流量突然提升 100 倍，LLM Agent 和 Workflow，到底怎么选？

最近看到群里同学们在讨论：“系统要加大模型，workflow 还能用吗？还是要上 Agent？” 表面上是技术选型，实际上是“你希望机器帮你做步骤，还是帮你思考”。

大模型最早期：只是一个“聪明的接口”

最早的大模型，其实就是一个“对话式 API”。

举个例子： 用户问：「中国的首都是哪？」 模型回答：「北京」。

用户接着问：「那它的人口呢？」 开发者不得不把前一个问题 + 回答 + 新问题一起发给模型，确保上下文连续。

这里的大模型，本质上只是“搬运数据 + 做推理”，不负责规划流程。 如果任务复杂，你必须自己在外部管理逻辑和步骤。

Workflow：把“事”拆成固定流水线

随着业务需求越来越复杂，一次问答显然无法满足。于是 workflow 应运而生。

比如，你要生成一条生日祝福视频，流程可能是：

这里的 workflow 有几个特点：

• 固定流程：先 A 再 B，再 C
• 明确步骤：哪一步调用大模型，哪一步调用其他工具
• 人设计：大模型只负责“干活”，不负责“想办法”

可以把 workflow 想象成流水线上的工人：效率高，但遇到异常不会自己变通。

Agent：让大模型自己“思考 + 决策 + 调用工具”

Agent 的价值在于：大模型可以自主规划流程和处理异常。

同样是生成视频：

Agent 的流程是动态的，可以根据情况分支，甚至自适应重试。 相比 workflow，它更灵活：不固定步骤，更像“有思考力的员工”。

Agent 内部的 workflow：教它“如何思考”

Agent 也有 workflow，但它不是传统业务流程。

前者是教机器“怎么干活”，后者是教机器“怎么思考”。 也可以理解为：前者是 SOP，后者是“思考路径图”。

具体对比如下

简单理解：Workflow 是 SOP，Agent 是会思考的员工。

那终究怎么选择？

1. 业务流程稳定、步骤明确→ 用 workflow，可靠高效
2. 任务复杂、需要灵活决策→ 上 Agent，让大模型帮你拆解任务
3. 两者结合→ 底层 workflow 保证可控性，上层 Agent 解放人工，让大模型自己处理异常和优化方案

Agent 的价值仅仅在自动化？

Agent 并不是简单的“workflow + LLM”。它的核心价值在于：

• 意图理解：理解用户目标，而不是执行固定命令
• 工具选择：根据任务动态选择调用工具
• 计划生成：拆解任务，规划执行步骤
• 自适应优化：任务失败时自主调整方案

换句话说，它让大模型从“被动干活”升级到“主动思考”。 对于开发者来说，这意味着可以把重复性、流程化的工作交给 Agent，自己专注于业务设计和结果优化。

推荐阅读

黑盒测试方法—等价类划分法

大学毕业后转行软件测试我后悔了

软件测试 | 测试开发 | Android动态权限详解

软件测试的测试方法及测试流程

软件测试 | 测试开发 | Android App 保活服务的配置与禁用