一、开场这是整个系列的核心题前两篇我们铺了两块砖第 1 篇Tools 是能力单元两种架构都要用它第 2 篇Workflow 是预定义代码路径Anthropic 给了五种模式。现在回到题干本身。阿里、腾讯爱问这题不是想听定义——它想筛掉一类人接到需求就上 Agent跑不通再堆 prompt 的人。先给一句话答案后面全部围绕它展开控制流写在代码里是 Workflow控制流由模型在运行时生成是 Agent。再给一个比定义更好用的判断标准你能不能画出这个系统的完整流程图画得出来哪怕分支很多→Workflow画不出来因为路径是模型现场决定的 →Agent这两句话背下来这题就答对八成了。二、拆开看本质区别在三个层次层次一下一步由谁决定这是最硬的那条线。WorkflowAgent谁决定下一步你在写代码的时候模型在运行时同样输入 → 同样路径是不一定Anthropic 的原话Workflow 是 “systems where LLMs and tools are orchestrated throughpredefined code paths”Agent 是 “systems where LLMsdynamically direct their own processesand tool usage”。这是二元判断不是程度问题。只要下一步做什么是你用 if/else 写死的哪怕里面塞了二十次 LLM 调用它也是 Workflow。反过来只要模型能自己决定我还要不要再调一次工具哪怕只有三步它已经是 Agent 了。层次二失败模式不同这条最容易被忽略但它是生产事故的分水岭。Workflow 的失败是显式的某个节点报错异常栈直接指到第 3 步你能定位。Agent 的失败是静默的它不会报错而是自信地做错**——沿着一条偏掉的路径一路跑完最后给你一个看起来很合理的错误答案。**为什么因为 Agent 的错误会在循环中累积第 1 步的小偏差会变成第 2 步的错误前提到第 5 步已经离题万里。而整个过程中没有任何一个环节会抛异常。所以 Agent 必须额外配一套偏航检测这是 Workflow 不需要的。层次三成本结构不同Workflow步数固定单次 token 消耗稳定 →乘十万次调用是一份可以规划预算的数字。Agent单次成本是随机变量。它可能三步搞定也可能绕二十步——你没法预测只能设上限。这个差别在规模化时是致命的。一个 Agent 单次贵 3 倍听起来能接受但它的方差会让你的成本预算失去意义。三、关键认知Agent 不是 Workflow 的升级版这是本题最该主动说出来的一句。很多人默认Workflow 是初级Agent 是高级先把 Workflow 跑通再升级成 Agent。错。它们是两种不同形状没有高下。Anthropic 说得很直白最成功的实现用的不是复杂框架而是简单、可组合的模式。还给了一条明确的选型建议Find the simplest solution possible, and only increase complexity when needed —which sometimes means not building agentic systems at all.有时这意味着根本不该上 Agent 系统。我的观察滥用 Agent 是这两年最常见的工程事故。一个明明是四步固定流程的任务硬要做成 Agent三个月后拆掉换回 Workflow成本降 60%、准确率还涨——这种事我见过不止一次。为自主性而自主性是架构选型的第一杀手。那 Agent 存在的意义是什么既然 Workflow 这么好什么时候必须上 Agent三个条件通常要同时满足步骤数无法预先确定——Anthropic 的原话是开放式问题难以或不可能预测所需步数且无法硬编码固定路径下一步依赖上一步的真实结果——研究、排查、调试这类结果可以被验证——这一点常被漏掉但极关键。Anthropic 特别推崇编程 Agent原因就是代码可以通过自动化测试验证**。**反过来只要你能把步骤写下来就该用 Workflow。判断方法很朴素如果一个新人能照着 checklist 做下来Workflow 也能。四、代码Spring AI 2.0 里两者的样子Workflow控制流是普通 Java 代码// 路径完全由代码决定模型只是其中几个节点 public String handleTicket(String ticket) { Route r classifier.classify(ticket); // 节点 1 var ctx dataService.fetchParallel(r); // 节点 2并行取数 String draft generator.draft(ctx); // 节点 3 if (!guardrail.pass(draft)) { // 程序化检查点 throw new GuardrailException(合规未通过); } return draft; }每一步做什么、出错怎么办都在代码里。失败时异常栈直接指向具体节点。Agent控制流交给 Advisor 循环ChatClient agent ChatClient.builder(chatModel) .defaultSystem(你是排障助手自主决定查什么、什么时候收尾。) .defaultTools(new DiagnoseTools()) .build(); // 一次调用框架内部循环 N 轮轮数由模型决定 String answer agent.prompt() .user(生产环境订单接口 P99 突然飙高帮我定位) .call() .content();这里没有任何一行代码写下一步做什么——是ToolCallingAdvisor驱动循环模型每轮决定调哪个工具、还要不要继续。想加护栏就继承ToolCallingAdvisor重写钩子第 1 篇讲过四个扩展点Override protected ChatClientResponse doAfterCall(ChatClientResponse r, CallAdvisorChain chain) { if (iterations MAX_ITERATIONS) { throw new IllegalStateException(超过最大轮次熔断); } return r; }注意这个MAX_ITERATIONS——它不是优化项是必需品。没有停止条件的 Agent 就是一笔 unbounded 的账单。五、上 Agent 的四道护栏如果你判断确实该上 Agent这四道必须提前配好缺一不可1. 停止条件三重最大轮次 预算上限 超时。三者都要有——轮次防不住单次超长调用预算防不住单轮巨贵超时防不住卡死。2. 沙箱隔离Anthropic 明确建议在沙箱里充分测试之后才让 Agent 碰真实系统。它会尝试你没预料到的操作这是自主性的必然结果。3. 人工检查点高风险操作必须暂停确认写库、付款、删除、对外发送。别为了全自动化省掉它——在关键节点请求确认的自主系统实际表现比一味追求全自动的更好。4. 可观测记录每一步的决策轨迹。没有这个出问题你面对的是一团概率云根本无法定位。一条演进路线正确姿势不是二选一而是从简单出发被需求推着往上走单次 LLM 调用 检索 ↓Workflow提示链 / 路由 / 并行 ↓编排器-工作者 ↓简单 Agent单循环 工具 ↓自主 Agent循环 评估 记忆升级的信号是下面那级撑不住了不是我想用新技术。六、两个高频追问追问一编排器-工作者算 Workflow 还是 Agent这是个好问题答案在边界上Anthropic 把它归为Workflow因为子任务虽然由编排器现场决定但循环不会无限进行下去。不过它也确实已经很接近 Agent 端了。结论这是一条光谱不是一堵墙。能说出光谱而非二元比硬给答案更显功力。追问二用了 Agent 框架就等于上 Agent 了吗不是。Anthropic 特意提醒过框架会加一层抽象把底层的 prompt 和响应盖住反而更难调试还容易诱使你在简单方案足够时把系统搞复杂。判断依据永远是你自己的控制流归谁不是你引了什么依赖。七、收尾30 秒标准答案Workflow 和 Agent 的本质区别只有一个控制流归谁。Workflow 是预定义代码路径编排 LLM 和工具下一步做什么由我写代码时决定Agent 是 LLM 动态决定自己的流程和工具使用下一步由模型在运行时生成。判断方法很朴素——你能不能画出这个系统的完整流程图画得出是 Workflow画不出才是 Agent。更深的区别在失败模式和成本结构Workflow 显式失败能定位到具体节点Agent 是静默跑偏、自信地做错错误还会在循环里累积。成本上 Workflow 可预算Agent 的单次成本是随机变量只能设上限。关键认知是Agent 不是 Workflow 的升级版它们是不同形状没有高下。Anthropic 的原话是最简单方案优先有时这意味着根本不该上 Agent。该上 Agent 的三个条件步骤数无法预先确定、下一步依赖上一步的真实结果、结果可以被验证——编程 Agent 就是因为有自动化测试能验证。如果确实要上四道护栏必须配齐停止条件三重轮次预算超时、沙箱隔离、人工检查点、可观测。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】