✅Agentic Workflow

前面介绍过了传统的Workflow和AI Workflow了，其实现在还有个概念挺火的，那就是Agentic Workflow（智能化工作流），这个概念挺新的，目前没有特别精确的解释，可以参考吴恩达在一次演讲中描述的Agentic Workflow有以下四种模式（范式）：



  • Planning（规划）： 让 Agent 分解复杂任务并按计划执行。





  • Tool Use（工具）： LLM 生成代码、调用 API 等工具进行操作。





  • Reflection（反思）： 让 Agent 审视和修正自己生成的输出。





  • Multiagent Collaboration（多智能体协同）： 多个 Agent 扮演不同角色合作完成任务。



也就是说，相比人工提前定义好的一个流程来说，Agentic更加看重的是AI的规划能力，流程是由LLM实时生成的，这样才能实现动态决策和自主优化的效果。



对比一下三种工作流：

  • Automated Workflow

  • 无LLM节点

  • 通常用传统工作流进行编排，如activiti等。

  • Ai Workflow

  • 预设的、线性的或简单分支的自动化流程，通常由 LLM 调用、工具执行、数据转换等步骤组成。

  • 仅调用 LLM 生成输出，无”动态决策”行为。

  • 可以使用Dify、Coze等AI 工作流平台构建这类工作流。

  • Agentic Workflow

  • 由具有目标导向、记忆、规划、反思、协作等能力的智能体（Agent） 驱动的动态流程。具有适应性和自我演化能力。

  • 可以使用LangGraph这类框架支持。



Agent VS Agentic Workflow

提到规划、反思、记忆等这些，估计很多人会发现，ReAct Agent好像也有类似的概念。

但是其实他俩不算是一个层面的东西，ReAct Agent只能算是Agentic Workflow的一个子集，或者说其中的某一个节点可以用ReAct Agent来实现而已。

对比下他们的差别：

Column 1 Column 2 Column 3 Column 4
维度 Agent ReAct Agent Agentic Workflow
范围 基础单元 Agent 的一种实现范式 多 Agent 或复杂 Agent 的编排框架
结构 单一实体 Thought-Action-Observation 循环 DAG/状态机/任务图等
复杂度 低~中 中 高
目标 完成单一任务 提升推理+行动协同效果 解决复杂、多步骤、多角色任务
例子 能查天气的聊天机器人 使用 ReAct 模板调用工具的 Agent AutoGen 中的团队协作、LangGraph 中的状态图