智能体还是工作流？判断何时真正需要AI智能体的实用测试
内容提要
AI“智能体”一词被滥用，许多应用只需工作流。工作流在开发时固定控制流程，可用LLM但路径预设；智能体由模型运行时决定下一步，能回溯、循环。判断标准：若运行前能画出完整流程图，用工作流；若下一步取决于执行中的发现，才需智能体。高并发、低成本、低延迟、强合规场景宜用工作流。建议先构建工作流，再评估是否真需智能体。
延伸解读
工作流与智能体的本质区别
文章指出，工作流的控制流在设计时固定，开发者预先决定步骤、分支和停止条件，即使使用LLM，路径也是预设的。而智能体由LLM在运行时决定下一步，能根据执行中的发现回溯、循环或收集更多信息。关键区别在于控制流是掌握在开发者手中还是模型手中。理解这一点有助于避免将简单管道误称为智能体。
一个实用测试：能否预先画出流程图
判断是否需要智能体，只需问：在LLM运行前，能否画出任务的完整流程图？如果能列出所有主要步骤和分支，就应构建工作流；如果下一步取决于执行中的发现，如新数据或意外工具结果，则可能需要智能体。这个测试能消除许多不必要的智能体，因为额外灵活性往往不值得增加复杂性。
何时应优先选择工作流
文章给出五点清单：能预先列出步骤和分支、输入变异性低、对量级/成本/延迟敏感、需要严格审计或合规、以及已尝试过带LLM判断的工作流。这些场景下，工作流更简单、便宜、可靠且易维护。例如高并发FAQ或常规任务，智能体因更多推理和工具调用会导致更高token消耗和延迟，不适合。
常见误区与建议路径
文章强调，工作流不等于简单，智能体不等于高级。工作流可以包含多次LLM调用、检索、工具调用、重试和人工审批；而简单系统若由模型决定下一步，也可以是智能体。建议先构建工作流，测量失败点，再评估是否真正需要智能体，且可能仅需在任务的有界部分使用智能体。
Q&A
AI工作流和AI智能体最核心的区别是什么？
工作流的控制流程在设计时就固定了，开发者预先决定步骤顺序、分支和停止条件；而智能体由LLM在运行时决定下一步做什么，能根据发现回溯、循环或收集更多信息。
有没有一个简单的方法判断我的应用到底需不需要AI智能体？
有一个实用测试：在LLM运行之前，你能否画出完整的流程图？如果能，就用工作流；如果下一步取决于执行中的发现（如新数据、意外工具结果），才可能需要智能体。
哪些场景更适合用工作流而不是智能体？
高并发、成本敏感、低延迟要求、严格审计或合规的场景宜用工作流。例如从合同提取信息、高频FAQ、身份验证→信用检查→政策应用→批准/拒绝等固定流程。
构建AI应用前应该做哪些检查来决定用工作流还是智能体？
可以按五点清单检查：1）能否在运行前列出主要步骤和分支；2）输入变异性是否低到决策树可维护；3）是否对量、成本、延迟敏感；4）是否需要完全相同的执行路径以满足审计合规；5）是否已尝试过带LLM判断的工作流。
为什么说工作流不一定简单，智能体也不一定高级？
工作流可以包含多次LLM调用、检索、工具调用、重试逻辑、人工审批和复杂业务规则；而一个非常简单的系统，只要由模型决定下一步，也可以是智能体。
如果我不确定，应该先尝试什么方案？
建议先构建工作流，并加入LLM判断。例如客户支持中：固定工作流→用LLM分类问题→检查政策→LLM判断资格→处理退款。如果这样可行，通常就不需要智能体。
