同样挂着“智能体”名字的产品，打开后可能是两种东西。一种要你先画流程图，规定第一步查订单、第二步核对退款政策、第三步发起退款；另一种只接收一句“帮我处理这批退款”，然后自己决定先查什么、是否追问、什么时候转人工。前者是工作流，后者是 AI Agent，也就是智能体。判断一个系统属于哪一类，看下一步由谁决定，比看产品名可靠。
Agent 和工作流有什么区别，落到企业选型上，就是一句话，任务的不确定性由谁来处理。讨论智能体应用和工作流应用时，如果只比较谁更智能，很容易忽略成本、验收和风险。这篇文章给出一个可操作的判断方法，帮你决定哪些环节交给工作流，哪些交给 Agent，哪些需要两者配合。
下一步由谁决定
Anthropic 在 2024 年 12 月发布的工程文章《Building effective agents》里给了一个清晰区分。工作流是大语言模型 LLM 和工具通过预先写好的代码路径来编排的系统。Agent 是 LLM 在运行时自己决定处理过程和工具调用，并对如何完成任务保持控制的系统。
换成业务语言，工作流的下一步由设计者决定，Agent 的下一步由模型在运行时决定。
这个区分不涉及模型强弱。工作流里可以有多个 LLM 节点，分别做票据识别、文本分类、摘要生成；只要分支和顺序由人提前写死，它仍然是工作流。Agent 也可以调用固定接口，甚至调用一整条工作流；只要它自己决定何时调用、调用哪一个，控制权就在 Agent 一侧。
两者也不互斥。微软 Agent Framework 的开发文档把 Agent 设计成可以进入工作流担任执行者，也允许把工作流按 Agent 接口对外暴露。企业里更常见的形态，是两种模式嵌在一起。
控制权在谁手里，决定了系统的确定性、成本和验收方式。
工作流和 Agent 的五个差异
| 维度 | 工作流 | Agent |
|---|---|---|
| 路径 | 设计时确定 | 运行时生成 |
| 异常处理 | 按预设分支走，未覆盖就报错或转人工 | 自己调整策略、重试或换工具 |
| 输出 | 同一输入通常得到同一结果 | 同一目标可能走不同路径，结果存在分布 |
| 成本 | 调用次数可预估 | 随推理轮次和重试次数波动 |
| 验收 | 测试用例、回归测试、节点日志 | 评估集、质量分布、人工抽检 |
这些差异落到业务上，影响的是三件事，能不能承诺稳定交付，出了问题能不能查，预算会不会失控。工作流适合把已知规则执行得更快、更准；Agent 适合处理规则没有覆盖的情况。
工作流用确定性换稳定，Agent 用不确定性换覆盖。 任务越不可预测，Agent 的价值越明显；任务越要求可复现，工作流的优势越大。
Agent 的自主性也意味着更高成本和错误累积风险。上线前要设置最大轮次、预算上限和人工确认点，并在接近真实的环境里反复测试。缺少这些约束，一次错误的重试就可能把成本放大数倍。
什么任务适合工作流
先看三个条件，步骤能提前列全，异常分支能提前写清，结果要求可复现。三项都满足，优先工作流。
四类常见任务：
- 报销和发票审核。票据识别、规则校验、额度判断、审批流转，路径固定，出问题能定位到节点。
- 每日经营日报。取数、算指标、生成固定模板、按时推送，口径和时间要求稳定。
- 用户分层触达。按规则圈人、选模板、发送、回收效果，需要可重复执行。
- 合同和采购审批。审批节点、权限和留痕明确，不能由模型临时改路径。
工作流不排斥大模型。把 LLM 放在抽取、分类、摘要这些节点上，能减少人工录入；流程怎么走仍由业务规则决定。适用条件是流程本身已经理顺，异常有明确处理人，指标口径统一。流程没理顺就上工作流，只会把混乱固化得更快。
什么任务适合 Agent
当步骤数量无法提前确定，或者每一步要看上一步的结果才能决定，工作流的分支会越画越复杂，这时适合 Agent。
四个典型场景：
- 复杂客服。用户的问题可能同时涉及订单、物流、退款政策和历史工单，Agent 需要边查边判断，必要时追问。
- 指标异常排查。发现留存下降后，先拆渠道还是先拆版本，是否继续追某个异常用户群，取决于上一轮看到的数据。
- 代码修复。读代码、改多个文件、跑测试、根据报错重试，步骤由测试结果推动。
- 研究报告。多源搜索、交叉验证、补查缺口，搜索路径无法在开始前完全确定。
Agent 要跑得稳，需要四个前提。工具能通过 API 或 MCP 调用；知识和指标口径可查；结果有可验证的反馈，例如测试结果、数据对账或人工审核；错误可回滚，或者关键动作有人确认。还要设置最大轮次、预算上限和停止条件。
高风险且不可逆的动作，例如直接打款、删除生产数据、对外发布内容，缺少审批和回滚机制时，Agent 更适合做建议，不适合自主执行。把不可逆动作交给 Agent 之前，先准备好审批、白名单和回滚。
五个问题，判断任务该用哪种
| 判断问题 | 偏工作流 | 偏 Agent |
|---|---|---|
| 1. 步骤能否提前列全 | 能 | 不能，或列全后分支过多 |
| 2. 异常能否提前写清处理方式 | 能 | 不能，需要临场判断 |
| 3. 同一输入是否必须得到同一结果 | 必须 | 允许合理解释差异 |
| 4. 出错代价是否高且不可逆 | 高，先审批 | 可回滚，或有人复核 |
| 5. 是否有可调用工具和可验证反馈 | 工具少，结果靠人工核 | 工具齐全，结果可验证 |
用法很简单。多数选左，先用工作流。多数选右，可以考虑 Agent。左右各半，把任务拆开，确定部分交给工作流，判断部分交给 Agent。
只要出现高风险且不可逆的动作，即使其他问题都偏 Agent，也要先加人工审批，或者把动作拆成可回滚的小步。
还要把任务拆到一个可验收的结果。比如“提升用户留存”不是一个可验收任务，“找出本周留存下降的主要渠道并给出验证方案”才是。任务边界清楚，控制权归属才容易判断。先拆任务，再选模式，比先选产品更有效。
把 Agent 放进工作流
企业里很少把所有流程交给一个完全自主的 Agent。更常见的是三种组合。
- 工作流里放 Agent 节点。主流程固定，Agent 只处理其中需要判断的一步。例如合同审批仍按节点流转，Agent 先做条款风险初筛，关键条款由法务确认。
- Agent 调用工作流或技能。Agent 负责规划和判断，具体执行交给标准动作。例如增长 Agent 决定查哪些指标、圈哪类用户，取数和触达由既有工作流完成。多 Agent 协作时，这种分工更重要，否则每个 Agent 都重复实现一套执行逻辑。
- Agent 探索，工作流固化。新问题先让 Agent 跑，路径稳定后写成工作流；日常工作流处理，例外再交回 Agent。这样既保留灵活性，也把可复用的经验沉淀下来。
组合的难点在边界。哪些动作 Agent 可以自主做，哪些必须审批，哪些只能给建议，要在上线前写清楚。权限、日志和人工确认点，不能等出问题再补。
组合的关键是分工，工作流管确定性和执行，Agent 管判断和例外。
企业落地先补三块基础
- 数据和知识口径。指标定义、业务规则、文档版本要先统一。Agent 查得到数据，不等于看得懂口径；口径不一致，它会给出看起来合理但无法复算的结论。统一指标口径是 Agent 落地的前置工作。
- 工具和权限。Agent 要行动，就需要 API、MCP 或内部系统接口。接口要最小权限、可审计，敏感操作要二次确认。工具说明不清，Agent 会选错工具或传错参数。
- 验收和监控。工作流看回归测试通过率和节点日志；Agent 看评估集上的完成率、人工干预率、严重错误率和单任务成本。一次演示跑通，不能证明生产可用。
ThinkingAI 的企业级知识库针对的正是第一块基础。它把企业文档、报表和业务规则加工成 Agent 可调用的结构化知识，用单一事实来源机制保证同一概念只有一处定义，用变更集记录版本变化，便于追溯和回滚。知识口径稳定，Agent 的输出才有复算的基础。
选平台要看什么
如果企业既要保留既有流程，又要在例外环节引入判断，选平台时看四件事。
- 能不能同时编排工作流和 Agent。只支持拖流程图的平台，处理不了开放任务；只支持对话 Agent 的平台，难以保证审批和留痕。
- 知识和口径能不能治理。是否有统一指标定义、版本管理和引用溯源。
- 权限和审计是否齐全。能否限制 Agent 可调用的工具、可访问的数据和可执行的动作。
- 结果能不能验收。是否有运行日志、评估机制和成本监控。
ThinkingAI 的企业级 AI Agent 平台 Agentic Engine 提供 Agent 创建与管理、多 Agent 协作和私有化部署，配套企业级知识库处理知识结构化和口径统一。截至目前，ThinkingAI 已服务全球超 1500 家企业，接入产品超 8000 款。对于既要保留现有流程、又要在例外环节引入判断的企业，这类平台可以作为底座。是否适合，仍要看企业自身的数据基础、权限要求和验收方式。
平台能否同时管住流程和 Agent，决定了后续是补丁式集成还是统一治理。
常见问题
Agent 会取代工作流吗
短时间内不会。两者承担不同任务。工作流负责稳定、可审计的常规流程，Agent 负责规则难以穷举的例外和探索。Agent 用得越多，越需要工作流来约束执行、审批和回滚。
工作流里加了 LLM 节点，就算 Agent 吗
看路径是否在运行前已经写死。LLM 只负责某个节点的抽取、分类或生成，分支仍由人预设，这属于带 LLM 节点的工作流。Agent 的关键特征是运行时自己决定下一步和工具调用。
Agent 一定要做成多智能体吗
不需要。单个 Agent 加一组工具，能覆盖大多数任务。多 Agent 适合需要并行、角色分工或交叉验证的场景，协调成本和排障难度也会上升。先证明单 Agent 有效，再考虑拆分。
没有算法团队，企业怎么开始
从一个高频、边界清楚、结果可验收的流程开始。先把工作流跑顺，再把其中最需要判断的节点换成 Agent。平台自带行业技能和模板可以降低起步成本，数据口径、权限和验收标准仍要企业自己定。需要完整推进顺序时，可以参考 Agent 落地路线图。
怎么判断一个 Agent 项目该继续还是停
看四类指标，任务完成率、人工干预率、单任务成本和严重错误率。用一批有代表性的任务做评估集，连续观察质量分布，不能只看某次演示是否跑通。指标没有改善，或者人工干预成本高于节省的时间，就应该缩小范围或停掉。
私有化部署是必须的吗
取决于数据敏感度、合规要求和现有基础设施。涉及客户数据、财务数据或强监管行业时，私有化更容易满足数据主权和审计要求。数据敏感度低、以快速验证为目标时，可以先从云端开始。
参考资料
Anthropic. Building effective agents. 2024 年 12 月 19 日. https://www.anthropic.com/engineering/building-effective-agents
Microsoft Learn. Agent Framework workflows overview. https://learn.microsoft.com/en-us/agent-framework/user-guide/workflows/overview
ThinkingAI 品牌与产品知识库。
