用乐高比喻理解 AI Workflows vs Agents

你有没有把一堆乐高积木倒在地板上过？

如果有，那么你已经离理解 AI workflow 和 AI Agent 之间的区别更近了一步。

AI workflow：照着乐高说明书搭建

AI workflow 就像打开一套乐高房屋套装，然后按照说明书，从第 1 步一直搭到第 12 步。

• 哪块积木应该准确地扣在哪里
• 步骤的先后顺序
• 最终搭出来的房子是什么样子

一切都安排得明明白白，没有任何事情交给随机性。

AI workflow 的工作方式也是如此。它遵循固定的控制路径，也就是预先定义好的一系列步骤。

但我们一开始为什么需要 workflow 呢？

模型非常擅长起草邮件、编写短信、生成博客内容、创作图片、将文本转换成语音等任务。

例如，如果我问一个 LLM：

“嘿，能帮我写条短信，约 Sam 出去约会吗？”

像 ChatGPT 或 Gemini 这样的 LLM 应用会完成得非常出色……

……但有时候，它们的表现也挺糟糕！

假设我问聊天应用：“我和 Sam 的约会是什么时候？”它根本答不上来。

但为什么 LLM／模型有时会表现得这么糟糕？

虽然它们确实使用海量公开数据集进行过训练，但它们无法访问你的个人数据或专有数据，比如你的日历、邮件、公司的内部文档等。

那么解决方案是什么？让模型访问你的数据。（当然不是所有数据。一定要谨慎。这还用说！）

现在，当 LLM 收到与时间相关的问题时，比如：“我和 Sam 的约会是什么时候？”或者“我的午餐是什么时候？”又或者“我的会议是什么时候？”

• 提取相关事件

这就是一个 AI workflow！

请注意，这里的模型并没有决定自己要做什么，而是在遵循一条预先连接好的路径：

Input → Retrieve → Process → Respond

就像乐高说明书一样，它的逻辑和路径都是固定的！

AI workflow 很棒，因为它具有以下优点：

• 便宜且高效（真的非常省钱）
• 相同输入 → 相同输出
• 你可以大致估算完成任务需要多少“积木”，也就是 API 调用、LLM 调用和计算资源。

如果某个步骤没有提前规划好，系统就会崩掉。

这就像搭到一半时才发现，说明书要求使用一块罕见的乐高积木，而你早就把它弄丢在沙发下面了。在人类把问题修好之前，一切都会停在那里。:/

假设在上面的 AI workflow 中，你问：“考虑到天气情况，我约会时应该穿什么？”

这个 workflow 会失败！不是因为问题太难，而是因为：

• 它无法访问 weather API
• 它不知道如何获取穿搭方案
• 它并不是为这条路径设计的

当然，你可以添加 weather API、加入 image generation model，再把所有东西连接起来，从而解决这个问题。

但无论添加多少模块，它依然只是一个 workflow。

它仍然是一条固定的、预先定义好的路径。

无论额外接入多少工具，workflow 仍然无法自行决定改变计划。当你需要系统重新思考计划本身时，你需要的就不再是更多步骤，而是一个拥有目标和自主性的东西。这正是 Agent 登场的地方。

AI Agent：带着目标自由搭建

AI Agent 就像把一堆乐高积木倒在一个孩子面前，然后对他说：

“给我搭一个能住进去的东西。”

你不会给孩子说明书，而是给他一个目标。

• 查看有哪些积木可用
• 决定搭一座房子
• 发现缺少屋顶瓦片
• 转而搭一间小木屋……或者一个洞穴

他们会利用手头拥有的任何资源，通过推理设法实现目标。

同样，使用 Agent 时，你不会给模型一条预先定义好的路径，而是给它：

• 一组工具（API、vector database、workflow、search）
• 决定下一步该做什么的权限

当你给模型提供工具、目标，以及决定下一步行动的权限时，它们才开始像 Agent 一样行动。

在 workflow 中，你会在设计阶段一次性做出这些决定。而在 Agent 中，LLM 会在运行时做出决定。

但 Agent 的强大是有代价的。

每一个决定——“我应该搜索 Web 吗？”“我应该调用这个 API 吗？”“我还需要再进行一轮优化吗？”——都会增加一个 LLM 推理步骤。

可以把它想象成聘请了一位才华横溢的建筑师：

Agent 很少直接崩溃。相反，它们可能会给出一个技术上有效、实际上却错得离谱的结果。

比如你想要的只是一间小木屋，它却用乐高搭出了一座监狱。

如果你需要确定性和可重复性，workflow 就是你的好朋友。你确切地知道有哪些积木、它们如何组合，以及系统会如何运行。简单来说，就是当你需要一座工厂时，应该选择 workflow。

如果你需要在混乱的环境中灵活适应，Agent 就更合适。它们可以想办法绕过缺失的积木、尝试其他方案，并在路径不明确时依然交付结果。

但最实用的模式是混合模式。

• 让 workflow 负责可预测的装配流水线
• 只在真正需要灵活推理的步骤中引入 Agent

这种方法叫作 Agentic Workflows，也是如今大多数现实世界中的 AI 系统所采用的构建方式。

能照说明书搭建时，就照说明书搭建；只有在必要时，才进行自由搭建。就像玩乐高一样。

部分评论可能只有已登录的访客才能看到。登录后即可查看所有评论。

如需采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。