Workflow 还是 Agent？帮你一次性搞清楚这俩到底有啥不一样

别再说"Workflow 和 Agent 差不多"了，今天我们用代码和场景把它们掰开揉碎讲清楚。

引子：一个让人头大的问题

前两天有个读者问我："我用 LangChain 写了个链式调用，这算是 Workflow 还是 Agent？"

这个问题问得特别好，因为很多人嘴上说着 Workflow 和 Agent，心里想的却是 '反正都是 AI 在干活' 。

看完他的代码，我发现他写的是这样的东西：

import { PromptTemplate } from "@langchain/core/prompts";
import { ChatOpenAI } from "@langchain/openai";
import { StringOutputParser } from "@langchain/core/output_parsers";

// 这其实就是一个典型的 Workflow
const creativeChain = storyPrompt
  .pipe(creativeModel)
  .pipe(outputParser);

const result = await creativeChain.invoke("恭喜拿下offer");

这段代码确实像一条流水线：输入进去，经过一系列处理，输出结果。但这是 Agent 吗？显然不是。

那 Workflow 和 Agent 到底有什么区别？今天我们就来彻底讲清楚这件事。

第一部分：Workflow，AI世界的"流水线工人"

什么是 Workflow？

Workflow 本质上是一套预定义的流程，可以把它想象成一条标准化的流水线。

每一步做什么、输入输出是什么、走到哪一步该干什么，都是提前画好的。当条件满足，就自动进入下一环节。

在技术层面，它通常是一个编排好的 AI 工作流引擎------由 AI 调用、条件判断、循环逻辑组成的一个有向图。

我用 Coze 构建过一个"AI 照相馆"工作流，流程大概是这样的：

用户上传照片 → 人脸检测 → 风格选择 → AI 生成 → 输出结果

每个节点都是固定的：输入是照片，输出是处理后的图片。中间没有任何"自由发挥"的空间------这就叫确定性执行。

LangChain 如何构建 Workflow？

LangChain 的 LCEL（LangChain Expression Language） 是构建 Workflow 的利器，在 JavaScript 中通过 .pipe() 方法串联各个组件：

import { ChatOpenAI } from "@langchain/openai";
import { ChatPromptTemplate } from "@langchain/core/prompts";
import { StructuredOutputParser } from "@langchain/core/output_parsers";
import { z } from "zod";

// 定义输出结构
const resumeSchema = z.object({
  name: z.string(),
  skills: z.array(z.string()),
  yearsOfExperience: z.number(),
  education: z.string(),
});

// 定义一个简历解析的 Workflow
const model = new ChatOpenAI({ model: "gpt-4" });

const prompt = ChatPromptTemplate.fromTemplate(`
提取以下简历中的关键信息：
{resume_text}

输出格式：姓名、技能列表、工作经历年限、教育背景
`);

const parser = StructuredOutputParser.fromZodSchema(resumeSchema);

// 这条链就是一条标准的 Workflow 流水线
const resumeWorkflow = prompt.pipe(model).pipe(parser);

// 执行
const result = await resumeWorkflow.invoke({ resume_text: resumeContent });

看到没？ .pipe() 就像工厂里的传送带，把数据从一个节点传到下一个节点，直到产出最终结果。

什么时候该用 Workflow？

举一个真实的招聘场景。假设你要用 AI 处理 1000 份简历，流程固定：

1. 解析 PDF 文档
2. 提取技能、工作经历、教育背景
3. 匹配岗位需求（RAG 检索）
4. 综合打分排序
5. 输出 Top 10 候选名单

这个场景里，每一步都是明确的、可预期的、不需要临时决策的。用 Workflow 再合适不过。

Workflow 的核心价值：稳定、可控、高效。 就像一个熟练的流水线工人，每天重复做同样的事，但永远不会出错。

第二部分：Agent，AI世界的"自由探索者"

Agent 的逻辑完全不同

如果说 Workflow 是走在既定轨道上的列车，那 Agent 就是一个站在开放空间里的探险家------它自己去琢磨该怎么完成任务。

一个完整的 Agent 通常具备三个核心能力：

1. 感知环境

通过输入文本、图像、数据来理解任务是什么，以及当前有哪些工具可以调用。

2. 规划路径

不是预先定义好的路线，而是动态生成任务链。它会思考："要做这件事，我第一步该干什么？如果失败了怎么办？"

3. 执行与调整

调用工具完成子任务，然后根据执行结果不断调整策略。

写一个真正的 Agent

用 LangGraph 的 createReactAgent 实现一个最简单的 ReAct Agent：

import { createReactAgent } from "@langchain/langgraph/prebuilt";
import { DynamicTool } from "@langchain/core/tools";
import { ChatOpenAI } from "@langchain/openai";

// 定义工具
const searchWeather = new DynamicTool({
  name: "search_weather",
  description: "查询城市天气",
  func: async (city) => `${city}今天晴天，温度25°C`,
});

const searchFlight = new DynamicTool({
  name: "search_flight",
  description: "查询航班信息",
  func: async ({ departure, destination }) => 
    `从${departure}到${destination}的航班，最低票价800元`,
});

const tools = [searchWeather, searchFlight];
const model = new ChatOpenAI({ model: "gpt-4" });

// 创建 Agent
const agent = createReactAgent({ llm: model, tools });

// Agent 会自动决定调用哪个工具、什么顺序调用
const result = await agent.invoke({
  messages: [{ role: "user", content: "我想下周去三亚玩，帮我规划一下" }],
});

// Agent 可能先查天气，再查航班，甚至可能去查酒店
// 具体路径完全由它自己决定

你看，我没有告诉 Agent "先查天气再查航班"，它自己会判断该怎么做。

Agent 的典型场景

让 Agent 去规划一次旅行：

1. 它可能先去查目的地天气
2. 发现是雨季，于是调整方案推荐室内景点
3. 同时搜索机票和酒店价格
4. 结合你的预算动态权衡方案
5. 最终给出一个完全出乎你意料但很合理的行程

这个过程中，Agent 走的每一步都是动态决策的，而不是提前写死的。

第三部分：本质区别（一张表讲清楚）

维度	Workflow	Agent
路径	预定义，固定	动态生成，不确定
决策方式	规则驱动	大模型推理驱动
工具调用	按预设顺序	自主决定调什么、何时调
适应性	不会变通	根据环境反馈调整
可预测性	高	低
适用场景	重复性、流程化任务	复杂、动态、探索性任务

用一句大白话总结：

Workflow 像高速公路，路线清晰固定，效率极高，但只能到达预设的终点。Agent 像老司机，知道目的地但可以随时改道、绕路、甚至换终点------因为它能感知实时路况。

或者用更形象的比喻：

Workflow 是骨架，Agent 是大脑。骨架提供稳定性，大脑提供灵活性。一个只会执行，一个会思考。

第四部分：实战------怎么选？

场景一：客服问答机器人

如果用户问的都是"怎么退款""物流到哪了"这类固定问题：

javascript

// ✅ 用 Workflow
// 意图识别 → FAQ 检索 → 模板回复
// 简单、快速、成本低

如果用户问的是"我该怎么处理这个复杂纠纷"：

// ✅ 用 Agent  
// 查询订单 → 查看聊天记录 → 调取物流信息 → 综合判断
// 需要多步推理和工具调用

场景二：代码审查

// 团队规范检查、格式化 → Workflow
// 发现潜在的逻辑漏洞、提出重构建议 → Agent

决策三要素

我在实际项目中总结了一个决策框架：

1. 确定性 vs 开放性：结果是固定的用 Workflow，结果开放的用 Agent
2. 成本与合规：Workflow 成本可控、行为可审计；Agent 可能"脑洞大开"
3. 职责范围：单一职责用 Workflow，跨领域协作用 Agent

一个反直觉的结论：能用 Workflow 解决的，优先用 Workflow。Agent 虽强，但贵且不可控。

第五部分：未来趋势------两者融合

我们现在做的 AI 工程，早就不是"二选一"了，而是融合。

一个成熟的 AI 应用通常长这样：

底层 Workflow：提供稳定性和可控性
    ↓
中间层：路由和编排
    ↓
上层 Agent：提供灵活性和智能性

就像我最近在做的项目：

// 伪代码示意
const mainAgent = createPlannerAgent();  // 总控 Agent

// Agent 决策后，调用各个 Workflow 执行具体任务
if (task.type === "resume_screening") {
  await resumeWorkflow.invoke(task.data);      // 稳定的简历筛选流程
} else if (task.type === "interview_scheduling") {
  await scheduleWorkflow.invoke(task.data);    // 稳定的排期流程
} else if (task.type === "complex_negotiation") {
  await negotiationAgent.invoke(task.data);    // 需要智能决策的部分
}

底层 Workflow 做确定性的事（骨架），上层 Agent 做探索性的事（大脑）。两者结合，既高效又有智慧。

另外提一句，MCP（模型上下文协议）的出现正在进一步模糊两者的边界------工具即节点，模型即路由，未来的 AI 工程形态会更加灵活。这个话题我们下次专门聊。

总结

写这篇文章的时候，我特意把笔记里那句"Workflow 是确定性执行，Agent 是不确定性探索"圈了出来。这句话值得你背下来。

最后送你三句话：

1. Workflow 是罐头，Agent 是私厨------前者稳定可预期，后者充满惊喜但也需要更精心的设计
2. 不要为了用 Agent 而用 Agent------能用 Workflow 解决的，绝不上 Agent
3. 真正的 AI 工程，是让骨架和大脑各司其职

希望这篇文章能帮你彻底分清 Workflow 和 Agent。下次面试或者写方案的时候，别再傻傻分不清楚了