工作流还是自主 Agent：从变化发生在哪里判断

开发一个 AI 功能时，常见的选择不是“模型是否聪明”，而是“谁决定下一步”。如果流程已知，程序可以控制步骤，模型只处理其中难以规则化的部分。如果路线依赖现场信息，模型可能需要根据反馈决定下一次行动。两种方式可以共存，关键是定位真正需要变化的地方。

先区分流程变化与内容变化

Anthropic 的工程文章把工作流描述为沿预先定义的代码路径组织模型和工具，把 Agent 描述为由模型动态指挥过程与工具使用。本文使用这一架构区别，不把某个框架的名称当成分类依据。

设想一个虚构的报名材料处理系统：读取表单、检查缺项、生成提醒草稿、交给工作人员审核。每份报名内容不同，但步骤顺序通常相同，因此内容变化不意味着路线必须自主。程序可以负责分支，模型负责解释自由文本；缺失必填字段就进入补充信息环节，不必重新规划整条流程。

另一个虚构任务是分析一份陌生项目的依赖关系。需要检查哪些配置，可能要在读完目录后才能决定；某个引用找不到，也可能需要换一个入口。此时预先写死全部路径很困难，模型根据新证据调整路线有合理用途。

但自主性应有范围。检查文件的顺序可以动态选择，改动依赖版本仍可以留在固定审核流程。把整个任务统称为“自主 Agent”会掩盖这种差别；更具体的设计是让探索部分自主，让改变外部状态的部分遵循明确关口。边界决定哪些选择能下放，而不是模型宣称自己有把握就扩大权限。

固定工作流并不天然正确。分类环节选错类别，后面仍可能稳定地做错事。它的优势是路径较易解释，检查点更易安排。自主执行也不天然灵活：缺少可观察反馈时，它可能只是不断重新描述同一计划。比较时应看是否有真实信息支持下一步选择。

可以先列出三种典型失败：漏掉材料、误解目标、做了超出范围的改动。然后逐项追问能否及时发现、是否容易撤销、谁能判断后果。如果某个分支错误需要人了解现场才能识别，那么增加模型回合数未必解决问题，安排人工检查可能更合适。

初始设计可以先画出最常见的成功路径，把每个节点的输入和输出写清楚。再收集难以提前确定的岔路：资料位置变化、证据冲突、必须探索多个候选方案。只在这些地方考虑动态选择，往往更容易解释复杂度从何而来。

例如报名系统只需要两个可预测分支，就没有必要为每份材料建立规划器。项目分析任务若需要探索，也可以设定最多读取的范围、结束证据和交付格式。选择工作流或 Agent 应对应具体问题，不能依赖“未来可能更复杂”的抽象期待。

还应想清楚迁移方向。一个经常重复的自主步骤，积累稳定规则后可以收回为固定节点；固定路径频繁卡在未知资料位置，则可以增加有限探索。架构不是一次性的身份选择，而是对变化位置的持续判断。

设计说明里记录“下一步为何由程序或模型决定”，比记录用了多少个 Agent 更有价值。它能让后续维护者理解哪些分支是业务约束，哪些只是当前的实现选择，也便于在成本、可解释性和任务覆盖之间作出具体调整。

本文由AI辅助撰写；编写/资料核对日期2026-10-12；示例为设计说明，未提供实测结论。计划日期不代表实际首次展示时间。