Agent vs Workflow

很多人把"用 LLM 做事"都叫 Agent，但严格上 Anthropic 的区分是——

Workflow = 执行路径由代码预先写死
Agent = 由 LLM 动态决定下一步

核心区别在控制权掌握在谁手里。现实中很多标着 "Agent" 的产品，深入看其实更接近 Workflow，不过两者本身并无高下之分，真正重要的是给任务找到更合适的解决方案。

6 维对比

维度	Workflow	Agent
控制权	代码预定义，同输入必走同一路径	LLM 动态决策，可能需要评测验证
执行方式	工具顺序固定，错误走预设分支	工具按需选择，模型可尝试自我修复
状态与记忆	显式状态机，节点跳转清晰	隐式上下文，状态在对话历史中累积
维护成本	改流程需改代码并重新部署	调整系统提示即可，无需重新部署
可观测性	日志定位节点，延迟可预估	需完整执行记录理解决策链，轮数不固定
人机协作	人在预设节点介入	人在任意轮次介入或接管
适用场景	流程固定、输入边界清晰	需要中间推理与灵活判断

五种 Workflow 模式

Anthropic 在 Building Effective Agents 里把"非 Agent"的 LLM 应用归纳成 5 种 Workflow 模式：

1. Prompt Chaining（提示链）

把一个任务拆成多个步骤，每一步的输出作为下一步的输入，串成一条链。每一步用同一个 LLM 但用不同的 prompt。

In → LLM Call 1 → Output 1 → Gate ─ Pass → LLM Call 2 → Output 2 → LLM Call 3 → Out
                                  └─ Fail → Exit

适用：步骤明确、可预测的任务（如"先翻译再润色再校对"）。

2. Routing（路由）

一个"分流器"先判断输入属于什么类别，然后把它转给专门处理这类问题的下游模块。

                ┌→ LLM Call 1 ┐
In → LLM Call   ├→ LLM Call 2 ├→ Out
     Router     └→ LLM Call 3 ┘

适用：输入有明确分类、不同类别需要不同处理（如客服系统分流"退款 / 技术支持 / 投诉"）。

3. Parallelization（并行）

把同一个任务拆给多个 LLM 并行执行，最后汇总结果。两种子模式：

分片：把一个大任务拆成几小份，并行处理
多视角：让多个 LLM 从不同角度看同一个任务

       ┌→ LLM Call 1 ─┐
In →   ├→ LLM Call 2 ─→  Aggregator → Out
       └→ LLM Call 3 ─┘

适用：任务可以并行（提速）或需要多视角投票（提质）。

4. Orchestrator-Workers（编排-执行）

一个"主控 LLM"负责拆解任务和协调，多个"工人 LLM"负责具体执行。跟 Parallelization 的区别是——这里主控动态决定要拆成几个子任务、给谁做。

            ┌→ LLM Call 1 ─┐
In → Orch ─→├→ LLM Call 2 ─→ Synthesizer → Out
            └→ LLM Call 3 ─┘

适用：任务的拆解方式无法预先确定。这其实已经接近 Agent，区别在于 Orchestrator 走的是固定模板而非自由推理。

5. Evaluator-Optimizer（评估-优化）

一个 LLM 负责"生成"，另一个 LLM 负责"评估"。两个 LLM 像"作者和编辑"一样循环迭代，直到评估方满意为止。

                    Solution
In → LLM Call ────────────────→ LLM Call ──Accepted──→ Out
     Generator ←───────────────  Evaluator
                Rejected + Feedback

适用：评估标准明确、质量要求高的任务（如代码生成、复杂文档撰写）。这本质就是 Reflection 机制的双 Agent 实现，详见 Agent规划与反思。

Agent 分辨口诀（5 问）

如果你不知道要不要做 Agent，回答这 5 个问题——

#	问题	如果回答是"不知道"或"不需要"的含义
1	这个需求每次执行的流程都不一样吗？	流程一样 → 用 Workflow
2	下一步做什么需要根据上一步的结果决定吗？	不需要 → 用 Workflow
3	用户能接受 3 分钟以上的等待吗？	不能 → 重新考虑
4	单次任务的预算能接受 1 元以上吗？（以 Claude Sonnet 4.6 约 $3/M tokens 计）	不能 → 用更便宜方案
5	出错时有降级方案吗？	没有 → 别上线

5 个问题如果有 3 个以上是"否"，那基本就别做 Agent 了。

Agent 模式选择决策树

                              任务类型
                                  │
        ┌─────────────────┬───────┴────────┐
        ↓                 ↓                ↓
   单步就能完成      多步但路径固定     多步且路径不固定 → Agent
        │                 │                │
        ↓                 ↓        需要调用外部工具？  → +Tool Use
   不需要任何模型     Workflow      任务超过 3 步？      → +Planning
   直接 LLM 调用                   质量要求高 +          → +Reflection
                                  评估标准明确？
                                  Context 不够 /        → +Multi-Agent
                                  有明确分工 /
                                  可以并行？

关键判断：先判断是否要走 Agent 路径，再决定 Agent 要叠加哪些能力。每加一个能力都意味着成本和不可预测性上升，因此叠加要克制。

实战分组拆解模板（PM 训练用）

根据用户访谈拆解一个 Agent 产品时，从 5 个维度问：

LLM：你们打算用什么模型？为什么？
Memory：这个 Agent 该记什么？记到哪里？
Planning：一次任务要拆成几步？要给用户看步骤吗？
Tools：列出核心的工具
Action 分级：哪些动作高风险需要用户确认？

5 个维度对应的深入概念页：Agent五要素技术定义 / Agent记忆体系 / Agent规划与反思 / Agent工具与行动