Agentic Workflow(智能体工作流)
由代码预先规定总体路径、在局部让 LLM 做生成、判断或工具选择的多步骤系统。
Agentic Workflow 位于传统确定性程序与开放式 Agent 之间。它使用 LLM 和工具完成多步骤任务,但主要控制流由开发者预定义:哪些步骤串行、哪些并行、何时路由、何时评估、失败怎样重试,都能在代码或图中看见。
Anthropic 将 Workflow 与 Agent 明确区分:Workflow 的 LLM 和 tools 按预定义代码路径编排;Agent 则由 LLM 动态决定自己的过程与工具使用。
“Agentic”不意味着必须完全自治。只要系统利用模型判断扩展了固定自动化,同时保留可观察、可控制的结构,就可称为 agentic workflow。
许多业务任务并不需要开放式 Agent,却能从多次 LLM 调用、工具和反馈中受益:
- 文档先生成提纲,再校验,再写正文。
- 客服先分类,再进入退款、技术支持或普通问答流程。
- 多个独立审阅器并行检查安全、事实和风格。
- 生成器写结果,评估器提出反馈,循环到达标准。
- 复杂任务由 orchestrator 动态拆分,但 worker 类型与汇总方式受控。
Workflow 通常更容易测试、解释和控制成本,因此应在开放式 Agent 之前考虑。
Prompt chaining
Section titled “Prompt chaining”把任务拆成固定顺序的小步骤,每一步消费上一步输出。适合分解稳定且中间结果可以检查的任务。关键风险是上游错误向下游传播,因此需要 gate 和结构化输出。
Routing
Section titled “Routing”先分类输入,再送入专门 prompt、模型或工具。适合类别边界清晰的任务。路由器本身需要评估,否则错误分类会让后续专家再强也无法修复。
Parallelization
Section titled “Parallelization”包含两类:
- Sectioning:把独立子任务分开执行后聚合,提高速度或聚焦度。
- Voting:让多个独立尝试对同一问题判断,提高置信度或覆盖不同风险。
并行只有在子任务真正独立或聚合规则明确时有效。
Orchestrator-workers
Section titled “Orchestrator-workers”Orchestrator 根据输入动态确定子任务并委派给 workers,再合并结果。与固定并行的区别是子任务数量和内容事先未知。适合代码跨文件修改或多源研究。
Evaluator-optimizer
Section titled “Evaluator-optimizer”Generator 产生候选,Evaluator 按明确标准给出反馈,再迭代改进。适合翻译、写作、检索和代码等“反馈能够使结果明显变好”的任务。
Graph workflow
Section titled “Graph workflow”LangGraph 等工具把 state、node、edge、conditional edge、interrupt 显式化。图不是目的;它只是让复杂控制流、状态和人工检查点更容易表达。
早期 LLM 应用多为单次 prompt 或固定 chain。随着 function calling、结构化输出和工具生态成熟,开发者开始组合路由、并行、规划和评估。Agent 热潮一度把所有多步骤 LLM 应用都叫 Agent,随后工程实践重新强调 Workflow 与 Agent 的控制权差异。
当前常见做法是混合架构:外围使用确定性 workflow 管理权限、预算和状态,局部开放一个受限 Agent loop 处理难以预定义的步骤。
“Workflow 不够智能”
Section titled ““Workflow 不够智能””系统价值来自任务完成率、成本和可靠性,不来自自治标签。许多高价值系统应保留确定性外壳。
“流程画成图就自动可靠”
Section titled ““流程画成图就自动可靠””图只能表达控制流,不能替代工具测试、数据验证、失败处理和评估集。
“Evaluator 多调用一次模型就会变好”
Section titled ““Evaluator 多调用一次模型就会变好””如果标准模糊、Evaluator 与 Generator 共享同一盲点,循环只会增加成本。必须用人工样本验证改进幅度。
“并行越多越好”
Section titled ““并行越多越好””并行会增加调用量和聚合难度。强相关子任务拆开后可能丢失共同上下文。
“Orchestrator-workers 就是 Multi-Agent”
Section titled ““Orchestrator-workers 就是 Multi-Agent””Worker 可以只是普通 LLM call 或工具,不一定具有独立状态和自治循环。不要按角色名称判断是否为 Agent。
与相邻概念的区别
Section titled “与相邻概念的区别”- 与 deterministic automation:Workflow 允许 LLM 在局部做语义判断,输出不完全由规则决定。
- 与 AI Agent(智能体):Workflow 的总体路径由代码控制;Agent 的路径主要由模型根据环境反馈决定。
- 与 ReAct(推理与行动):ReAct 是一种循环模式,可被嵌入 workflow 的某个节点。
- 与 multi-agent:多 Agent 关注多个自治执行体之间的委派或 handoff;workflow 可以只有一个模型实例。
- 与 orchestration framework:框架是实现手段,workflow 是控制结构。