Claude大师厘清Agent与Workflow：核心区别在于谁决定流程

背景

在准备一门关于“同事如何用 AI”的课程时，作者在与 Claude 进行头脑风暴的过程中，发现自身对 AI 应用形态的认知受到了“行业陋习”的污染。作者原本将课程分为四节，其中第三节侧重于 AI 应用实操，第四节侧重于 AI 应用工程化与质量控制。但在梳理大纲时，作者意识到第三节内容略显虚浮，且与第四节界限模糊。

作者原计划在第四节讲解目前流行的 AI-Agent 应用，但在与 Claude 的深入探讨中，通过厘清“工作流（Workflow）”与“智能体（Agent）”的本质区别，解决了课程结构的困惑。这次对话不仅明确了课程大纲，更揭示了当前 AI 应用开发中一个极易混淆的核心概念：控制权究竟在谁手中。

核心内容

1. 区分工作流与 Agent 的唯一轴线：谁决定流程？

Claude 指出，区分第三节（工作流型）和第四节（Agent 型）最锋利的一根轴是：谁来决定下一步做什么？

• 工作流型（Workflow）：
  • 决策者： 人（开发者）。
  • 形态： 固定流水线。步骤、逻辑分支（if-else）均由代码预先写死。
  • 比喻： 自动售货机或流水线。
  • 示例： AI 文案生成平台、自动分类/抽取系统。
  • 质控重点： 结构化输出、质检、返工机制。
• Agent 型（Agent）：
  • 决策者： AI（LLM）。
  • 形态： 临场决定。给定目标和工具箱，AI 根据每一步的结果自主决定下一步动作，直到完成任务。
  • 比喻： 能自主办事的助理。
  • 示例： 自动调研 Agent、能自主查库调接口的客服。
  • 质控重点： 护栏（Guardrails）、终止条件、人工审核、可观测性。

一句话总结： 第三节是“人编排，AI 执行”；第四节是“AI 自己编排”。

2. 常见误区纠偏：多角色不等于多 Agent

作者曾构建一个 AI 学习平台，包含多个 LLM 角色（如大纲生成、内容填充、配音、配图），并认为这是多 Agent 协作。Claude 指出，这在技术上依然是一个工作流。

• 原因： “先出大纲 → 再并行做内容/配音/配图 → 结束”这一流程图是作者画的，而非 AI 临场决定的。那些 LLM 只是按预定工位干活的“工人”，而非“决策者”。
• 判断标准： 只要流程图的箭头是你画的，就是工作流；如果箭头是模型在运行时自己挑的，才是 Agent。
• 误区澄清： “用了多个 LLM 角色” ≠ Multi-Agent。真正的 Multi-Agent 是指多个能各自决策的 Agent 进行协同。

3. Agent 的本质定义与判别方法

• 定义： Agent 是一个 LLM 在循环中，自己决定下一步做什么（包括调用什么工具），看完结果后再决定下一步，直到它判断任务完成。
• 判别金句： “下一步做什么，是你画的流程图/if-else 决定的，还是模型看着当前结果临场决定的？”
  • 代码决定 → 工作流
  • 模型决定 → Agent

案例对比：

• Claude Code： 标准 Agent。用户说“修好这个 bug”，代码自己决定先读哪个文件、grep 什么、跑测试、看到失败后改哪一行。这一系列动作没有一步是提前排好的，全是临场决定。
• AI 学习平台（原设计）： 工作流。流程固定，不可变。
• AI 学习平台（Agent 化改造）： 如果加入一个“总编 Agent”，它看完主题后自己决定分几节、要不要配图；或加入一个“质检 Agent”，看了 Slide 觉得太弱就打回重做，循环直到合格。那个“要不要再来一轮”的决定权交给模型，才具备 Agent 特性。

4. 何时使用 Agent？场景与选型建议

Agent 并非万能，也不是二选一的问题，而是一条光谱。

• Agent 成熟的土壤： Coding（环境纯文字、工具齐全、反馈即时客观）。
• 通用配方： 目标 + 工具 + 反馈 + 需要随机应变的多步任务。
• 典型 Agent 场景：
  • 深度调研： 路径不固定，需根据搜索结果决定下一步查什么。
  • 客服工单： 每张工单处理路径不同，需自主决定查订单、翻政策、看库存等。
  • 数据归因： 发现异常后钻取细分数据，验证假设，路径动态变化。
• 选型口诀：
  • 流程你能提前画出来 → 用 Workflow（更可靠、可预测、成本低）。
  • 流程你根本没法提前画（下一步取决于上一步看到啥） → 才上 Agent。

5. 澄清误区：Agent 不只是对话流

作者困惑于除 Coding 外找不到 Agent 场景，且认为 Agent 只能是对话形式。Claude 指出这是将“决策逻辑”与“交互形式”混淆了。

• 两根轴：
  1. 谁定流程？（人定=Workflow，模型定=Agent）
  2. 怎么触发/谁在回路？（人来聊=对话式，事件触发=自动化）
• 被忽视的领域： 事件触发的自主 Agent（无人对话）。
• HR 部门 Agent 案例：
  1. 入职协调 Agent（自动触发，无对话）：
     • 触发： 新人 Offer 签署，状态变为“待报到”。
     • 自主决策： 根据岗位、城市、级别，自主决定开权限、配电脑、约培训、指派 Buddy 等。若某项卡住（如电脑未到货），自主决定催采购或升级给 HRBP。
     • 价值： 每个新人路径不同，且需多日跟踪，无法画出固定流程图。
  2. HR 事务 Agent（对话式，但核心是办事）：
     • 触发： 员工提问（如陪产假）。
     • 自主决策： 根据问题内容，自主决定查政策、查地区、查工龄、算工资，甚至直接提交申请。
     • 区别： 不同于只会念政策的 FAQ 机器人，Agent 能结合个人数据给出针对性答案并执行动作。

关键要点

• 核心判别标准： 区分 Workflow 和 Agent 的唯一标准是控制权。如果流程图的箭头是开发者画的，是 Workflow；如果箭头是 LLM 在运行时根据结果临场决定的，是 Agent。
• 循环不等于 Agent： 带有“生成→评估→返工”循环的系统（Evaluator-Optimizer 模式）依然是 Workflow，因为循环结构和判断逻辑（if-else）是代码写死的，LLM 只是其中的一个环节。
• 多角色不等于多 Agent： 多个 LLM 角色串联在固定流程中，整体仍是 Workflow。只有当多个组件具备独立决策能力并协同工作时，才是 Multi-Agent。
• Agent 的本质： Agent = 目标 + 工具箱 + 反馈循环 + 自主决策。关键在于模型能否自主决定“下一步做什么”以及“何时完成任务”。
• 选型建议： 不要为了做 Agent 而做 Agent。对于需要稳定、可复现、可控的场景（如课程生成、标准化审批），Workflow 是更好的选择。只有在流程无法预先定义、具有高度不确定性时，才使用 Agent。
• Agent 的形态多样性： Agent 不一定是对话形式。它可以是事件触发的自动化系统（如入职协调、数据监控），全程无对话，但具备自主决策和执行能力。
• 混合架构： 真实系统往往是混合的。外层固定骨架（Workflow）保证可靠性，内部关键节点（如内容生成、质检