无代码 AI Agent 上线生产：workflow 与 agent 的本质区别

代理（Agent）是一种能调用工具的模型，而不是更复杂的 Workflow

这些词用得很随意，先把它们理清楚。Workflow 按固定顺序执行固定步骤。Agent 则让模型根据当前情况决定下一步调用哪个工具。在 n8n 这样的可视化构建工具中，模型负责推理，平台将工具提供为节点。人们所谓的"Agent"有一半实际上应该叫 Workflow，而把它们作为 Agent 来构建只会引入本不需要的不确定性。在开始拖拽节点之前，先搞清楚任务究竟需要哪一种。

一切之前，先把范围限定在一个无聊、重复的任务上

真正能用的 Agent 都是从窄口切入的：一个目标明确的单一重复任务。那些失败的 Agent 则试图成为万能助手，失败得散乱且无人能调试。在生产环境中验证了窄口版本之后，再扩大范围。野心是可靠第一版 Agent 的敌人。

在它赢得自主权之前，始终让人参与其中

第一版以"草稿—审批"模式上线：Agent 提出操作建议，由人审批后才真正执行。在涉及金钱、客户或数据的步骤上设置明确的审批检查点。只有在 Agent 用真实案例证明了它值得这份信任之后，才能移除人工干预。自主权是挣来的，不是配置出来的。

给它一个知识基座，因为没有任何模型能修复糟糕的知识

接入一个向量数据库，让 Agent 用你真实的内容来回答，而不是临时发挥。最常见的失败模式不是模型太弱，而是源数据太差。错误或缺失的知识，没有任何模型能修复。垃圾进，输出的是措辞流畅但自信的垃圾。

无法测量，就不知道它是否真的有效

大多数 Agent 项目默默掩盖的真相是：没有人真正知道输出好不好。从真实案例中构建一个小的评估集，用它给 Agent 的回答打分，并在上线后持续监控。测量不是锦上添花，而是区分"演示效果不错"和"真的能用"的唯一手段。

何时该离开无代码

只有在对吞吐量有真正高的要求、需要深度集成专有系统、或逻辑无法被可视化构建工具表达时，才升级到定制代码。其他所有场景，n8n 数百个连接器和原生 Agent 节点能让你在几天内构建出一个有知识基座、有人工检查的 Agent。完整的逐步指南，从触发器到监控，都在这里：How to Build a No-Code AI Agent (Step by Step)。

本文由 AI（Claude）辅助起草，经我审阅和编辑。