写 LangGraph 智能体仍像传统工作流

背景

本文来自 LINUX DO · AI 社区的帖子，标题为《自己写agent体会不到智能感》。作者最近接触智能体（Agent）领域，尝试将其应用于特定功能实现。对智能体的理解是：它应高度自主，能够自行决定何时启动、何时停止，以及何时调用何种工具。但实际动手编码时，作者已明确了解整个业务涉及的多个模块及执行顺序，因此选用 LangGraph 构建方案。最终完成代码后，作者发现这实际上是预设好的一套固定工作流，代码中每一步的走向均由作者严格规定。由此产生的困惑在于：若智能体仅按预设流程执行，那么它与传统的固定工作流究竟有何区别？作者并未体会到智能体所宣称的“智能”究竟体现在何处。

核心内容

作者明确表示自己刚接触智能体（Agent）概念，并计划将其用于实现具体功能。作者对智能体的理解强调其高度自主性，包括自主决定启动时间、停止时间，以及在不同场景下选择调用何种工具。此理解与社区及相关技术宣传中对“智能体”的描述相一致。

然而，当作者尝试实际动手编写代码时，问题凸显。作者在脑中已对业务进行了清晰规划，包括业务分为几个模块、每个模块的执行顺序以及整体流程。因此，作者选择 LangGraph 作为实现方案。LangGraph 是基于 LangChain 的图结构工作流框架，允许通过节点和边定义状态转移、条件路由等逻辑。

完成代码后，作者反思发现：LangGraph 的代码本质上构成了一个严格预设的工作流。代码中定义的每一步动作、条件判断、状态流转等均由作者提前设定完成，没有体现任何超出预设范围的自主决策能力。作者因此困惑：如果智能体只是按照作者画好的流程图（如状态图或图结构）执行其预设动作，那么它与传统的固定工作流（例如纯脚本或简单顺序执行）相比，有什么区别？

核心困惑在于“智能”感的缺失。传统工作流已知晓所有步骤，智能体在代码层面也仅执行预设路径。作者质疑：智能体所谓的智能，是否仅停留在“按我画好的流程图执行”这一层面？若如此，它与人工设定的传统流程无异；真正的智能若要求完全自主选择路径或工具，那么作者的实现方式显然未能触及此点。

关键要点

• 作者对智能体的初始理解：高度自主，可自主决定启动时机、停止时机以及工具调用时机。
• 实际实现采用 LangGraph 构建方案，因为作者已预先清晰规划业务模块及执行顺序。
• 代码实现后发现本质为预设工作流，每一步走向均由作者严格规定，无自主路径选择。
• 作者困惑点：若仅按预设流程图执行，则与传统固定工作流无本质区别，智能感缺失。
• 质疑智能体“智能”体现在何处：是否仅限于按画好的流程图执行？

意义与影响

该帖子引发了 AI 技能分享与工作流设计的社区讨论，提醒开发者在接触 LangGraph 等图结构框架时，避免陷入“预设 vs 自主”的误区。传统工作流与 Agent 框架的界限并非绝对清晰，过度依赖人工预设可能导致智能体沦为“聪明的工作流引擎”，而非真正具备自主决策能力的实体。

影响在于推动开发者反思 Agent 技术栈的选择与使用边界：LangGraph 的强大在于提供灵活的图结构与条件路由，但核心自主性仍需通过系统提示、工具选择逻辑或多轮对话来实现，而非单纯依赖框架本身。类似困惑也常出现在其他开源 Agent 工具（如 AutoGen、CrewAI 等）中，强调开发者需主动探索“无监督”或“从种子提示出发”的实现路径，以真正触及“智能感”。

此外，该帖反映出社区对“智能体”概念的讨论趋于务实：从“写代码实现功能”转向“如何让 Agent 真正自主”，有助于减少对 Agent 的过度神话，提升技术应用的成熟度。长期来看，可能引导更多开发者转向结合多 Agent 协作、记忆机制或工具调用强化等方式，以构建超出预设的智能工作流。