架构演进：从确定性工作流 (Workflow) 到自主智能体 (LLM Agent)

在生成式 AI 落地应用的过程中，开发者常面临一个架构选择难题：是构建一个严谨的 Workflow，还是打造一个自主的 Agent？

虽然两者都以大模型（LLM）为核心引擎，但在控制流逻辑、状态管理及非确定性处理上存在本质区别。本文将通过“智慧旅游规划”这一典型场景，深度拆解两者的技术范式差异。

一、定义与技术底座

1. Workflow：基于状态机的确定性执行

Workflow 本质上是一个 DAG（有向无环图）或复杂的状态机。它将任务拆解为预定义的节点（如：输入解析 -> API 调用 -> 数据清洗 -> 输出格式化）。

• 核心逻辑：基于 If-Else 的硬编码规则。
• 技术本质：降低系统熵值，追求结果的可预测性和流程的规范性。

2. Agent：基于推理循环的自主决策系统

Agent 是一个具备感知（Perception）、规划（Planning）、记忆（Memory）与工具使用（Tool Use）能力的闭环系统。它通常基于 ReAct（Reason + Act）或 Reflexion 架构。

• 核心逻辑：基于 LLM 的语义推理与动态 Token 预测。
• 技术本质：处理高熵环境，追求目标导向下的最优路径解。

二、技术维度对比

三、场景拆解：旅游攻略生成的方案选型

方案 A：Workflow 模式——标准化的“流水线”

在 Workflow 架构下，攻略生成被分解为固定的算子序列：

• Input Parser：提取目的地（上海）、天数（3 天）。
• Search Node：调用携程/美团 API 获取 Top 10 热门景点。
• Template Engine：将景点填入“上午-下午-晚上”的固定填充模板。
• Output Formatter：输出 Markdown 文档。

技术瓶颈：无法处理“亲子游”中的隐含约束（如：3 岁幼童的体力阈值、母婴室需求）。若用户临时想换一个景点，整个流程必须重头运行，且无法理解景点间的逻辑冲突。

方案 B：Agent 模式——动态规划的“推理机”

Agent 采用 Chain-of-Thought (CoT) 逻辑，其执行过程更接近人类专家：

• 需求解构（Decomposition）：Agent 发现“亲子”是核心变量，主动调用 Query_User 工具询问儿童年龄。
• 环境建模：检索上海实时天气 API。发现第 2 天有雨，Agent 自动将“野生动物园”任务出栈，压入“自然博物馆”任务。
• 长短期记忆调用：从 Buffer Memory 中提取用户偏好（喜欢小猪佩奇），自主搜索该 IP 相关的室内乐园。
• 反思与优化：在最终输出前，Agent 进行自检：“3 岁儿童步行超过 2 公里可能导致行程崩溃”，随后自动补齐“打车建议”与“婴儿车租赁点”。

四、核心差异总结：决策熵与自主性

• Workflow 是“被动的执行者”：核心价值在于 Process Compliance（流程规范性）。它将 LLM 作为一个高效的 NLP 工具嵌入到确定性的逻辑中，适合金融审批、数据合规清洗等不容许偏差的场景。
• Agent 是“主动的决策者”：核心价值在于 Autonomous Reasoning（自主推理）。它利用 LLM 的泛化能力处理边缘案例（Edge Cases），适合个性化推荐、复杂任务编排、开放式问题求解。

结语

从架构设计的角度看，Workflow 是为了消除不确定性，而 Agent 是为了拥抱不确定性。 在实际工程实践中，我们往往采取 “Workflow-centric Agent” 的折中方案：在关键路径上使用 Workflow 保证下限，在局部决策上引入 Agent 提升上限。