Workflow vs Agent

核心区别来自 Anthropic 的实用定义：Workflow 是通过预定义代码路径编排 LLM 和工具的系统；Agent 是 LLM 在执行过程中动态决定如何使用工具和推进流程的系统。本页展开这一区分背后的工程权衡与选型指导，来自 Anthropic 的工程实践。

Comparison Overview

维度	Workflow	Agent
控制流	预定义代码路径	LLM 动态决策
实现复杂度	低到中（写代码即可）	中到高（需模型+工具+状态管理）
可预测性	高（每一步由代码确定）	低到中（模型可能走不同路径）
调试难度	低（每个步骤可单独检查）	中（需追踪模型决策链）
灵活性	低（执行固定流程）	高（可根据情况调整策略）
容错性	取决于代码实现	模型可自动纠错和重试
最适合的任务	确定性、重复性流程	开放、复杂、多步骤推理任务
典型例子	客服分类 → 检索 → 生成定式回复	代码 Agent 在多 repo 中定位 bug → 修复 → 验证
性能保证	稳定可预测	随模型能力和任务复杂度波动

Key Differences

控制权归属

这是最根本的区别：

• Workflow 的控制权在开发者代码中。每一个 LLM 调用的时机、输入、输出处理步骤、错误处理路径都由代码显式定义。模型只是一个被调用的组件。
• Agent 的控制权（部分）交给模型。模型决定该调用哪个工具、何时任务完成、遇到错误时换什么策略。开发者的角色从"编写完整流程"转变为"定义工具集与边界约束"。

适用场景

Anthropic 的实践经验指出，简单、可组合的模式比复杂框架更有效。不是所有场景都需要 Agent：

场景	推荐方案	理由
固定业务逻辑：客服分流、表单处理	Workflow	流程确定、需要一致输出
单步 LLM 调用：摘要、分类、翻译	LLM call（甚至不需要 workflow）	复杂度最低
多步但确定路径：RAG 问答	Workflow（检索 → 生成）	路径固定，无需动态决策
复杂、开放探索：跨 repo 代码修改、多步研究	Agent	需动态规划、试错、调整
高可靠性生产场景：金融交易、合规审查	Workflow	可预测性、可审计性优先
快速原型、广度探索	Agent	灵活性优先

常见 Workflow 模式

Anthropic 文章列出了几种已经经过验证的 workflow 模式：

1. Prompt chaining：将一个 LLM 调用的输出作为下一个的输入
2. Routing：根据输入分类到不同的处理路径
3. Parallelization：多个 LLM 调用并行执行，结果聚合
4. Orchestrator-workers：一个 orchestrator LLM 动态分派子任务给 worker LLM
5. Evaluator-optimizer：一个 LLM 生成输出，另一个 LLM 评估并提供反馈

有趣的是，这个 orchestrator-workers 模式已经模糊了 workflow 与 agent 的边界——当 orchestrator 使用 LLM 动态决策子任务分派时，它本质上就是一个小型 agent 系统。

Agent 的形态

Anthropic 描述的最典型 Agent 形态是：

• Agent（LLM）+ 工具集 + 环境
• LLM 维护内部状态（当前进度、已尝试的方法、结果缓存）
• 工具是经过精心设计的接口（不是 raw API），模型容易理解
• 模型每次迭代决定：继续执行、切换策略、或宣布完成

IBM Research 的 VAKRA benchmark 进一步量化了 Agent 任务的复杂度：Agent 需与 8,000+ API 和 62 个领域数据交互，单个任务平均需 3–7 步推理链。这验证了 Agent 场景下，工具的精心设计（而非数量堆砌）是成败关键。

Synthesis

不要过早抽象是 Anthropic 的核心建议：

1. 先从最简单的方案开始：一个 LLM call + prompt。不够就加 chain。
2. 只有确定固定流程不够用时，再引入 Agent 的动态决策。
3. Agent 的成功更多取决于工具设计的质量，而不是 Agent 框架的复杂性。
4. Workflow 和 Agent 可以组合：一个 Agent 内部调用多个 workflow，一个 workflow 中的某一步可以交给 Agent。

最务实的判断标准：如果任务的每一步都能预先用代码写清楚，那就用 Workflow。如果某一步需要模型自己决定该怎么做，那就把那一步设计为一个 Agent。

Related Pages

• AI Agents
• Harness Engineering
• Retrieval Augmented Generation
• OpenAI
• Anthropic

Sources

• raw/articles/anthropic-building-effective-agents-2026-04-26.md
• raw/articles/ibm-vakra-benchmark-analysis-2026-04-26.md