大型行动模型（LAMs）使AI代理能够执行复杂任务，如自动化发票对账和航班预订。与传统的无状态大型语言模型（LLMs）不同，LAMs能够实时连接外部数据，适应用户界面变化，从而提升企业自动化效率。尽管LAMs在动态工作流中表现优异，但在简单重复任务中，传统的机器人流程自动化（RPA）仍更有效。

编排是一种设计框架，用于协调分布式服务和系统。使用工作流引擎（如Orkes Conductor）可实现持久执行和状态跟踪。操作符作为控制流原语，帮助开发者在无需编写命令式逻辑的情况下建模动态工作流，从而提高工作流逻辑的可维护性和开发效率。

MCP（模型上下文协议）使大型语言模型（LLM）能够读取资源并调用工具。通过采样功能，服务器可以请求LLM生成响应，从而促进决策和工作流程。提示作为可重用的结构化模板，帮助用户与LLM高效协作。结合采样和提示，可以实现动态工作流，增强AI代理的灵活性和交互性。

在Terraform的第4部分中，介绍了变量、输出和动态工作流的使用。变量提高了配置的灵活性和重用性，输出用于展示资源属性，增强可观察性。通过输入、局部和输出变量，用户能够高效管理基础设施，确保代码的可维护性和可扩展性。

结合传统代码与大型语言模型（LLMs）可以提高系统的可靠性与创造力。通过使用多个专用代理来降低复杂性，结构化输出有助于减少错误。代理控制信息检索，以实现动态工作流，优化令牌使用、速度和质量。有效的代理系统应关注复杂性阈值、结构化输出和精心设计的提示。

LangGraph的Send API高效管理动态工作流，支持未知对象数量和动态状态分配，适合复杂任务如用户旅行预订。通过条件路由，提升任务处理的灵活性和智能化，增强工作流自动化能力。