工作流 vs 智能体：何时用哪个
工作流 vs 智能体：何时用哪个：按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体，通过架构、轨迹和故障重放完成验收。
学习目标
- 能解释“工作流 vs 智能体：何时用哪个”如何按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体
- 能区分单次调用、工作流、智能体、复杂度门槛、人工接管率，并指出控制权、数据与副作用边界
- 能固定输入与版本，沿以下证据定位首个分叉：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率
- 能注入“因为任务有多个步骤就直接选择自治 Agent，忽略步骤其实完全可预写”，完成阻断、恢复、复位和同输入重放
来源、课程编排与适用边界
“工作流 vs 智能体：何时用哪个”以Anthropic 公开全文《Building effective agents》为总纲，并用Anthropic《Building effective agents》核对本单元机制；涉及 MCP 的控制权边界再由MCP 2025-06-18 官方规范交叉检查。
这不是 Anthropic 出版的“19 章教材”。平台把公开文章、官方工具文档与协议规范重组为 19 个应用单元；下列 152 个节点是站内课程地图，不冒充原文目录。正文、代码、图表、实验和练习均为独立教学重写；产品接口、模型行为或协议版本变化时必须重新验证。
本单元的八个课程坐标
- 工作流 vs 智能体：何时用哪个：这是“按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体”的第 1 个课程坐标；必须进入机制解释、实验观察或练习证据，不能只停在目录。
- 先打个比方：这是“按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体”的第 2 个课程坐标；必须进入机制解释、实验观察或练习证据，不能只停在目录。
- 再辨析一次：差别不在步数，在「路是谁定的」：这是“按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体”的第 3 个课程坐标；必须进入机制解释、实验观察或练习证据，不能只停在目录。
- 一个核心原则：先用最简单的，只在需要时加自主性：这是“按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体”的第 4 个课程坐标；必须进入机制解释、实验观察或练习证据，不能只停在目录。
- 同一件事，多种自主性档位：智能体模式光谱：这是“按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体”的第 5 个课程坐标；必须进入机制解释、实验观察或练习证据，不能只停在目录。
- 动手看：上不上 agent，是怎么一步步问出来的：这是“按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体”的第 6 个课程坐标；必须进入机制解释、实验观察或练习证据，不能只停在目录。
- 代码对照：同一个任务，工作流写法 vs agent 写法：这是“按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体”的第 7 个课程坐标；必须进入机制解释、实验观察或练习证据，不能只停在目录。
- 容易踩的坑：这是“按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体”的第 8 个课程坐标；必须进入机制解释、实验观察或练习证据，不能只停在目录。
术语与运行合同
↡单次调用：一次模型请求即可完成且不需要中间环境反馈的方案；在“工作流 vs 智能体：何时用哪个”中按以下证据核对：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。、↡工作流：由代码预先安排步骤与分支的多步系统；在“工作流 vs 智能体：何时用哪个”中按以下证据核对：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。、↡智能体：由模型根据中间结果动态选择后续路径的系统；在“工作流 vs 智能体：何时用哪个”中按以下证据核对：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。、↡复杂度门槛：允许增加架构层次前必须满足的量化收益条件；在“工作流 vs 智能体：何时用哪个”中按以下证据核对：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。、↡人工接管率：任务需要转由人完成或判断的比例；在“工作流 vs 智能体：何时用哪个”中按以下证据核对：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。。
本页不变量是：新增自主性必须在冻结评测集上证明收益大于延迟、成本和风险增量。任何“成功”结论都要保存以下证据：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率，模型生成的计划或自信不能替代环境事实。
关键机制与可推翻实验
步数不是分界
十步固定流程仍是工作流，两步若第二步取决于未知环境反馈也可能需要 Agent。
动手验证：给任务画出决策点，标记哪些能在执行前确定。
先建立最简单基线
没有单次调用或固定工作流基线，就无法证明自治循环值得。
动手验证：在同一数据集上保存各方案的完整指标。
工作流换来可预测性
路径明确时，显式代码更容易测试、限权和估算成本。
动手验证：对退款审批写固定状态机并注入边界输入。
Agent 换来适应性
步骤不可预知且环境能提供清晰反馈时，模型动态规划才可能有价值。
动手验证：用未知代码故障任务比较固定脚本与反馈循环。
先预测，再操作三类证据
1. 架构与复杂度边界
在“工作流 vs 智能体：何时用哪个”中切换简单基线、受控工作流与自主循环，先预测“按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体”在哪个阶段需要增加控制权，再比较延迟、成本、可观测性和自主性。
Architecture decision laboratory
工作流 vs 智能体：何时用哪个
按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体
不变量：新增自主性必须在冻结评测集上证明收益大于延迟、成本和风险增量
最小可运行实现
function chooseArchitecture(task: Task, baseline: Metrics) {
if (!task.needsExternalFeedback) return "single_call";
if (task.pathCanBeEnumerated) return "workflow";
if (!baseline.agentGainExceedsRiskBudget) return "workflow";
return "agent";
}这段切片只暴露“按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体”的最小运行合同。交付版本还要补齐超时、密钥隔离、结构化日志、幂等和批量评测；缺少任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率时，代码能运行也不代表本章结论成立。
练习与答案
练习
问题 1：最小证明。 怎样用最少样本证明“新增自主性必须在冻结评测集上证明收益大于延迟、成本和风险增量”？
问题 2：课程覆盖。 工作流 vs 智能体：何时用哪个、先打个比方、再辨析一次：差别不在步数，在「路是谁定的」、一个核心原则：先用最简单的，只在需要时加自主性、同一件事，多种自主性档位：智能体模式光谱、动手看：上不上 agent，是怎么一步步问出来的、代码对照：同一个任务，工作流写法 vs agent 写法、容易踩的坑如何进入可操作验证？
问题 3：恢复闭环。 怎样证明“因为任务有多个步骤就直接选择自治 Agent，忽略步骤其实完全可预写”已经修复？
本章回顾
- “工作流 vs 智能体：何时用哪个”的主问题是按路径可预知性、反馈需求和风险预算选择单次调用、工作流或智能体。
- 核心不变量是新增自主性必须在冻结评测集上证明收益大于延迟、成本和风险增量。
- 首要反例是因为任务有多个步骤就直接选择自治 Agent，忽略步骤其实完全可预写。
- 最小证据包包含任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。
名词解释
本章出现的专业名词，用大白话再讲一遍。
- 单次调用
一次模型请求即可完成且不需要中间环境反馈的方案。在“工作流 vs 智能体：何时用哪个”中必须能按以下证据重新定位：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。
- 工作流
由代码预先安排步骤与分支的多步系统。在“工作流 vs 智能体：何时用哪个”中必须能按以下证据重新定位：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。
- 智能体
由模型根据中间结果动态选择后续路径的系统。在“工作流 vs 智能体：何时用哪个”中必须能按以下证据重新定位：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。
- 复杂度门槛
允许增加架构层次前必须满足的量化收益条件。在“工作流 vs 智能体：何时用哪个”中必须能按以下证据重新定位：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。
- 人工接管率
任务需要转由人完成或判断的比例。在“工作流 vs 智能体：何时用哪个”中必须能按以下证据重新定位：任务分类、简单基线、成功率、调用数、尾延迟、成本、故障率与接管率。