AI Agent v.s. AI Workflow
2025 年作为公认的 “智能体元年”，相关的技术和概念依旧在高速发展中。所以，至今为止业界依旧没有达成关于 AI Agent 和 AI Workflow 的统一定义。本文尝试通过两者特性的不同进行区分：
- AI Agent：一个由 LLM 来动态规划任务执行路径和工具使用的系统，强调探索性、泛化性和灵活性。
- AI Workflow：一个由人类来静态地预定义任务执行路径、工具使用以及 LLM 编排的系统，强调顺序性、可靠性和可重复性。
| Workflow | Agent | |
|---|---|---|
| 执行路径 | 具有确定的、可预测的、可重复的、一致性的任务执行路径。 | 不确定的任务执行路径。 |
| 探索性 | 需求较低，作为确定性任务执行路径之上的不确定场景的补充。 | 需求较高，需要探索效率更高的新路径。 |
| 泛化性 | 需求较低，功能场景相对固定，侧重场景化定制能力。 | 需求较高，利用通用智能体需要将能力泛化到各种场景。 |
| 归纳性 | 因为场景较固定，可以进行基于先验的模式和规律的归纳总结。 | 因为场景多，所以可归纳性差。 |
| 灵活性与稳定性 | 侧重稳定性。 | 侧重灵活性。 |
| 应用场景 | 需要稳定性和效率的场景。 | 需要大规模灵活性和模型驱动的决策的场景。 |
但值得注意的是，AI Workflow 和 AI Agent 并非互斥，随着技术发展现在两者的融合探索的方向就是 Agentic Workflow。实际上，不管是 AI Workflow 还是 AI Agent，都是一种模式，而不是规范或标准，开发者可以组合和改造这些模式来实现自己的 AI system。
Agentic Workflow = AI Agent + AI Workflow
Workflow 一直是 “企业数字化转型” 的最佳实践，因为 “Workflow = SOP = 企业流程” 符合大多数人类的线性逻辑思维。所以目前来看相较于 AI Agent 而言，AI Workflow 是如今 toB 落地较好的一种产品形态，更易于结合企业现有的 SOP 工作流程，符合平滑演进的策略。
今天往回看可以将企业级 Workflow 应用程序分为 3 个阶段：
- 自动化工作流：将繁杂的企业工作流程化，引入 IT 信息化系统，但不具有 AI 能力，强调的是企业信息化转型以支撑业务发展。是企业数字化转型过程中的一个环节。（注：数字化转型还要求业务的创新以及商业竞争力的建设。）
- AI 工作流：是一种演进的方式。在传统工作流的基础上引入了 “LLM 智能”，比如原有的某个环节中增加 AI 能力，从而进一步提升技术效益，探索 “智能化转型” 的落地实践。目前工业界主要还处于 AI Workflow 阶段的落地实践，典型产品有百度千帆 AppBuilder、扣子、Dify、LangGraph 框架等，通过不同的图结构来编排 LLM 决策过程，从而实现更复杂、更可靠的执行路径。
在这里插入图片描述
- 代理化工作流：是一种革新的方式。对工作流制定者角色进行切换，由人类制定的静态工作流，切换为由 AI Agent 制定的动态工作流，而人类只需要 Review 这些工作流是否符合预期。强调使用 “AI 系统的自主性” 来重构原有的工作流程，引入基于 AI 的持续优化和创新能力。如下图所示。
在这里插入图片描述
Agentic Workflow 得以实现的底层技术支撑是推理型 LLM 的 Flow 规划能力。以 OpenAI o1 为例，它演示了一种能够将复杂的知识文档转化为可操作工作流的能力。如下图所示。这意味着，拥有大量知识库文档的企业可以不微调 LLM 的前提下，即刻尝试探索 Workflow 的重构设计。
增强型 LLM 应用建议
当我们在使用 LLM 技术来构建应用程序时，首先我会建议尽可能采用最简单的技术方案，例如 LLM 加上 Prompt Engineering、RAG、in-context examples 等技术通常可以解决大部分的问题，这有助于我们积累有效的 Prompt System 以及理解各个商业化 LLM 的技术特点。
只有当问题真的复杂时，再根据实际需求增加应用程序的复杂性，例如引入 AI Workflow 或 AI Agent，因为两者都具有更高的访问延迟和成本投入，因此需要权衡利弊。以 AI Workflow 为例，首先需要开发者人为的对工作流程进行任务拆解，并且为了灵活地编排这些任务，就需要开发者掌握图知识、任务编排、编程框架等概念和技术。总的来说，AI Workflow 的下限很低，对开发者的能力要求较高。所以 AI Workflow 的企业落地依旧需要面对多种挑战。
简而言之，如无必要建议先不要基于引入 AI Agent 或 AI Workflow。而当我们必要去构建时，可以选择使用成熟的框架，例如：
- LangChain & LangGraph
- Amazon Bedrock’s AI Agent framework
- Rivet, a drag and drop GUI LLM workflow builder; and
- Vellum, another GUI tool for building and testing complex workflows.
- etc
但需要注意的是，这些框架为了简化开发者的编码工作，使用户更容易入门，往往会进行额外的抽象和封装层（如 LLM 连接器、Prompt 模版、工具集合等）。但这可能会导致底层的提示词和响应变得难以调试，增加了不必要的复杂性和未知的故障域。
因此建议：
- 首选直接使用 LLM API，实际上许多问题几行代码就能实现；
- 如果确实要用框架，要确保理解这些框架的底层代码。对底层代码的错误假设是常见的问题来源。
而对于框架的选择，建议：
- 不是所有功能都需要用上，而应该根据你的实际需求，只保留最必要的部分。
- 尽量使用那些文档完善的组件，否则就是给自己挖坑。
增强型 LLM 应用程序的成功关键不在于构建复杂的系统，而是构建符合需求的系统并科学衡量系统的性能。从简单的 Prompt 开始，不断评估和优化，只有当简单的方案不可时，再考虑引入 multi-step agentic systems。从最简单的 LLM API 用起是一个明智的选择。
普通人如何抓住AI大模型的风口？
领取方式在文末
为什么要学习大模型？
目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
最后
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01 教学内容
-
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
-
大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
02适学人群
应届毕业生： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
vx扫描下方二维码即可
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03 入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04 视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05 行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
06 90+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
扫一扫
569
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
