Workflow vs Agent 的核心区别？什么是「用 Workflow 约束 Agent「

P1 · agent_architecture

🏷 标签：workflow, agent, comparison, constraint

1️⃣ 考察意图

面试官想看你是否真正理解 Agent 和 Workflow 的本质差异，而非停留在“Agent 智能，Workflow 死板”的表面。这是一道系统设计取舍题，刁钻点在于：很多人会背 Andrew Ng 的 Agentic Design Patterns，但说不清何时该用 Workflow、何时该用 Agent，以及“用 Workflow 约束 Agent”具体怎么落地。答好了能展示你对生产级 Agent 系统的工程把控力——知道如何用确定性流程兜底 Agent 的不确定性，避免“Agent 乱飞”的坑。

2️⃣ 标准答

核心区别：控制流 vs 决策流

Workflow：预定义的、确定性的控制流。每一步做什么、顺序、条件分支、循环，都在代码里写死。典型例子：LangChain 的 Chain、Prefect 的 Flow、Airflow 的 DAG。输入输出类型和格式在编译期就确定。
Agent：由 LLM 驱动的决策流。每一步做什么（调用工具、生成回复、继续思考）由模型根据当前状态实时决定。典型例子：AutoGPT、ReAct 模式、OpenAI Function Calling。Agent 的核心是循环——LLM 输出 → 执行工具 → 结果反馈 → LLM 再决策。

关键 trade-off：Workflow 可预测、可调试、延迟可控，但灵活性差；Agent 灵活、能处理未知场景，但不可预测、可能陷入死循环、成本爆炸。生产环境里，纯 Workflow 太死，纯 Agent 太野。

什么是“用 Workflow 约束 Agent”？

这是生产级 Agent 系统的核心设计模式——用确定性流程给 Agent 画“安全围栏”。具体做法分三层：

外层 Workflow 编排：Agent 不是裸奔的，而是被一个 Workflow 包裹。例如：先 Workflow 做意图分类（用分类模型或规则），判断是“查询”还是“操作”，然后分别路由到不同的 Agent 子流程。子流程结束后，Workflow 检查输出格式，再决定是否重试或降级。
中间层约束：在 Agent 内部，用 Workflow 限制 LLM 的决策空间。例如： - 工具白名单：Agent 只能调用 Workflow 注册的 5 个工具，不能动态生成新工具。 - 步骤上限：Agent 最多执行 10 步，超时则 Workflow 强制终止并返回“抱歉，无法完成”。 - 输出 Schema：Agent 的输出必须符合 JSON Schema，Workflow 做校验，不符合就重试或报错。
内层兜底：当 Agent 决策失败（如连续 3 次调用工具返回空结果），Workflow 触发降级策略——比如回退到基于规则的问答，或返回预设的“无法处理”模板。

实际落地的坑 + 解法：

坑：Agent 在复杂任务中容易“绕圈”——反复调用同一个工具，浪费 token 和时间。解法：在 Workflow 层加“去重缓存”。记录 Agent 已经调用过的工具和参数组合，如果重复调用且上次结果为空，直接返回缓存结果，不让 LLM 再试。坑：Agent 输出格式不稳定，即使给了 JSON Schema，LLM 也可能输出非法 JSON。
解法：Workflow 层做“格式修复”。用 json.loads() 失败后，尝试用正则提取 JSON 片段，或者用 pydantic 做类型校验并自动补全缺失字段。如果还不行，Workflow 触发重试，但限制最多 2 次，避免无限循环。坑：Agent 在长对话中“遗忘”上下文。
解法：Workflow 层做“显式记忆管理”。每次 Agent 决策前，Workflow 从外部存储（如 Redis）加载关键上下文摘要，注入到 prompt 中，而不是让 LLM 自己维护。这本质上是 Workflow 接管了记忆的读写控制权。

总结：Workflow 是骨架，Agent 是血肉。用 Workflow 约束 Agent，就是用确定性流程兜底不确定性决策，实现“可控的智能”。

3️⃣ 答题模板（30 秒电梯版）

“这个问题我从三个层面回答：第一，核心区别是控制流 vs 决策流——Workflow 预定义每一步，Agent 由 LLM 实时决策。第二，‘用 Workflow 约束 Agent’是生产级设计模式，分三层：外层 Workflow 做编排和路由，中间层限制工具白名单和步骤上限，内层做降级兜底。第三，关键坑包括 Agent 绕圈、输出格式不稳定、记忆丢失，解法分别是去重缓存、格式修复和显式记忆管理。总结一句：Workflow 给 Agent 画安全围栏，让智能可控。”

4️⃣ 高频追问 & 应对

追问 1：那你怎么设计一个“Agent + Workflow”混合系统？给个具体例子。

以客服系统为例：外层 Workflow 先做意图分类（用 BERT 分类器，不是 LLM，因为延迟低），分到“订单查询”“退换货”“投诉”等。每个意图对应一个 Agent 子流程，Agent 只能调用该意图绑定的工具（如订单 Agent 只能查订单 API、退换货 Agent 只能调用售后接口）。Agent 内部设步骤上限 5 步，超时则 Workflow 触发降级——返回“转人工”按钮。关键取舍：意图分类用 BERT 而非 LLM，因为延迟从 2 秒降到 50 毫秒，且分类准确率 95% 够用；Agent 用 GPT-4o，但只在需要复杂推理时调用，简单查询直接走规则。

追问 2：Agent 的“决策流”会不会导致不可复现？怎么保证可调试？

会。解决方案是 Workflow 层做“全量日志 + 快照”。每次 Agent 决策前，Workflow 记录当前状态（对话历史、工具调用结果、LLM 输出）到结构化日志（如 JSON Lines）。如果出问题，可以回放日志，逐帧检查 LLM 的决策逻辑。另外，可以在 Workflow 层加“确定性种子”——如果 LLM 支持（如 GPT-4o 的 seed 参数），固定 seed 让相同输入产生相同输出，方便复现。但注意：seed 只保证相同 prompt 下输出一致，如果 Agent 决策改变了上下文，后续输出仍会不同。

追问 3：如果 Agent 需要动态创建新工具（比如根据用户需求生成 SQL 查询），Workflow 怎么约束？

这种情况，Workflow 不能完全限制工具白名单，但可以做“沙箱化约束”。例如：Agent 可以动态生成 SQL，但 Workflow 在中间层拦截，用 SQL 解析器检查生成的 SQL 是否只包含 SELECT 语句，禁止 INSERT/UPDATE/DELETE/DROP。同时，Workflow 限制 SQL 查询的超时时间（如 5 秒）和返回行数（如 100 行）。如果 Agent 生成的 SQL 违反规则，Workflow 直接拒绝并让 Agent 重新生成。这本质上是 Workflow 从“工具白名单”升级为“工具行为白名单”。

5️⃣ 避坑 · 常见错误答法

❌ 说“Agent 就是 Workflow 的一种，只是更智能” → ✅ 正确区分：Workflow 是确定性控制流，Agent 是 LLM 驱动的决策流，两者是正交概念，不是包含关系。
❌ 说“用 Workflow 约束 Agent 就是给 Agent 加 prompt 限制” → ✅ 正确理解：约束是系统架构层面的，包括外层编排、中间层工具/步骤限制、内层降级，prompt 只是其中一环，且最不可靠。
❌ 说“纯 Agent 更好，Workflow 过时了” → ✅ 正确观点：生产环境必须混合，纯 Agent 不可控、成本高、延迟大，Workflow 是兜底和优化的关键。

6️⃣ 简历呼应

如果你有 RAG 项目：从“RAG 流程本身就是 Workflow”切入——检索是确定性的（BM25/向量检索），生成是 Agent 决策（选哪个文档、怎么组织回答）。用 Workflow 约束 Agent 就是给 RAG 加“检索结果校验”和“生成格式控制”。
如果你只做过传统 NLP：用“规则系统 vs 统计模型”类比——Workflow 像规则系统（确定、可调试），Agent 像统计模型（灵活、不可控）。用 Workflow 约束 Agent 就像用规则后处理来兜底模型输出。
如果你是校招无项目：聚焦 Andrew Ng 的 Agentic Design Patterns 论文，复现一个“ReAct + Workflow 约束”的 demo（如天气查询 Agent，Workflow 限制只能调用天气 API，步骤上限 3 步）。面试时重点讲设计取舍。

7️⃣ 延伸阅读

Andrew Ng, “Agentic Design Patterns” (2024) - 定义了 Agent 的四种模式：Reflection、Tool Use、Planning、Multi-agent
LangChain 官方文档: “How to add workflow constraints to agents” - 具体代码实现
Prefect 文档: “Workflow orchestration for LLM applications” - 生产级 Workflow 设计
“ReAct: Synergizing Reasoning and Acting in Language Models” (2022) - Agent 决策流的理论基础
“Toolformer: Language Models Can Teach Themselves to Use Tools” (2023) - Agent 工具调用的早期工作

—— 本场面试完 ——