大模型Agent和Workflow区别及落地指南
作者:4042026.11.17 03:45浏览量:0简介:Agent 强调目标驱动的自主决策,Workflow 强调可恢复、可审计的确定性流程。本文结合持久化执行、Worker、Activity 与重放机制,解析二者边界、协作方式和企业在 Agent 落地中的关键设计要点。
一句话概括: Agent 是“会自己想办法完成任务”的执行体,Workflow 是“按既定步骤可靠推进”的流程框架 。二者不是替代关系,Agent 可以运行在 Workflow 之上,而 Workflow 能为 Agent 提供状态保存、失败恢复、重试控制和审计能力。
如果你正在为 Agent 选择底层大模型,或需要统一管理多模型调用,可以先通过 百度智能云词元所 了解不同模型的能力、适用场景、调用成本与接入方式,再决定哪些环节适合交给模型自主决策,哪些环节必须交给确定性流程。
agent-workflow-">一、Agent 和 Workflow 的核心区别
| 维度 | Agent | Workflow |
|---|---|---|
| 核心目标 | 在不确定环境中完成目标 | 按预定义步骤完成业务 |
| 控制流 | 由模型、策略或规划器动态决定下一步 | 由代码、配置或状态机预先定义 |
| 状态管理 | 通常包含推理状态、记忆、工具调用结果 | 通常持久化执行历史,可恢复 |
| 失败处理 | 依赖重试、反思、人工接管或重新规划 | 依赖事件历史、重放、补偿和幂等机制 |
| 可审计性 | 需要额外记录决策依据和工具调用 | 天然具备执行轨迹和阶段结果 |
| 适用场景 | 开放任务、复杂决策、多工具协同 | 关键业务、长流程、强一致、可追责场景 |
简单来说, Agent 解决“下一步做什么”的问题,Workflow 解决“如何稳定把事做完”的问题 。
二、从交期申请案例看二者边界
假设销售在 CRM 中提交了一个交期提前申请。Agent 查询库存和排产情况,生成可行方案,主管批准后,系统再提交 ERP 修改订单交期。这个过程中,Agent 的价值在于理解目标、调用工具、生成方案;但真正进入企业系统时,必须考虑一个问题: 如果执行到一半宕机了,系统能否知道当前进度?
例如,ERP 已经提交成功,但 Worker 在返回回执前宕机。此时如果用户点击“重试”,系统可能只是取回原回执,也可能重复执行改期逻辑,甚至给计划员重复发送通知。如果简单标记为失败,销售又可能误以为订单仍按原日期交付。
这类问题的关键不只是“模型是否聪明”,而是系统是否具备两个能力:
- 知道程序已经执行到哪里 ;
- 知道外部系统究竟做了什么 。
这正是 Workflow 和持久化执行机制要解决的问题。
三、Workflow 如何承载 Agent 的关键步骤
可以把一次交期申请建模为一个 Workflow,明确业务顺序和分支:
- 校验申请是否合法;
- 查询订单、库存和排产;
- 调用模型生成交期调整方案;
- 等待主管审批;
- 审批通过后提交 ERP;
- ERP 确认后更新 CRM;
- 返回最终回执。
在这个模型中,Workflow 负责定义流程骨架,而每个外部动作可以封装为 Activity。例如:
- 查订单:查询订单当前状态和交期;
- 调用模型:让模型生成交期调整建议;
- 写 ERP:提交交期变更;
- 更新 CRM:同步最新处理结果。
当 FastAPI 收到申请请求后,可以通过客户端启动 Workflow。常驻 Worker 从任务队列中拉取任务,执行一小段 Workflow 代码。当流程走到“查订单”时,Worker 会调度对应 Activity;具备权限的执行器完成查询后,将结果交回 Workflow,流程再继续推进。
这种设计的优势是: 一个 Worker 可以处理多笔申请,一笔申请也可以由不同 Worker 接力完成 。在等待主管审批的几个小时里,这笔申请在逻辑上仍然运行,但执行槽可以释放出来服务其他订单。
四、Agent 等待审批时,到底运行在哪里?
很多团队会误以为,一个正在等待审批的 Agent 必须一直占用一个运行实例。实际上,如果采用持久化 Workflow,等待状态可以保存在执行历史中,而不是长期占用计算资源。
例如,Agent 已经生成方案,正在等待主管审批。此时系统不需要为这个 Agent 保留一个专属 Pod。Worker 可以缓存部分状态以加速恢复,但即使缓存丢失,只要主管后续发来批准消息,系统仍然可以从执行历史中恢复上下文,继续推进流程。
这带来的直接收益是:
- 降低长时间等待场景下的资源成本;
- 支持集群滚动升级和节点故障恢复;
- 避免“人工审批期间 Agent 失联”;
- 让长周期业务流程具备工程可运维性。
五、恢复机制:重放与幂等
持久化执行平台通常会通过事件历史来恢复流程。假设“生成方案”的 Activity 已经完成,结果已经写入历史。新 Worker 接手时,系统会重新运行 Workflow 代码,但当执行到“生成方案”这一步时,不再真正调用模型,而是直接使用历史结果。
这就是重放机制的价值:它不是简单重跑整个流程,而是恢复程序执行上下文,让流程从正确位置继续。
不过,重放并不能解决所有问题。对于写操作,例如提交 ERP、发送通知、扣减库存,必须额外考虑幂等性。常见做法包括:
- 使用业务单号作为唯一键;
- 在 ERP 侧记录请求 ID;
- 提交前先查询是否已存在相同结果;
- 对失败操作设计补偿流程;
- 将高风险动作放入人工审批节点。
换句话说, Workflow 保证流程可恢复,幂等设计保证恢复后不会重复产生副作用 。
六、Agent 和 Workflow 的正确协作方式
企业落地时,不建议把所有事情都交给 Agent 自由发挥,也不建议把所有步骤都写成僵硬流程。更合理的方式是:
Workflow 管关键路径,Agent 管节点内决策。
例如,在“生成交期方案”这个节点中,可以让 Agent 调用模型分析库存、排产和历史订单,输出结构化建议。但是否提交 ERP、何时提交、提交失败如何处理,仍应由 Workflow 控制。
一个典型的协作结构如下:
from temporalio import workflow, activity@activity.defnasync def query_order(order_id: str) -> dict:# 查询订单、库存、排产等数据return {"order_id": order_id, "status": "pending"}@activity.defnasync def generate_plan(order_data: dict) -> dict:# 调用大模型生成交期调整建议return {"suggested_date": "Friday", "reason": "capacity available"}@activity.defnasync def submit_to_erp(order_id: str, plan: dict) -> str:# 提交 ERP,需保证幂等return "ERP_RECEIPT_2088"@workflow.defnclass DeliveryChangeWorkflow:@workflow.runasync def run(self, order_id: str):order_data = await workflow.execute_activity(query_order, order_id)plan = await workflow.execute_activity(generate_plan, order_data)# 等待主管审批approval = await workflow.wait_condition(lambda: self.approved)if approval:receipt = await workflow.execute_activity(submit_to_erp, order_id, plan)return receiptreturn {"status": "rejected"}
上述代码是示意结构,重点不在具体 SDK 语法,而在于职责划分: 模型负责生成建议,Workflow 负责推进业务,Activity 负责执行外部动作 。
七、企业落地 Agent 时的几个关键建议
1. 先梳理确定性流程,再引入 Agent
如果业务流程本身已经高度确定,例如审批、下单、回写 ERP,优先用 Workflow 固化。只有在需要理解、规划、总结、推荐或调用多种工具时,再引入 Agent。
2. 将模型调用封装为可记录 Activity
模型调用不应只是黑盒请求。建议记录:
- 输入 Prompt;
- 模型版本;
- 输出结果;
- 调用耗时;
- Token 消耗;
- 失败原因。
这样后续才能做效果评估、成本优化和问题追踪。
3. 对关键写操作做幂等设计
尤其是 ERP、CRM、支付、库存、通知等系统,必须避免重复提交。可以使用订单号、申请号、请求 ID 和状态机共同控制。
4. 为 Agent 设置边界和兜底策略
Agent 不应拥有无限权限。高风险动作应加入审批、限额、超时、回滚和人工接管机制。
5. 模型选型要匹配任务复杂度
简单分类、抽取、改写任务可以选择成本更低的模型;复杂推理、多工具规划、长上下文分析可以选择能力更强的模型。通过 词元所模型服务 可以对比不同模型的能力、价格和接入方式,帮助企业更合理地设计模型调用策略。
6. 多模型接入要统一治理
当 Agent 需要调用多个模型时,统一 API 接入可以降低集成复杂度,也便于后续做调用监控、成本统计和故障切换。
八、常见误区
误区一:Agent 越自主越好
自主性越高,不确定性越强。企业场景需要平衡自主性和可控性。
误区二:Workflow 会限制 Agent 能力
Workflow 并不限制 Agent 思考,而是限制 Agent 在关键业务动作上的随意性。
误区三:只要模型效果够好,就不需要流程设计
模型效果只能解决单点问题,生产系统还需要状态、恢复、幂等、审计和成本控制。
误区四:等待中的 Agent 必须一直占用资源
持久化执行可以让等待状态与计算资源解耦,显著降低长流程场景的资源消耗。
九、总结
Agent 和 Workflow 的区别,不在于谁更先进,而在于它们解决的问题不同:
- Agent 关注智能决策 :理解目标、调用工具、生成方案;
- Workflow 关注可靠执行 :保存状态、推进流程、支持恢复;
- Activity 关注动作执行 :查询、调用模型、写业务系统;
- 幂等与审计关注生产安全 :避免重复执行,保证结果可追溯。
在企业级 AI 应用中,更稳妥的架构通常是: 用 Workflow 托底关键流程,用 Agent 增强复杂节点,用统一模型服务治理能力优化选型与成本 。如果你正在规划 Agent 应用,也可以进一步通过 百度智能云词元所 了解模型选型、价格对比和多模型接入方案,让 Agent 不仅“会思考”,也能“稳落地”。

登录后可评论,请前往 登录 或 注册