Workflow 还是 Agentic？

Workflow#

Workflow（工作流），简单来说，一系列对 LLM 的调用，旨在通过预定的一系列步骤来解决特定问题。可以理解为用 DAG（有向无环图）把 LLM 节点连起来。市面上一些可视化拖拽式 Agent 开发平台，例如 Coze、Dify 等，基本上都是基于 Workflow 的设计思路来实现的。

整个控制流还是由人为定义，人需要先对解决该问题的流程有一个清晰的认识，才能设计出合理的 Workflow。
适合于流程相对固定的问题，此外如果 LLM 自身的能力不够强大，无法通过单次调用规划并解决多步复杂问题，那么 Workflow 也是一个不错的选择。

Parallelization workflows#

Workflow 的一个重要优势是它可以很方便地实现并行化（parallelization）。例如，在一个 Workflow 中，如果有多个步骤之间没有依赖关系，那么这些步骤就可以同时执行，一般做法是将可并行节点拆分为多个 SubAgent 来并行处理，最终将结果汇总再进行下一步。

Chaining workflows#

链式调用（chaining），即将多步串联成完整的 Workflow，适合于流程相对固定的问题，让 LLM 能专注于每一步的具体实现。

Routing workflows#

路由（routing），即根据不同的输入或条件，动态选择不同的 Workflow 路径来处理问题。这种方式适合于流程较为复杂且具有分支逻辑的问题，可以让 LLM 根据实际情况灵活地选择最合适的处理路径。

Agentic#

给 LLM 提供目标和工具，自行探索并实现目标。

人对实现目标的具体流程没有预设，完全交由 LLM 来规划和执行；
Agent 自行设计流程来实现目标，更加灵活；
Agent 并不能盲目地持续干活，需要能够有观察环境的工具，据此进行决策并调整行为；

一个相当经典的 Agent Loop (ReAct) 的流程如下：

\text{Reasoning} \rightarrow \text{Action} \rightarrow \text{Observation} \rightarrow \text{Reasoning again} \rightarrow ...

简单来说，边想边做，单步迭代。

有时也会加上 Reflection（反思）来让 Agent 进行自我评估和改进，对动作执行结果进行检查。

还有一种稍微复杂一点的 Agent Loop 是 Plan-and-Execute，顾名思义就是先规划（Plan）再执行（Execute），在规划阶段，Agent 会根据当前的环境状态和目标来制定一个详细的计划，明确每一步需要执行的动作和使用的工具；在执行阶段，Agent 会按照规划好的步骤来完成任务，同时在执行过程中不断监控环境的变化，并根据需要进行调整。

相比于 ReAct，Plan-and-Execute 将规划和执行完全分开。

Workflow vs. Agentic#

同：
- 都需要工具来执行更小的子任务；
异：
- Workflow 的控制流由人预设，Agentic 的控制流由 LLM 自行规划；
- Workflow 适合于流程相对固定的问题，对单个子任务更专注，一般完成效果更好，而 Agentic 能够提供更灵活的体验；

Thinking:

个人认为随着模型能力的提升，Agentic 的优势会越来越明显，毕竟它能够更好地适应复杂多变的环境和任务需求，而 Workflow 则可能会因为流程设计不合理而导致效率低下或者无法完成任务，并且用户期望的场景就是大白话的自然语言描述需求，Agent 自主规划完成目标，而不是用户需要先把实现目标的流程设计好再让模型去执行，大道至简这一块。
不过在一些特定场景下，例如流程相对固定且对效率或可靠性要求较高的任务，Workflow 仍然是一个不错的选择。