AI Agent 实战教程 04：Agentic Workflow 设计
Agentic Workflow 是把 Agent 能力组织成可执行流程的方法。它解决的问题是：当任务不再是一次问答，而是需要多个步骤、多个判断和多个工具时，系统应该如何组织执行过程。
如果没有工作流，复杂任务往往会变成一段超长提示词。模型需要在一次调用里理解所有约束、完成所有步骤、避免所有错误。这种方式很难稳定。Agentic Workflow 的思路是把复杂任务拆成可观察、可控制、可恢复的流程。
为什么需要工作流
现实任务通常不是线性的。例如“生成一份竞品分析报告”可能包括：确定竞品范围、搜索资料、提取关键信息、对比功能、总结优劣势、生成报告、检查事实。
这些步骤有依赖关系，也可能出现分支。如果搜索结果不足，需要扩大关键词；如果资料冲突，需要标注不确定性；如果用户要求格式调整，需要重新生成部分内容。
工作流让这些逻辑变得明确，而不是全部交给模型自由发挥。
Chain 模式
Chain 是最基础的工作流模式。上一步输出作为下一步输入。
例如：
- 提取用户问题中的关键词；
- 根据关键词搜索资料；
- 总结搜索结果；
- 生成最终回答。
Chain 的优点是简单、稳定、易调试。缺点是灵活性不足，一旦中间步骤失败，后续步骤可能都受影响。
Chain 适合边界明确的任务，比如格式转换、摘要生成、固定流程的数据处理。
Router 模式
Router 用于根据输入选择不同处理路径。
例如用户请求进入系统后，可以先判断类型：
- 如果是知识问答，走 RAG；
- 如果是代码问题，走代码工具；
- 如果是任务管理，走任务系统；
- 如果是文档总结，走文档解析工具。
Router 的价值是减少无关上下文和工具暴露。模型不需要每次都看到全部工具，只需要看到当前场景相关能力。
Reflection 模式
Reflection 指的是让模型检查和修正自己的输出。它常用于写作、代码生成、方案设计和长文本总结。
例如生成一段代码后，再让模型检查：是否满足需求、是否有潜在异常、是否需要测试。生成文章后，再检查结构是否完整、是否重复、是否遗漏关键点。
Reflection 可以提升质量，但也会增加成本。它适合高价值输出，不一定适合所有任务。
Plan-and-Execute 模式
Plan-and-Execute 是 Agent 常见模式。系统先让模型制定计划，再按步骤执行。
例如：
- 查询是否已有标签；
- 没有则创建标签；
- 上传标签图片；
- 创建文章；
- 创建教程；
- 绑定文章；
- 验证结果。
这种模式适合复杂任务，因为计划可以展示给用户，也可以在执行过程中调整。
状态机与图结构
当流程更复杂时，可以使用状态机或图结构来描述工作流。每个节点代表一步操作，每条边代表下一步条件。
LangGraph 这类框架就适合表达这种有状态流程。它可以让 Agent 在不同节点之间跳转，并保留中间状态。
相比纯提示词，图结构更容易调试，也更适合生产环境。
常见设计原则
第一，不要让模型一次性做太多事。复杂任务应该拆成多个小步骤。
第二，关键节点要有验证。例如创建资源后再查询一次，确认真的创建成功。
第三，高风险节点要有人工确认。比如删除、发布、发消息、部署。
第四，错误分支要提前设计。不要等错误发生后才让模型临场发挥。
第五，工作流要能恢复。长任务可能中断，系统应该能从上次状态继续。
小结
Agentic Workflow 的核心，是把模型的不确定推理放进确定性流程中。好的工作流既保留模型的灵活性，又提供工程系统的可控性。对于真实 Agent 项目，这往往比单纯提升模型能力更重要。