跳转至

⚖️ Workflow vs Agent（Anthropic 官方准则）

这是避免"为了 Agent 而 Agent"的最重要一页。依据 Anthropic 官方工程博客 《Building Effective Agents》（2024-12）。核心结论：大多数情况下，你不需要 Agent。

来源：anthropic.com/engineering/building-effective-agents

📌 适用版本 / 更新日期：Anthropic《Building Effective Agents》准则（2024-12 发布，范式稳定）；最后更新 2026-08。

1. 官方核心框架：复杂度逐级上升

Anthropic 把 LLM 应用按复杂度分为：

增强型 LLM（单次调用 + 工具）
      ↓
Workflow（预设路径的多步）
      ↓
Autonomous Agent（模型自主决策循环）

原文要点："The most successful implementations weren't using complex frameworks... they were using simple, composable patterns." 最成功的实现并非用复杂框架，而是简单、可组合的模式。

最大误区（市面机构不说的真相）

培训课爱一上来教"智能体编排"，但官方明确：多数产品用单次调用或 Workflow 就够了。过早上 Agent = 不可控 + 成本高 + 难调试。先问："这一步真的需要模型自己决策吗？"

2. 增强型 LLM（80% 场景够了）

单次调用 + 工具（Function Calling）+ 检索（RAG）+ 记忆。没有"自主循环"，路径由你写死。

  • 适用：客服问答、文档摘要、表单抽取、代码补全。
  • 优势：可控、可预测、好测试、便宜。

先到这里

你做完 模型 API 与流式响应 + RAG，就已经能交付大部分"AI 应用"了。别焦虑没学 Agent。

3. Workflow（预设路径，Anthropic 列了 5 种）

官方定义的 5 类 Workflow 模式：

Workflow 说明 例子
Prompt Chaining 一步步串起来，每步喂下一步 先提纲→再成文
Routing 先分类，再分给不同处理 投诉/咨询分流
Parallelization 同一任务多路并行再汇总 多视角评审
Orchestrator-Worker 一个调度者动态派子任务 改多个文件
Evaluator-Optimizer 生成→评估→再优化 代码自审循环
flowchart LR A[输入] --> R[Routing分类] R --> B[处理B] R --> C[处理C] B --> O[汇总] C --> O

Workflow 的特征

路径你预先定义，模型在固定节点"填空"，不自由决策走向。这恰恰是它可控的原因。

4. Autonomous Agent（仅在必要时）

模型运行时自主决定步骤、调用工具、循环直到完成。适用：

  • 开放性强、无法预知路径的任务（如"调研 X 并产出报告"）。
  • 需要多轮工具交互、动态规划。

代价：不可完全预测、token 成本高、需强可观测（Tracing）、需护栏（Guardrail）。

何时才上 Agent（官方暗示）

只有当 Workflow 写死路径会失效（因为路径依赖运行时信息、无法事前穷举）时，才升级到 Agent。否则用 Workflow。

5. 决策流程图（照这个选）

flowchart TD Q[需求] --> A{单次调用能解决?} A -->|能| S1[增强型 LLM] A -->|不能| B{路径可预先定义?} B -->|能| S2[Workflow] B -->|不能| C{需模型自主决策循环?} C -->|是| S3[Autonomous Agent] C -->|否| S2

落地顺序建议

  1. 先用 增强型 LLM（单次 + RAG + Tool）做 MVP。
  2. 路径固定 → 升级 Workflow（Agents SDK / LangGraph 编排）。
  3. 真需要自主 → 才上 Autonomous Agent，并配齐 Tracing + Guardrail。

6. 为什么这条准则超越市面培训

市面机构为卖课，把"智能体"当万能银弹。官方（Anthropic/OpenAI 同源思路）反复强调：简单模式优先、框架只是编排手段、成功靠可组合而非复杂。

记住：用户要的是"问题被解决"，不是"用没用 Agent"。 用最简单能交付的方案，是工程师成熟度标志。

7. 下一步