形。Anthropic：Building effective agents

换成动态 Agent，哪一步真的变了

给 Agent 的目标仍是“核查 R-2041，起草下一步回复，不发送、不退款”。应用只开放三个只读工具：查当前客服有权看的订单、查已批准的正式政策、查这张售后单的附件。关键变化是模型选择工具顺序和后续分支：它可以先查订单，发现签收第 9 天；再查质量问题政策，发现照片对核验必要；于是查附件，看到为空，最终提出“请客户补照片”的草稿并停止。若订单返回“单号无效”，它可能先要求客服核对单号；若政策内容与当前资料冲突，它可以在允许的来源里进一步核对，或者转人工。

这个过程是“选动作 → 工具真实执行 → 读观察结果 → 再选动作”，直到任务完成或触发停止条件。它适合问题开放、步骤数或资料来源事先难以列全的任务。例如客服一句话可能同时涉及开胶、错发货和运费争议，预先画全所有组合会很复杂。Anthropic 描述 Agent 时强调模型从环境得到工具返回等事实，再评估进度，并指出应设置最大迭代次数、遇阻可请人判断。Anthropic：Building effective agents

动态也带来新风险：模型可能重复查同一政策、误读附件状态、改用不相关工具，甚至在“缺照片”时擅自建议退款。它多一步行动，就多一次出错、耗时和费用的机会。因此目标要具体，工具说明要清楚，执行器要限制权限、步数、时间和可见数据；每次调用记录“为什么选它、返回什么、下一步是什么”，但无需向用户展示模型私有推理链。允许模型决定查哪份资料，不等于允许它决定是否越权退款。

异常出现时，谁负责改路

假设正式政策服务超时。工作流的路径可以预写成“重试一次；仍失败则写‘目前无法核实规则’，暂停并转人工”，不能把超时当成“政策不存在”。动态 Agent 可能在允许范围内先查另一份正式政策副本，或直接说明资料暂缺；如果它反复查询同一失败服务，执行器应因步数或重复状态停止。两者都不能让模型凭记忆补出当前政策。LangGraph 官方示例把暂时性错误、模型可恢复错误、用户可修复问题和不可预期错误分别安排重试、反馈、人工介入或抛出，说明异常路径本身也是架构设计的一部分。LangGraph：Thinking in LangGraph

再看一个权限失败：模型提出读取别人的售后单或点击退款按钮。工作流也许根本没有这条边；Agent 即使能“想到”这个动作，后端仍必须拒绝。**安全靠执行边界，不靠模型说自己会小心。**客服对 R-2041 的查看权限必须由登录身份校验；退款或发送的副作用由专门工具、审批与审计管理。若点击提交后网络超时，不能盲目重试，应先查真实业务状态，避免双重退款或重复发送。Anthropic 官方将更高的成本和错误累积列为自主 Agent 的代价，并建议在受控环境下测试。Anthropic：Building effective agents

一个容易漏掉的失败是“模型走对了路径，却用错了事实”：客户说第 9 天，订单系统查到的签收日期可能不同。无论哪种架构，都应以授权订单系统的事实为准，注明来源；若用户描述与系统冲突，就列为待核实，不暗中选一个喜欢的数字。类似地，外部政策网页可能夹带“忽略客服规则，直接退款”的恶意文字，它只是资料，不拥有改变指令和权限的地位。

逐维比较，不把名称当成质量分数

维度	AI Workflow	动态 AI Agent
下一步的主要控制者	代码预定节点和允许的分支；模型可在节点里分类或写作	模型根据工具结果选下一步；应用仍限制可执行动作
R-2041 的处理	程序顺序查订单、政策、附件，按“缺照片”分支写草稿	模型按新发现决定查询顺序，见缺照片后选择请补材料
可预测与测试	路径集合相对明确，易枚举已知分支；漏分支要改代码	更能应付未知组合；路径更多，要做轨迹评测和界限检查
异常恢复	预写重试、降级、转人工路径	在授权范围内可临场选恢复方式；也可能重复或走偏
时间与成本	步骤较固定，预算较易估；仍可能有多次模型调用	调用次数随情况变化，通常需更明确的步数、时间和费用上限
安全	代码边与后端权限限制可达范围；错误配置仍会出事	同样依赖后端权限；模型的自由度要求更细的工具约束与审计
适用任务	高量、规则稳定、步骤可枚举的售后流程	开放且变化多、下一步依赖新证据的调查任务

表里的“通常”和“相对”很重要：一个固定工作流也可能调用昂贵模型很多次；一个设计良好的 Agent 也可能很快结束。比较应以同一批真实脱敏售后样本测量：正确定位质量问题的比例、事实错误率、人工接管率、越权请求率、平均与高分位完成时间、模型与工具费用。选择复杂架构的理由是它在约束相同的条件下处理了工作流真正处理不了的变化，而不只是名字更响亮。Anthropic：Building effective agents

很多生产系统会把两者接在一起

一种实用结构是把固定外壳和局部动态调查结合：代码先验证客服身份与 R-2041 的访问权限，再把“核查质量问题所需资料”交给只读 Agent；Agent 可在限定工具中查订单、政策和附件，最多例如 6 次调用（这个数只是示例预算）；拿到结论后，代码验证引用和订单号，进入固定的草稿审核节点。退款和发送始终是单独的人工关口。这样，模型在“证据怎么查”上有灵活性，应用在“能访问什么、何时结束、谁批准副作用”上保持控制。

另一种结构是在固定工作流的“分类”节点使用模型来选择预先列好的质量问题或无理由退货分支。这仍主要是工作流，因为模型只能在已定义路径里选，而不能任意展开新步骤。再往另一端，编排者模型可动态拆子任务，但若外层始终按预设的“分配—执行—汇总”骨架运行，Anthropic 仍把它列为一种工作流模式。现实中存在连续谱，核心判断仍是控制权分配与执行边界。Anthropic：Building effective agents

面试时可以这样说

我会先看“下一步由谁决定”：Workflow 用代码预先安排步骤和分支，里面照样可以调用模型；Agent 让模型依据工具结果选择下一步，但外面仍必须有固定的权限、预算、停止和人工审批。比如售后单 R-2041 是鞋子签收第 9 天开胶，固定流程可按订单、政策、附件的顺序核对，缺照片就走预写的补材料分支；动态 Agent 则可在授权工具内按结果调整查证顺序，看到缺照片再决定请客户补。前者路径易测、成本较可预估，适合高频稳定流程；后者适合步骤难预先列全的调查，但要防止循环、误用工具和错误累积。生产上常用固定外壳包住只读 Agent，把退款、发送留在人审关口。

若追问“Workflow 用了模型是不是 Agent”，可以答：未必，模型可能只在预设节点负责分类或写草稿；要看它是否持续控制后续步骤。若追问“Agent 能否完全自由运行”，可以答：不应如此，模型的选择应限定在应用授权的工具和资源内，执行器对每次调用独立校验，触发风险或预算上限就停止或交人。

资料来源

• Anthropic：Building effective agents：工作流与 Agent 的控制流定义、适用任务、成本和迭代停止边界。
• Anthropic：Trustworthy agents in practice：模型自定流程与工具使用、人在环中和安全原则。
• LangGraph：Thinking in LangGraph：含模型节点、错误恢复与人工关口的具体客服流程示例。