一句话核心分界（最本质标准）
Workflow（工作流）：流程决策由开发者提前写死；Agent（智能体）：运行期间由 LLM 实时决定下一步做什么，跟调用多少个工具、循环多少次无关。
六个关键区分维度
1. 流程控制权（根本分水岭）
- Workflow ：开发者在设计阶段就把步骤、判断条件、分支全部确定。代码里写死 A→B→C；if‑else、DAG 有向无环图；大模型只是在单个节点做执行任务（翻译、总结），无权决定下一步怎么走。哪怕串联 10 次大模型，依然是工作流。
- Agent：开发者只给出最终目标，不规定步骤。运行时 LLM 基于返回结果自主选择：要不要联网、调用哪个工具、要不要重试、是否结束任务；存在感知‑执行‑反思的循环（ReAct 循环），图结构允许闭环 Cycle。
通俗比喻：
- Workflow＝地铁，路线提前规划好，站点顺序固定；
- Agent＝网约车，目的地确定，路线由司机（大模型）临场决定。
2. 驱动模式
- Workflow：规则驱动。预先定义节点顺序、异常分支，输入相同，执行路径基本固定，结果确定性强。适合财务审批、数据清洗、固定格式文档生成。
- Agent：目标驱动。只设定最终目标，模型动态拆解子任务。环境变化就调整方案，结果具备不确定性；适合调研、复杂问题排查、开放式问题处理。
3. 状态管理方式
- Workflow：状态是开发者显式定义的结构化变量，步骤流转由代码判断，调试、日志、回滚可控，适合企业合规场景。
- Agent：状态大多保存在对话历史（message history）里；模型自主决定要不要记忆历史；长任务更容易出现上下文混乱，生产环境调试难度更高。
4. 工具调用逻辑
- Workflow：什么时候调用哪个工具全部写死，例如：第一步必查数据库，第二步必调用搜索引擎，模型不能跳过步骤。
- Agent：模型自主选择工具集合。比如发现资料不足才去搜索，结果不满意就多次搜索，完成后主动停止工具调用。
5. 稳定性与落地取舍
- Workflow：结果可预期、安全性高、易于审计；缺点是面对超出预设的场景就失效，灵活性差，业务一变就要修改编排代码。
- Agent：灵活适配未知情况，但每一步都存在模型幻觉，输出不可控；金融、政务等强合规场景不能直接使用原生 Agent。
6. 架构边界（容易混淆的过渡形态）
- 纯 Workflow：Dify、Airflow、Prefect；全程代码决定流转；
- Agent‑in‑Workflow（现在生产主流）：外层流程由工作流管控，部分节点交给 LLM 自主决策；例如 LangGraph，把 Agent 嵌套在工作流框架里，兼顾可控性和智能性；
- 原生 Agent：只有目标，没有预设步骤（OpenAI‑Agent、Auto‑GPT）。
极简判断口诀（面试答题版）
- 下一步由代码预先决定＝Workflow；
- 下一步由大模型运行时决定＝Agent。
选型总结
- 任务步骤清晰、场景固定优先选 Workflow，稳定靠谱、方便上线；
- 问题模糊、步骤未知、需要多次试错，才采用 Agent。