AI agent（以AutoGPT为例）和AI Workflow 区别

Auto GPT是基于大型语言模型（LLM）的自主AI代理，能够连接互联网并自主规划执行复杂任务。

无缝集成与低代码工作流 ：无需大量编码知识即可快速创建复杂工作流。
自主运行与持续代理 ：部署基于云的助手，可无限期运行并在相关触发器激活时启动。
智能自动化与最高效率 ：通过自动化重复流程实现工作流优化。
可靠性能与可预测执行 ：确保长期运行流程的稳定性和可靠性。

Agent Blocks是预先配置、可重复使用的人工智能工作流程组件，可在大型自动化系统中作为构建模块使用。它们本质上是"智能积木"------每个代理块本身都是完整的工作流程，能够：

Agent Blocks的核心优势在于模块化设计。当您创建具备特定功能（如文本翻译或情感分析）的Agent后，即可在其他工作流中将其作为独立模块重复使用。这意味着您可以：

以内容创建工作流为例，可能包含以下Agent Blocks组合：

构建LLM应用时，我们建议优先寻找最简单的解决方案，仅在必要时增加复杂度。这可能意味着完全不构建agnet系统。agent系统通常以延迟和成本为代价来换取更好的任务性能，需要权衡这种取舍是否合理。

当确实需要更高复杂度时，workflow能为明确定义的任务提供可预测性和一致性，而agent系统更适合需要灵活性和规模化模型驱动决策的场景。但对于多数应用场景，通过检索机制结合上下文示例来优化单次LLM调用通常就已足够。

Prompt chaining将任务分解为一系列步骤，其中每个 LLM 调用处理前一个调用的输出。可以在任何中间步骤上添加编程检查 (请参见下图中的 " gate") ，以确保流程仍然处于正轨。

When to use：非常适合于任务可以轻松、干净地分解为固定子任务的情况。其主要目标是通过使每个 LLM 调用变得更容易，从而为更高的准确性权衡延迟。

Example：

Routing对输入进行分类，并将其指向专门的后续任务。这个工作流允许关注点分离和建立更专业的提示。如果没有这个Workflow，对一种输入进行优化会损害其他输入的性能。

When to use：用于复杂任务，其中有不同的类别，可以更好地单独处理，并且分类可以通过 LLM 或更传统的分类模型 / 算法精确处理。

Example：

将不同类型的客户服务查询 (一般问题、退款请求、技术支持) 导入不同的下游流程、提示和工具。
把简单 / 常见的问题发给Claude 3.5 Haiku这样的小型模型，把难 / 不常见的问题发给Claude 3.5Sonnet这样更有能力的模型，以优化成本和速度。

LLM 有时可以同时处理一个任务，并以编程方式聚合它们的输出。Parallelization，体现在两个关键的变化：

Sectioning：将任务分解为并行运行的独立子任务。
Voting：多次运行相同的任务以获得不同的输出.

When to use: 当可并行处理子任务以提升速度，或需要多视角多次尝试来获取高置信度结果时，并行化方案尤为有效。对于涉及多重考量的复杂任务，让每个单独LLM调用专注处理特定维度通常能获得更优表现。

Example：

Sectioning：
- 实现防护机制时，由一个模型实例处理用户查询，同时另一个模型进行内容合规性审查。这种分工模式相比单一LLM同时处理防护与核心响应更有效。
- 自动化评估LLM性能时，通过不同LLM调用分别评估模型在特定提示下的各项表现指标。
Voting：
- 代码漏洞审查场景中，使用多个差异化的检测提示并行扫描代码并标识潜在问题。
- 内容合规判定时，通过多组提示分别评估不同维度的合规性，并设置差异化的表决阈值以平衡误报与漏报风险。

在Orchestrator-workers中，一个中央 LLM 动态地分解任务，将它们委托给工作者 LLM，并合成它们的结果。

When to use：特别适用于无法预判所需子任务的复杂场景（例如在代码修改中，涉及变更的文件数量及每个文件的修改性质往往由具体任务决定）。尽管与并行化在架构上相似，其核心差异在于灵活性------子任务并非预先定义，而是由协调器根据具体输入动态确定。

Example：

在 Evaluator-optimizer中，一个 LLM 调用生成响应，而另一个 LLM 调用在循环中提供评估和反馈。

When to use: 在具备明确评估标准且迭代优化能产生可衡量价值时尤为有效。适用性的两大标志是：第一，当人类明确反馈时能显著提升LLM响应质量；第二，LLM自身能够提供此类反馈机制。这类似于人类作者在撰写完善文档时经历的迭代创作过程。

Example:

补充：中国AI Agent 生态