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：

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：

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）

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：

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：

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