前言

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：

1. 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。）
2. 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。

3. 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。

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：

1. 首选直接使用 LLM API，实际上许多问题几行代码就能实现；
2. 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：

1. 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。
2. 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。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】