Agent vs Workflow 决策

Anthropic 《Building Effective Agents》（2024.12）的核心论点：大多数场景不需要 Agent，Workflow 就够—— Workflow 更可控、便宜、好调试。

核心定义

Workflow（工作流）：LLM + 工具按预定义路径编排（控制流由人写代码）
Agent（智能体）：LLM自主决定下一步动作 + 用什么工具（控制流由 LLM 决）

🔑 Anthropic 的建议：先用最简单的 LLM call。只有当 Workflow 不够时再升级到 Agent。

5 种 Workflow 模式

1. Prompt Chaining（提示链）

把任务拆成线性 N 步，每步用一个 LLM call，前一步的输出 = 下一步的输入。

用户输入
  ↓
LLM 1: 提取关键信息
  ↓
LLM 2: 总结要点
  ↓
LLM 3: 改写成邮件
  ↓
输出

用于：内容生成、文档处理、翻译流水线

2. Routing（路由）

第一个 LLM 判断"这是什么类型任务"，分发到不同的下游 LLM / 工具。

用户问题
  ↓
LLM 分类: 退款？技术支持？销售？
  ↓
└─ 退款 → 调专门 prompt + 工具
└─ 技术 → 调技术 KB + RAG
└─ 销售 → 转人工

用于：客服系统、不同复杂度任务分流（简单 → mini 模型，复杂 → 旗舰）

3. Parallelization（并行）

同一任务**并行**让 N 个 LLM 各做一份，最后**投票 / 综合**。

问题
  ↓
├─ LLM 1 答 ─┐
├─ LLM 2 答 ─┼→ 综合
├─ LLM 3 答 ─┘

用于：

Sectioning：拆成独立子任务并跑（论文不同章节分析）
Voting：多次跑同任务投票（提升准确率）

4. Orchestrator-Workers（编排者-执行者）

中央 LLM "**编排者**" 把任务**动态**分给若干"工人 LLM"，最后汇总。

编排者 LLM
  ├─ 分析任务，决定要做几件事
  ├─ 派工人 1 做 A
  ├─ 派工人 2 做 B
  └─ 综合结果

用于：复杂研究任务、代码库改造（先扫整库，决定改哪些文件）

5. Evaluator-Optimizer（评估-改进）

一个 LLM 产生答案，另一个 LLM 评估并给反馈，**反复迭代直到 OK**。

生成 LLM → 答案
  ↓
评估 LLM → 不够好，反馈
  ↓
生成 LLM → 改进版
  ↓
评估 LLM → OK
  ↓
输出

用于：翻译润色、文学创作、复杂搜索（确保信息充分）

什么时候才需要真 Agent

Anthropic 定义的 Agent ≈ 在循环里**自主选工具**，**自主决定何时停**。

真 Agent 适合：

任务步骤无法预先规划（每步取决于前一步的结果）
有明确成功标准（如测试通过 / 错误为 0）
能容忍较高成本 + 延迟（Agent 通常 10-100× workflow 成本）
有足够工具集支撑（不是只有 1-2 个工具）

典型 Agent 场景：

SWE 任务（修 bug、加功能）—— Devin / Claude Code / Cursor Agent
Computer Use（操作浏览器 / 桌面应用）
客户支持 deep diagnosis（要查多个系统才能答）
研究 Agent（多轮搜索 + 综合）

决策流程

🤔 我需要 LLM 应用做事

├─ 一次 prompt 就能搞定？

└─ ✅ 直接 LLM call，不用 workflow

├─ 步骤固定 + 可预先编排？

└─ ✅ Workflow（Chaining / Routing / Parallel）

├─ 任务有清晰子任务但数量动态？

└─ ✅ Orchestrator-Workers

├─ 输出需要反复优化？

└─ ✅ Evaluator-Optimizer

└─ 步骤数量与方向完全不可预知？

└─ ✅ Agent（最后选）

实战 6 条原则（来自 Anthropic）

从最简单开始：单次 LLM call → Workflow → Agent，按需升级
透明度优先：Workflow 的每步可调试，Agent 加 trace log
明确工具接口：工具文档比 prompt 更重要，写清楚 input / output / 副作用
给 Agent "退出门"：max_iterations / max_cost / 用户中断按钮
Eval 永远必要：没有自动评估的 Agent 是黑盒
从沙箱开始：Agent 别第一天就上生产，先在隔离环境跑 100 次看稳定性

常见反模式

❌ "Agent + 1 个工具"：那直接一次 function call 就行，别套 Agent 框架
❌ 所有问题都丢给一个超级 Agent：先 routing，简单的走简单路径
❌ 不设 max steps：Agent 卡死循环烧 token
❌ 用 Agent 做确定性任务：能写 SQL 解决的不要让 LLM 决
❌ 不写 eval：上线后没法知道是否退步

下一步

Agent 系统学习 → L4-04: Agent 构建详解
多智能体 → L4-10: Multi-Agent 系统
Tool Use 实战 → L4-09: Tool Use 工程实战
ReAct 论文 → ReAct 精读
Anthropic 原文 → Building Effective Agents

🤖 Agent vs Workflow 决策