简介

文章探讨了通用型AI Agent与Workflow的对比，指出Workflow在业务规模化、成本控制和效率方面更具优势，最佳方案是两者结合。详细介绍了Workflow的5种常见模式：提示词链、路由、并行化、协调器-工作器、评估器-优化器。通过合理选择和结合这些模式，可构建高效、可控的大模型应用系统，在实际业务中创造更大价值。

---

前言：

今天，我们分为通用型AI Agent VS Workflow，以及Workflow的5种常见模式，这两个部分来详细阐述。

一、通用型AI Agent VS Workflow

最近做 Agent 的工作比较多，大部分都是聚焦在具体业务做 Agentic Workflow。

市场上也出现过非常多的通用型Agent，比如Manus Al，大厂的Deep Research，试了一下这些工具，表现确实不错，但也存在一些稳定性和准确性的问题。

TLDR: 通用型 Al Agent 虽然拥有强大的灵活性和问题处理能力，但目前仍无法完全替代Workflow。

要实现业务规模化、低成本、高效率以及可控可测的目标，最佳方案是将两者结合: 通过"Workflow+LLM/Agent"的模式在控制成本与风险的同时充分发挥通用型 AI的适应性和创造力。

1.Generalist VS Specialist: 先验知识的重要性

在实际项目中，我们往往已经积累了大量与业务领域相关的经验和先验知识。

例如，如何高效地从某个特定网站抓取所需信息，或者在某些流程环节上如何进行快速校验。

这些经验和知识可以帮助我们针对性地搭建更加高效、可靠的流程，而无需让通用型 Al Agent 进行大量无意义的探索和尝试。

这就好比在强化学习中，过度的 exploration(自由探索)往往带来成本和时间的浪费，而加入 domainknowledge 的 exploitation(利用现有知识)则能显著提升效率。

2.速度与成本考量: 精确聚焦与减少浪费

如果让通用型 Al Agent 完成所有流程环节，那么在执行一些我们已经非常熟悉、或无需大量推理的步骤时，往往会消耗许多不必要的 Token 与执行时间。

针对这些固定且结构化的任务，直接使用既定的 Workflow 会更加高效、廉价。

只有在流程中需要进行复杂的决策、处理非结构化信息或涉及高度不确定性的任务时，再调用 LLM(大语言模型)即可。

这种方法能够最大化地发挥 LLM 在推理上的优势，同时又有效控制了额外成本和不必要的计算浪费。

3.可扩展性: 保持流程的模块化和灵活度

当我们将任务切分为多个模块，各个模块可以独立地进行开发、测试和部署，形成一条完整的Workflow 流程。

这种模块化设计在大规模应用(scale up)时更具优势: 如果我们想扩展系统的功能或增加新的数据源，只需要对对应的部分进行扩展或替换即可，而不必让通用型 Al Agent 从头到尾一次次地“重新学习"整个流程。

4.可评估性:更易验证与控制整体稳定性

Workflow 模式的一大优势在于，它能让我们清晰地掌控每一个环节的输入和输出。

一旦某个环节出现问题，可以快速定位并进行针对性优化。对系统的可预测性和稳定性的需求，往往要求我们有足够精细化的评估与监控手段。

而单纯依赖一个全自动的通用型 Al Agent，则会给调试和质量把控带来更多挑战。

5.AI本质是搜索:缩小搜索空间 vs.全局探索

从广义上来说，Al的很多任务都可以视作一种搜索问题。通用型 Al Agent 相当于扩大了搜索空间，能够进行更多元的探索，但在某些场景下其实并不需要如此宽泛的搜索。

Workflow 更注重利用我们已知的先验知识、特定的业务流程，直接跳到最优(或接近最优)的解决方案，即“exploitation"。通用型Al Agent 则更加偏向于“exploration"。

如果我们毫无保留地交给它去探索，虽然可能会发现一些更具创造性的解决方案，但同时也会付出更高的成本并降低效率。

6.平衡与结合:在实际应用中取长补短

因此，在实际业务落地时，应当根据需求和资源状况合理设计系统:

针对重复性高、结构明确的工作，使用固化的Workflow 来保证稳定性与低成本。

在需要更灵活的认知能力和推理能力、或需要应对未知情况时，再借助通用型 Al Agent 的强大自然语言处理及思考能力。

通过制定清晰的输入输出规范，并对关键步骤进行精细化评估与监控，使两者能够相辅相成、取长补短。

二、Workflow的5种常见模式

从Block开始

无论是Workflow 还是 Agent，它们的基础调用单元都是Block(如下图)

一个Block就是一个增强的LLM: 通过调用检索、选择适当的工具、读写记忆构成。

被LLM调用各种工具所遵循的协议，即为ModelContextProtocol(MCP)

有了Block作为基础单元后，我们就可以开始拼接Workflow了。以下，理了五种常见的Workflow模式。

Workflow1:Prompt chaining(工作流:提示词链)

如下图，我们将一系列的Block串联在一起，每调用完一个block之后，基于其输出进行判断是否要调用下一环节，类似编程中的IF-THEN 逻辑。

这种工作流适合那些可以被清晰串行切分的任务，比如:

多语言营销文案: 生成营销文案;将其翻译成不同语言

制式文章撰写: 编写大纲；按照预先的标准检查大纲;如果合格的话就基于其编写文档。

Workflow 2: Routing(工作流:路由)

和提示词链的结构相比，增加了一个分类路由环节。基于输入的内容进行分拣，从而确定后续走哪一个下游流程。

类似编程中的SWITCH-CASE 逻辑。

这种工作流适合哪些需要被分拣分类的任务，比如:

客服场景:

识别用户反馈的问题(退款、咨询、技术支持)，将问题转交到不同的下游分支进行处理。

在LLM出现之前，这个工作更多的依赖专向训练的分类模型来实现。

大小模型分流:

通过识别问题，将简单的问题路由到较小的模型、复杂的问题路由到较大的模型从而优化成本、提升效率。

比如，在应用DeepSeek的过程当中，我们就会发现，并不是所有问题都需要DeepSeek“深思熟虑"之后再给出答案的，很多问题可能直接查询来得更简单。

Workflow 3:Parallelization(工作流:并行化)

当一个父任务可以被拆解为并行执行的几个子任务的时候，就可以采用并行化的工作流先拆分再聚合。

典型的场景如代码中的漏洞检查，不同的prompt触发不同角度的检查，然后聚合输出报告。

Workflow 4:Orchestrator-workers(工作流:协调器-工作器)

“协调器-工作器"模式的工作流就像是“路由器模式"+“并行化模式"的组合。

在这个模式中，协调器LLM节点负责动态的拆解任务，然后选择对应的1个或多个工作器LLM节点进行处理，最后进行合成输出。

Workflow 5:Evaluator-optimizer (工作流:评估器-优化器)

“评估器-优化器”的工作流将LLM节点分为两类，一类负责答题(生成)，一类负责判卷(评估)。

当我们对输出有着明确评估标准且多次迭代能够改进输出时，就适用于这种模式。

典型的场景如文学翻译，一些细微的措辞差别可能影响结果的质量，那么一个LLM评估器就能够给生成节点以反馈，从而改进输出的结果。

梳理完上述五种工作流模式，我们不难看出，各种工作流是可以不断叠加嵌套的。

比如，我们可以将前面4种Workflow作为“评估器-优化器”的生成节点，再引入一个新的评估节点来评估之前的结果、提出改进意见。

“我们的核心关注从来不是技术本身，而是如何通过现有技术体系解决实际业务问题，为客户创造更大价值。

我们不需要复制一个 OpenAl Deep Research 或 ManusAI，但我们利可以用我们的专业知识，在某个niche(细分领域)做得比他们好，这就够了，这才是我们的差异化竞争力所在。”

三、如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】