高德一面：Workflow和Agent的差异你都说不清楚，怎么做agent开发？我说概念不懂并不代表我的Agent开发能力不行。

高德地图这场一面呢聊到 LLM 应用开发这个环节的时候面试官就抛出了一个问题。他问的是“你说说 Agent 和 Workflow 有什么区别”当时我愣了一下。脑子里其实是有画面的我知道什么时候该用固定的流程去跑什么时候该让模型自己决定下一步干什么。但是呢让我用干净利落的语言把这个区别给讲清楚一时间还真组织得有点乱说得来回绕的。面试官就皱了皱眉然后追问了一句“这个概念都说不清楚你怎么做 Agent 开发”说实话哈这句话把我问得有点噎住。回来之后我把这块知识梳理了一遍干脆把 Workflow 和 Agent 的异同点彻底捋清楚也算是给自己补上这一课吧。一、先把概念钉死先说 Workflow也就是工作流。这个东西呢就是一系列预先定义好的步骤按固定或者半固定顺序去执行来完成特定的任务。它的核心是什么呢就是路径提前给规划好了。不管是代码里硬编码的调用顺序还是可视化流程图里的分支逻辑运行之前这条路径基本就定死了。哪怕有条件分支、循环、并行这些这些可能性也都是设计者预先枚举出来的。再说 Agent也就是智能体。这个东西呢就是能够自主感知环境、做决策、采取行动来达成目标的系统。放到 LLM 应用里面通常是这样的给模型一个目标和一批可用工具然后模型自己决定下一步干什么、调用哪个工具、怎么去解释工具返回的结果然后不断循环思考-行动-观察直到它认为任务完成了或者需要人来介入。它的核心是什么呢就是路径在运行时动态生成的。没人规定它必须先做 A 再做 B这个决策权是交给模型自己的。二、相同点第一点都是目标导向的。不管是 Agent 还是 Workflow本质上都是为了完成某个具体任务而搭建的系统。都需要明确的输入、可衡量的输出以及围绕目标组织起来的一连串动作。都属于任务自动化这个范畴。第二点都要调用外部工具和系统。Agent 靠调用工具来完成子任务比如搜索、代码执行、API 这些。Workflow 呢每个节点也要调用具体的功能模块比如发邮件、写数据库、调微服务。两者都得真正跟外部世界去打交道才能产生价值不是空转的抽象逻辑。第三点都能把 LLM 当成执行单元。在现代 AI 应用架构里面Agent 和 Workflow 都可以把大模型作为其中一个处理节点或者核心推理引擎。比如 Workflow 里面某一步是调用 LLM 做摘要而 Agent 整体就是由 LLM 来驱动决策的。这两种范式不是互斥的技术栈完全可以互相嵌套组合的。第四点都需要状态管理和错误处理。不管路径是死的还是活的运行过程都得去维护状态比如进展到哪一步了、拿到了哪些中间结果。都得考虑失败情况下怎么重试、怎么回退、怎么超时。这套工程基础设施是绕不开的。第五点都追求模块化和可复用。好的 Workflow 会把常用步骤封装成可复用的组件。好的 Agent 系统呢也会把常用能力封装成标准化的工具供模型去调用。模块化思维在两边都是提升质量的关键。三、不同点第一点决策权归属不同这个是最核心的分野。在 Workflow 里面下一步干什么是开发者在设计阶段就定好的系统运行的时候只是照着预设逻辑去执行。哪怕有 if-else 分支可能出现的路径也是有限且已知的。在 Agent 里面呢下一步干什么是模型在运行时实时决定的。同一个 Agent 面对相似但不完全一样的任务可能走出完全不同的路径。先查资料还是先写代码、要不要反问用户、什么时候算任务完成这些都是模型自主推理的结果不是写死的规则。第二点灵活性和可预测性的权衡不同。Workflow 的优势是高度可预测路径固定行为透明好测试、结果稳定也更方便做安全审计和成本控制。适合边界清晰、重复度高、容错要求严的任务比如财务对账、批量文档生成这些。Agent 的优势是高度灵活能应对开放式、非结构化、没法穷举所有情况的任务比如帮我调研这个市场给点建议。代价是行为不可预测性更高同样的输入可能因为模型的随机性或者路径选择差异跑出不同的结果调试和成本控制也更麻烦。第三点对不确定性的适应能力不同。Workflow 适合已知问题就是你清楚解决这个问题要走哪几步只是想让机器自动执行。Agent 适合未知问题就是你知道目标但不确定具体怎么一步步达成需要系统有探索、试错、根据反馈去调整策略的能力。第四点开发和维护成本结构不同。Workflow 的成本主要在前期设计得把所有可能的分支都想清楚、画出来。设计完之后运行成本低、维护相对简单但是业务需求一变比如冒出新的分支情况往往要重新改流程定义。Agent 的成本更多在提示词工程、工具设计和评估体系上不需要穷举所有分支但得精心设计工具接口、system prompt以及评估体系来约束模型的自主行为。运行时成本通常更高因为有多轮推理、更多 token 消耗。新场景的适应不需要重新写代码理论上模型能举一反三。第五点失败模式不同。Workflow 失败通常是某个节点报错原因明确、好定位比如 API 超时、数据格式不对这些。Agent 失败可能是推理走偏比如模型选错工具、陷入重复循环、误解任务目标、过早说任务完成了。这类失败很难靠传统日志排查定位得靠专门的可观测性工具去追踪模型的思考链路。四、两者不是非此即彼实践中更常见的做法是组合而不是二选一。一个成熟的 AI 应用系统往往是工作流骨架 局部智能体的混合架构。整体流程比如接收请求→处理→审核→交付可能还是固定的 Workflow。但是在不确定性较高的某个环节比如处理这一步具体怎么完成会嵌入一个 Agent 让它自主决策。反过来呢复杂的 Agent 系统内部也常常用到子工作流。比如 Agent 决定要生成报告生成报告这个子任务本身可能就是一套模板化的固定流程。所以选 Agent 还是 Workflow本质上是在灵活性和可控性之间做权衡。取决于任务的不确定性程度、对结果可预测性的要求以及能承受的开发运行成本。任务边界越清晰、重复度越高越适合 Workflow。任务越开放、越依赖情境判断、步骤本身难以穷举越适合上 Agent。写在最后面试这件事呢有时候真的挺看临场表达的。那天被问住之后我心里憋着一股劲回去把这块知识系统梳理了一遍。这篇东西也算是把当时没答好的账给补上了。概念讲得利索和代码写得扎实从来不是一回事。但既然要去面还是得把这两件事都准备到位免得吃了表达上的亏让人误判了真实水平。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】