工作流（Workflow）是将复杂任务拆解为具有先后顺序、可复用步骤序列的结构化执行范式。与智能体不同，工作流通常预先编排，执行路径确定且可审计；智能体则依据环境反馈动态决策下一步，灵活性更高但可预测性较低。

该术语源自1921年铁路工程文献中的 “work flow” ，原指工序在组织中的流转。在软件领域，其逐步演化为业务流程管理（BPM）、编排引擎，并延伸至当代智能体框架。

2024年，Wang 等人在论文 Agent Workflow Memory 中提出可学习工作流机制：系统从历史执行记录中归纳高频复用步骤序列并沉淀为工作流，随后在任务中按需检索并注入上下文作为行动指引。该过程支持离线从训练样本习得，亦可在线从当前查询即时学习。实验表明，该方法在 Mind2Web 与 WebArena 基准上分别实现相对成功率提升24.6%与51.1%，并显著降低任务完成步数。

这一结果表明，固定流程可通过经验沉淀持续优化。明确的输入输出约定使执行可复现、错误易定位、回滚可追溯，便于审计与规模化部署。在步骤相对固定且需大规模重复执行的场景中，工作流相较临场决策更为稳定，是从演示走向生产的关键支撑。