工作流¶

Workflow和Agent的差异¶

在理解了智能体作为“工具”和“协作者”两种模式后，我们有必要对Workflow和Agent的差异展开讨论，尽管它们都旨在实现任务自动化，但其底层逻辑、核心特征和适用场景却截然不同。

简单来说，Workflow 是让 AI 按部就班地执行指令，而 Agent 则是赋予 AI 自由度去自主达成目标。

1️⃣Workflow：即工作流，是指通过预定义的代码路径来编排LLMs和工具的系统，当前的主流“智能体”产品都是以workflow形态为主。

2️⃣Agents：即真正的智能体，Agent是一套依赖大模型动态地指导自身的流程和工具使用的系统，对如何完成任务保持从始到终的控制。

工作流是一种传统的自动化范式，其核心是对一系列任务或步骤进行预先定义的、结构化的编排。它本质上是一个精确的、静态的流程图，规定了在何种条件下、以何种顺序执行哪些操作。一个典型的案例：某企业的费用报销审批流程。员工提交报销单（触发）-> 如果金额小于500元，直接由部门经理审批 -> 如果金额大于500元，先由部门经理审批，再流转至财务总监审批 -> 审批通过后，通知财务部打款。整个过程的每一步、每一个判断条件都被精确地预先设定。

与工作流不同，基于大型语言模型的智能体是一个具备自主性的、以目标为导向的系统。它不仅仅是执行预设指令，而是能够在一定程度上理解环境、进行推理、制定计划，并动态地采取行动以达成最终目标。LLM在其中扮演着“大脑”的角色。一个典型的例子，便是智能旅行助手。当我们向它下达一个新指令，例如：“你好，请帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点。” 它的处理过程充分展现了其自主性：

规划与工具调用：Agent首先会把任务拆解为两个步骤：① 查询天气；② 基于天气推荐景点。随即，它会自主选择并调用“天气查询API”，并将“北京”作为参数传入。
推理与决策：假设API返回结果为“晴朗，微风”。Agent的LLM大脑会基于这个信息进行推理：“晴天适合户外活动”。接着，它会根据这个判断，在它的知识库或通过搜索引擎这个工具中，筛选出北京的户外景点，如故宫、颐和园、天坛公园等。
生成结果：最后，Agent会综合信息，给出一个完整的、人性化的回答：“今天北京天气晴朗，微风，非常适合户外游玩。为您推荐前往【颐和园】，您可以在昆明湖上泛舟，欣赏美丽的皇家园林景色。”

在这个过程中，没有任何写死的if天气=晴天 then 推荐颐和园的规则。如果天气是“雨天”，Agent会自主推理并推荐国家博物馆、首都博物馆等室内场所。这种基于实时信息进行动态推理和决策的能力，正是Agent的核心价值所在。

总结：

什么是大语言模型驱动的智能体？我们首先明确了其定义，理解了现代智能体是具备了能力的实体。它不再仅仅是执行预设程序的脚本，而是能够自主推理和使用工具的决策者。
智能体如何工作？我们深入探讨了智能体与环境交互的运行机制。我们了解到，这个持续的闭环是智能体处理信息、做出决策、影响环境并根据反馈调整自身行为的基础。
如何构建智能体？我们以“智能旅行助手”为例，亲手构建了一个完整的、由真实LLM驱动的智能体。
智能体有哪些主流的应用范式？最后，我们将视野投向了更广阔的应用领域。我们探讨了两种主流的智能体交互模式：一是以GitHub Copilot和Cursor等为代表的、增强人类工作流的“开发者工具”；二是以CrewAI、MetaGPT和AgentScope等框架为代表的、能够独立完成高层级目标的“自主协作者”。同时讲解了Workflow与Agent的差异。

Dify¶

Coze = Bot as a Service (机器人即服务)

Dify = LLM App as a Service (AI应用即服务)

N8N = Workflow as a Service (工作流即服务)

Coze¶

FastGPT¶

Computer Use Agent¶

Hugging Face¶

以模块化和易用性为核心，用户可通过灵活组合工具完成从实验到生产的全流程。免费版可用、社区（200万+）、基于模型库构建AI流程，支持工具调用与链式推理。

Manus¶

n8n¶

ComfyUI¶

LangChain¶

开源的工作流自动化平台，结合了可视化操作与代码灵活性，支持跨平台集成和复杂流程编排。开源、社区（Star 70k+）、代码构建链式工作流，集成多类工具。

腾讯元器¶

百度云千帆¶

参考：

https://mp.weixin.qq.com/s/feABoM0SFQEdFRIi_c3v7w