# 固定流程还是自主循环：什么时候不该让模型自己决定下一步

控制流归代码还是归模型，是工作流与智能体的唯一分界；用两条判断标准决定该不该把那行 while 交给模型

> 智能体定义 · 可靠性 · 护栏 · 约 6 分钟 · 10 月 13 日

## 本篇要点

1. 工作流和智能体的差别只有一句话：那张「下一步往哪走」的控制流图归代码还是归模型；跟有没有用工具无关。
2. 最实用的判断标准：能在模型跑之前把流程图画出来，就用工作流；画不出来（下一步依赖上一步真正返回的内容），才需要让模型自己决定。
3. 流程图测试测的不是任务复不复杂，而是下一步由什么决定：步骤集合是否固定、分支是否可枚举。
4. 第二条常被忽略的标准：错判容易不容易发现、代价大不大。有代码验证器兜底就能放手；验不了且代价高，就不该用纯智能体。
5. 验证器要验得住：一次成功写库只证明格式合法，证明不了抽出的数值是对的，那需要语义层面的交叉核对。
6. 工作流换来的是可预算、可复现、可打点；智能体换来的灵活性，代价是调用次数不定、延迟波动，以及可靠性按步数打折——每步 99% 正确，十步串起来只剩约 90%。
7. 大多数真实系统是混合：固定流程当骨架，把自主权限制在一个受约束的环节里。
8. 落地顺序是先调用、再工具、再链式、再分支，只有在评估数据证明必要时才做智能体；别因为 demo 惊艳就上。

---

前面几篇我们一直在拆循环内部：模型怎么输出一次工具调用，观察结果怎么喂回去，什么时候该停，工具报错之后怎么办。但真正动手写那行 `while` 之前，还有一个更靠前的问题：**这件事到底需不需要这个循环？**

很多团队一上来就把智能体套上去，结果钱多花了、调试变难了、正确率反而降了。Anthropic 在总结与几十个团队的实践后给出一条反直觉的结论：表现最好的系统，用的往往是简单、可组合的模式，而不是复杂框架——第一步要考虑的，可能是「根本别做智能体系统」[1]。这一篇就讲清：同一件事，什么时候预先编排好的固定流程就够了，什么时候才真需要让模型自己决定下一步。

## 先分清两件事：控制流归谁

先把术语摆正：这里的「工作流」和「智能体」不是两个产品，而是同一套积木的两种摆法[1]。

- **工作流（workflow）**：大模型和工具的调用路径被一段预先写好的代码串起来。你先决定第一步调谁、拿到结果后走哪个分支、哪一步去调哪个工具。
- **智能体（agent）**：模型在运行时自己决定下一步做什么、调哪个工具、什么时候收尾。

差别只有一句话：**那张「谁调用谁、下一步往哪走」的图，归代码还是归模型。** 注意这不等于「有没有用到工具」——工作流里照样能调工具，区别是调哪个、什么时候调由代码写死，不是模型临场挑。

## 固定流程长什么样

「固定流程」不是一条直线，它有几种常见形状：

- **提示链（prompt chaining）**：把任务拆成固定顺序的几步，每一步吃上一步的输出。中间还能插一段普通代码做检查——比如上一步要求返回 JSON，就先校验它能不能解析，不能就提前终止，别把垃圾往下传。
- **路由（routing）**：先给输入分类，再送去对应的专用处理路径，而不是用一个提示凑合所有情况。
- **并行（parallelization）**：一批互不依赖的子任务同时跑，最后汇总结果。

这三种的共同点是控制流全在代码里：每次运行发几次请求、花多少 token、最慢多久，你都能提前算出来。

## 判断标准一：分支能不能提前写下来

最实用的一句是：**在模型跑起来之前，你能不能把这件事的流程图画出来？** 能画出来，就用工作流；画不出来——因为下一步取决于上一步真正返回了什么——才需要让模型自己决定[2]。

这个测试测的不是「任务复不复杂」。一个二十步的流水线照样是工作流；反过来，三步而每一步都要看着结果临场判断的任务，也照样得让模型自己走。真正让流程图画不出来的情形通常有两种：**候选步骤本身就不固定**（要改几个文件、要查几轮日志，事先不知道），或者**下一步依赖上一步的语义内容**（看到那条报错，才知道该去查哪个服务）。

还有一条更严的补充：如果你能把输入空间明确写出来——可能的输入就那么几类——那你要的其实是解析器加一个 `switch`，不是智能体。真正让智能体挣得回成本的是**开放的输入空间**，比如「一封客户来信」这种没法穷举的输入[3]。

```mermaid
flowchart LR
  A["拿到任务"] --> B{"能提前画出流程吗？"}
  B -->|"能：分支可枚举"| C["写工作流"]
  B -->|"不能：下一步依赖上一步"| D{"错了能被发现吗？"}
  D -->|"有代码验证器兜底"| E["可以让模型自己决定"]
  D -->|"验不了，且代价高"| F["退回工作流，或加人工审核"]
```

## 判断标准二：错了以后能不能被发现

这条比第一条更容易被漏掉。就算第一条说「可以放手」，还要追问：**这个任务判对判错容易吗？判错的代价大吗？**

- 如果成功标准能用代码校验——输出能过 schema、测试能跑通、记录确实写进了数据库——那你大可以放心让模型自己决定路径，因为它每次试探都有个确定的验证器兜底，不合格就重来。
- 如果错一次代价很高（医疗结论、财务报告、安全分级），而又没有代码验证器，那答案是：不要纯智能体。要么加人工审核，要么退回固定流程。

这里有个细节值得记住：**验证器要验得住。** 一次成功的写库操作能证明格式合法、字段齐全，但证明不了抽出来的那个发票号是**对的那个**。格式正确、数值错误，照样能顺利写进去[3]。这种情况需要的是语义层面的交叉核对（拿同一份文件上另一个字段对一遍，或向开票系统要一个校验码），而不是格式校验。

## 取舍：多花的到底是什么

工作流的代价是「写死了就不灵活」：输入分布一变，硬编码的分支就失效。智能体换来的是适应变化的能力，代价是三样东西：

| | 固定流程 | 自主循环 |
| --- | --- | --- |
| 控制流 | 代码 | 模型 |
| 每次调用的模型次数 | 固定，可预算 | 模型自己定 |
| 延迟 | 可预估 | 波动大 |
| 出错路径 | 可复现、可打点 | 要记下每次输入输出才能复现 |
| 适用场景 | 输入稳定、分支可枚举 | 输入开放、下一步依赖上一步 |

其中最容易被低估的是**可靠性按步数打折**。假设每一步正确率 99%，十步串起来只剩 $0.99^{10}\approx 90\%$；步数再多，掉得更快[2]。工作流之所以稳，不只是因为它简单，而是因为它把「会错几步」变成了一个你能提前写死的常数。

## 最常见的一版：混合

真实系统基本都落在中间：**用固定流程当骨架，把自主权塞进一个受约束的环节里。** 两种常见摆法：

- 让确定性的主管在顶层负责路由，只把真正需要判断的那一步交给模型自由发挥；
- 反过来，让模型出计划，具体执行交给确定性代码——模型决定「做什么」，代码负责「怎么做」。

这样最坏的情况被框在一个小格子里：错了也就是某个节点的输出不合格，重试或者兜底都简单。LangChain 给同类场景的建议也是这个顺序：**先加工具，再考虑加智能体**[4]。

## 落地的顺序

先写最简单、跑得通的东西：一次普通模型调用，配上合适的检索和几个例子，往往就够了。不够，再加工具；还不够，再加一步链式调用、加个分支判断；只有当评估数据明确显示「必须把控制权交给模型」时，才去做真正的智能体。

要避开两个念头：**因为 demo 效果惊艳就上智能体**，以及**还没建好评估就扩大自主权**。循环是一件很贵的工具，贵在它把控制流让给了模型。

所以这一篇的判断标准就两条：**分支能不能提前写下来，错了能不能被及时发现。** 两条都过关，才值得把那行本该属于你的 `while`，交给模型来决定怎么转。

## 术语表

- 工作流（workflow）：大模型和工具的调用路径由你写的代码预先决定，代码负责「下一步调谁」。
- 智能体（agent）：下一步做什么、调哪个工具、何时收尾，由模型在运行时决定。
- 控制流：决定「接下来执行哪一步」的那部分逻辑；归代码叫工作流，归模型叫智能体。
- 提示链（prompt chaining）：把任务拆成固定顺序的多步，每一步吃上一步的输出，中间可以插代码检查。
- 路由（routing）：先给输入分类，再送去对应的专用处理路径，而不是用一个提示凑合所有情况。
- 验证器：一段用代码判断输出对不对的检查，用来给模型的自主决策兜底；它验证不了的部分就是风险所在。

## 来源

1. [Building Effective Agents — Anthropic：工作流与智能体的架构区分、五种常见模式，以及「先找最简方案」的核心建议](https://www.anthropic.com/engineering/building-effective-agents)
2. [AI Agents vs Workflows: When to Use Each — Redis：「能不能提前画出流程图」的实用测试与逐步可靠性衰减的算例](https://redis.io/en/blog/agents-vs-workflows/)
3. [When to Use an AI Agent vs a Deterministic Workflow — Michał Woliński：输入空间是否开放，以及验证器为何验不住「数值错误」](https://wolinski.com/blog/agent-vs-deterministic-workflow.html)
4. [What is an Agent? — LangChain：自主性是一条谱系，以及「先加工具、别急着加智能体」的落地顺序](https://www.langchain.com/blog/what-is-an-agent)

---

原文：https://pangzhengboyin.com/articles/workflow-vs-agent-when-to-choose-dd14c4ba

> **庞征博引** · 想学的，慢慢都会
>
> 庞征博引是把想学的东西写成连载的 AI 学习工具。说出想学什么，它会先了解你的基础，再把主题写成一篇篇 5–10 分钟能读完的文章；边读边问，接下来学什么跟着你走。这篇就是这样写出来的。
>
> 开始你自己的连载 → https://pangzhengboyin.com