Workflow、Agent 与传统编程,本质区别是什么?
对应短视频主题:Workflow、Agent 与传统编程,本质区别是什么?
资料核验与更新:2026-09-12
用一批客户工单讲清三种自动化方式:谁决定下一步、各自适合什么任务,以及为什么现实系统常采用确定性外壳加有限自治。
阅读边界
本文依据原始课程的研究笔记、课程结构和发布文案整理。涉及产品、模型、版本、平台规则、价格或资格等可能变化的信息,实践前应以当前官方资料和实际环境为准。 原始研究记录标注的时间为:2026-08-26。 该课程原始包被归为“仅保留源资料”;本文只根据现有文字材料整理,不把它表述为已完成的视频成片。 本页配图为依据正文新绘的 AI 辅助教学示意图;它们并非原始课程包内的素材,也不代表原始成片画面。
同一批工单,差别在谁决定下一步
密码重置、退款、模糊投诉和疑似欺诈,交给三种自动化方式。

想象客服系统收到一批工单:有人要重置密码,有人申请退款,还有人只写了一句,我非常失望。传统编程的做法,是由开发者提前写好条件、分支和接口调用;系统只沿这些明确路径执行。
Workflow,也就是工作流,会把分类、查订单、生成回复和提交审批排成预先设计好的路线。Agent,也就是智能体,则拿到目标、可用工具和安全边界,再根据当前工单动态决定下一步。
所以是否调用大语言模型,并不是分界;真正的分界,是下一步主要由代码预先决定,还是由模型在运行中选择。
传统编程:人提前写完执行路径
规则稳定时,明确分支通常最可靠。

先看最稳定的密码重置工单:系统读取账号、身份验证结果和账户是否锁定。开发者可以把规则写成明确条件:身份通过就继续,验证失败就转人工,账户冻结就禁止修改。
条件满足后,程序按固定顺序调用重置接口、发送通知,再把结果写回工单。这种路径容易测试、追踪和复现;只要规则稳定,通常也更快、更便宜。
它的弱点也很直接:遇到我很失望这种模糊表达,所有含义和例外都要由人继续写成更多分支。
Workflow:路线固定,节点可以变聪明
模型处理模糊信息,代码继续掌握整体流程。

工单种类变多后,团队常把固定步骤组织成 Workflow,也就是工作流。其中一个节点可以调用大语言模型,也就是能理解和生成文字的模型,用来识别意图、抽取订单号或总结投诉。
但分类之后走退款流程、密码流程还是投诉流程,通常仍由预先写好的分支决定。换句话说,模型可以让某个节点更会处理模糊信息,却没有接管整个流程的下一步。
这种结构便于重试、监控和逐步替换节点,适合主路径稳定、局部判断较模糊的任务。
Agent 的本质,是一个受控行动循环
模型每次只选择下一步,工具结果再成为新的观察。

以那条模糊投诉为例,Agent 先观察工单内容、客户历史和当前订单状态。它可能先选择查询订单,再检索退款政策;这个工具调用,就是让模型通过受限接口读取信息或执行动作。
工具返回结果后,信息会进入下一轮观察,模型再决定生成解释、追问客户,还是把工单交给退款专员。这种观察、选择、行动、再观察的循环,是 Agent 比固定工作流更灵活的原因。
但灵活不等于无限权限;大额退款、修改账号和疑似欺诈,仍要受最大轮次、权限和人工审批约束。Agent 真正增加的不是一个聊天框,而是模型在这些边界内选择行动的能力。
灵活不是免费:Agent 有四笔成本
更多模型调用和工具循环,也带来更多不确定性。

Agent 的灵活性并不是免费的,也不意味着它应该接管所有工单。每多一轮模型判断和工具调用,就会增加等待时间、计算费用和外部服务成本。
相似工单还可能走出不同路径,因此测试不能只问答案对不对,还要检查工具选择和停止条件。如果工单里夹带诱导文字,或者模型误解政策,过大的写入权限就可能把判断错误变成真实操作。
所以密码重置和订单状态查询这类规则稳定的任务,通常没有必要为了智能而强行使用 Agent。
现实答案:确定性外壳,有限自治内核
把三种方式放在各自最擅长的位置。

更可靠的工单系统,往往不是三选一,而是把三种方式组合起来。传统程序负责批量导入、去重、权限校验和结果落库,因为这些步骤必须稳定。
Workflow 负责分类后的标准处理链、失败重试和固定审批,让主流程始终可见。Agent 只处理难以穷举的投诉理解和工具选择;任何高风险写操作都先进入人工批准,并留下完整记录。
最后记住这个选择规则:能把步骤写清,就用程序或 Workflow;只有下一步确实需要根据新信息调整,才引入受控 Agent。
小结
把问题拆成目标、约束、证据和验证四部分,通常比直接寻找唯一答案更可靠。先用本文的框架完成一次小范围验证,再根据真实反馈调整下一步。
参考资料
📌 查阅提示:点击下方超链接可直接复制对应网址,粘贴至手机或电脑浏览器中即可查阅官方完整技术文档与规范。
【OpenAI 官方指南】Agents SDK 智能体定义、执行与工具编排
说明:OpenAI 官方 Python 框架关于确定性代码流程与大模型推理节点调度的结合实践。【OpenAI 官方文档】Agent 工具调用(Tool Calling)与状态持久化
说明:如何安全将 Python 函数暴露给模型调用,并验证输出类型与返回约束。【Anthropic 官方研究】构建值得信赖的可靠智能体系统(Trustworthy Agents)
说明:深度探讨为什么必须用确定性工作流约束 Agent 的自治边界,避免幻觉与失控。【LangChain 官方指南】LangGraph 循环图流与有状态多 Agent 编排
说明:将复杂业务逻辑抽象为状态机有向图(Graph),实现断点调试与人工回退。