构建AI系统：工作流还是代理，如何选择最适合的方案

作为一名开发者的指南：构建可扩展的人工智能系统——工作流与代理的对比 随着CrewAI和LangGraph等工具的推出，构建AI系统变得异常有趣。开发人员可以构建能够推理、计划、调用工具和相互沟通的代理（agents）。这不仅是一种技术上的进步，还带来了新的灵活性。不过，随着项目的推进，现实问题逐渐显现：如何监控这些系统？如何调试一个陷入循环的代理？出现故障怎么办？ 为什么代理（agents）看似很神奇但往往不切实际 尽管95%的公司在使用生成式AI，79%的公司实施了AI代理，但Bain的2024年调查显示，只有1%的公司认为这些系统已经成熟。大多数团队只是拼凑了一些东西，希望它在生产环境中不会爆炸。 代理的灵活性有时令人惊叹，但它们带来的复杂性也是难以忽视的： 成本：根据Anthropic的研究，代理消耗的token数量是简单聊天交互的4倍，多代理系统更是高达15倍。成本急剧增加，尤其是在代理误入循环或误解指令时。 调试：调试代理系统就像考古一样，需要追踪模型的“思考”过程。错误决策可能导致一系列不可预测的行为，传统调试方法几乎无用武之地。 新故障模式：Microsoft的研究发现，代理系统带来了全新的故障模式，如工具过度调用、令牌漂移、涌现行为等。这些故障在传统的流水线系统中很少见，但已成为代理系统中的常态。 基础设施：代理系统需要专门的工具来保持稳定，如监控、可观测性、成本控制、提示架构等。大多数早期创业团队不具备这些基础设施。 当代理（agents）真正有必要时 尽管代理的成本较高，但在某些场景下，它们确实能带来巨大的价值： 高风险动态对话：在客户支持系统中，某些查询需要实时推理和适应。这种情况下，代理比固定的流程更有优势。例如，BCG为一家造船公司建立的多代理设计系统，成功将工程时间减少了近一半。 高价值低频决策：当决策的成本高昂时，代理值得使用。Klarna的代理处理了相当于700名客服代表的工作量。 开放性探索任务：对于无法事先定义步骤的任务，如开放性研究，代理能够灵活地分阶段探索和迭代。 多步骤不可预测的流程：当任务的步骤分支过多，无法硬编码时，代理的动态决策可以简化流程。 工作流（workflows）依然有优势 然而，大多数生产和运营场景更适合使用工作流。工作流提供了一致的价值，成本可预测，且更容易调试和维护。它们适用于： 重复性的运营任务：如发送跟进邮件、标记数据、验证表单输入等。工作流确保每一步都按预定计划执行，没有意外。 监管严格的环境：在医疗、金融、法律等行业，系统的透明度和审计能力至关重要。 高频低复杂度任务：如信用卡申请审核、股票价格更新等，工作流可以高效、低成本地处理大量请求。 初创项目和最小可行产品：初创团队通常不具备维护代理系统的经验和资源，工作流更适合快速测试和部署。 实际可行的决策框架 任务复杂度：评估任务是否有明确的步骤。如果有，优先考虑工作流。 业务价值与请求量：高请求量且计算成本敏感的场景适合工作流；而低频次但高价值的决策更适合代理。 可靠性需求：确定你的系统对输出变化的容忍度。 技术准备情况：评估当前的技术栈是否支持代理。 组织成熟度：团队是否有处理代理特定故障的经验。 混合系统：两全其美 并非必须选择单一路径。混合系统通过工作流处理可预测的任务，代理应对复杂和不可预见的情况，既提供了稳定的基底，又保留了灵活性。 例如，一个客户支持系统可以通过工作流处理常见问题，而当遇到复杂或需要个性化处理的问题时，代理介入进行详细诊断和规划。这样不仅节省了成本，还能在需要时提供更智能的服务。 总结 工作流和代理各有优势，选择的关键在于理解任务需求。大多数情况下，工作流更为可靠、成本更低。但在需要高度灵活性和自主决策的情况下，代理可能更加合适。混合系统则能在两者之间找到最佳平衡点。 业内人士表示，这不仅是技术选择，更是业务决策。在生产和运营中，稳定性和成本控制远比追求前沿技术更重要。工作流和代理的成功案例都显示了这一趋势。例如，Mayo Clinic和Kaiser Permanente通过结合工作流和代理，实现了高效的医疗诊断和支持系统，处理数百万病例，影响巨大。 参考： - Anthropic. (2024). Building effective agents. - Microsoft. (2025, April 24). New whitepaper outlines the taxonomy of failure modes in AI agents. - Bain & Company. (2024). Survey: Generative AI’s uptake is unprecedented despite roadblocks.