概念-AgenticWorkflow

一句话理解

Agentic Workflow（智能体工作流）是一种模型自主决定路径，不是预定义规则而是 LLM 做决策的工作流模式。这是三种工作流模式中最灵活、最强大、也最难控制的一种。在 Agentic Workflow 中，LLM 不仅是任务的执行者，更是流程的决策者——它自己决定下一步该调用哪个工具、是否需要回溯、什么时候任务完成。

类比：一个有经验的助理——你交代”帮我安排下周的出差”，他会自己决定：先查日历、再订机票、然后订酒店，如果某个航班满了，他会自己找替代方案。你不需要告诉每一步怎么做。

核心特征

graph TD
    Task[用户任务] --> Plan[LLM 分析并规划]
    Plan --> Decide{LLM 决策下一步}
    Decide -->|调用工具A| ToolA[执行工具A]
    Decide -->|调用工具B| ToolB[执行工具B]
    Decide -->|回溯调整| Plan
    ToolA --> Observe[LLM 观察结果]
    ToolB --> Observe
    Observe --> Decide
    Decide -->|任务完成| Done[交付最终结果]

1. LLM 作为决策者（LLM as Decision-Maker）

这是 Agentic Workflow 与 Static/Dynamic Workflow 最本质的区别。在 Static Workflow 中，决策者是代码（固定路径）；在 Dynamic Workflow 中，决策者是代码（预定义规则）；在 Agentic Workflow 中，决策者是模型。

维度	Static Workflow	Dynamic Workflow	Agentic Workflow
决策者	代码（固定）	代码（规则）	模型（自主）
路径来源	硬编码	预定义枚举	模型实时生成
控制粒度	函数级	分支级	任务级

2. 工具使用（Tool Use / Function Calling）

Agentic Workflow 的核心机制是 Tool Use（也称 Function Calling）。模型不直接产生最终答案，而是输出一个”工具调用请求”——比如”调用 search_database 函数，参数是…”。系统执行这个工具调用，把结果返回给模型，模型再决定下一步。

3. 循环与迭代（Loop and Iteration）

Agentic Workflow 天然包含循环：模型调用工具 → 获得结果 → 分析结果 → 决定是否继续调用工具 → 最终产出答案。这个循环（通常称为 Agent Loop）可以持续多轮，直到模型认为任务完成。

4. 涌现行为（Emergent Behavior）

因为模型自主决策，Agentic Workflow 可能产生开发者没有预料到的行为——模型可能选择一条”绕远路”来解决问题，或者组合使用两种工具来达到单一工具无法实现的效果。这种涌现性既是 Agentic Workflow 的优势（灵活性），也是风险（不可预测性）。

适用场景

场景	说明	为什么需要 Agentic
复杂推理（Complex Reasoning）	多步逻辑推理，中间步骤不确定	不能用固定规则穷举所有推理路径
开放任务（Open-Ended Tasks）	目标明确但路径不明确	无法预定义所有可能的解决方案
多步研究（Multi-Step Research）	需要搜索、阅读、综合、验证	搜索什么、读什么、怎么综合，都需要模型判断
代码生成与调试（Code Gen & Debug）	写代码 → 运行 → 看报错 → 修改	不知道会报什么错，需要模型自己分析
自主数据分析（Autonomous Data Analysis）	探索数据 → 发现规律 → 生成报告	探索方向由数据特征决定，无法预定义

Agentic Workflow 的核心循环

┌─────────────────────────────────────────────────────────┐
│                    Agent Loop (核心循环)                  │
│                                                         │
│   用户输入 ──→ LLM 分析 ──→ 决定调用工具？                │
│                  ↑              │                       │
│                  │         Yes  │  No                   │
│                  │              ↓        ↓               │
│                  │         执行工具调用   生成最终回答      │
│                  │              │                       │
│                  └── 工具结果返回 ──┘                     │
└─────────────────────────────────────────────────────────┘

代码示例：ReAct 模式的 Agent

import json
from typing import Any

# 工具定义
def search_database(query: str) -> list[dict]:
    """搜索内部数据库"""
    # 实际实现...
    return [{"title": "结果1", "content": "..."}]

def calculate(expression: str) -> float:
    """执行数学计算"""
    return eval(expression)  # 生产环境请使用安全的计算方式

TOOLS = {
    "search_database": search_database,
    "calculate": calculate,
}

TOOL_DESCRIPTIONS = """
可用工具：
1. search_database(query: str) - 搜索内部数据库
2. calculate(expression: str) - 执行数学计算
"""

def agent_loop(user_query: str, max_iterations: int = 10) -> str:
    """Agent 主循环：模型自主决定每一步"""
    messages = [
        {"role": "system", "content": f"你是一个有用的助手。你可以使用以下工具：\n{TOOL_DESCRIPTIONS}\n\n当你需要使用工具时，请以JSON格式输出：\n{{\"tool\": \"工具名\", \"args\": {{\"参数名\": \"值\"}}}}\n\n当你准备好回答用户时，请以JSON格式输出：\n{{\"action\": \"final_answer\", \"content\": \"你的回答\"}}"},
        {"role": "user", "content": user_query}
    ]

    for i in range(max_iterations):
        # LLM 自主决定：调用工具还是给出答案
        response = llm_call(messages)

        try:
            decision = json.loads(response)
        except json.JSONDecodeError:
            # 如果模型输出不是 JSON，直接返回
            return response

        # 模型决定给出最终答案
        if decision.get("action") == "final_answer":
            return decision["content"]

        # 模型决定调用工具
        tool_name = decision.get("tool")
        tool_args = decision.get("args", {})

        if tool_name in TOOLS:
            tool_result = TOOLS[tool_name](**tool_args)
            # 将工具结果返回给模型，让模型继续决策
            messages.append({"role": "assistant", "content": response})
            messages.append({"role": "user", "content": f"工具 {tool_name} 的执行结果：\n{json.dumps(tool_result, ensure_ascii=False)}"})
        else:
            messages.append({"role": "user", "content": f"工具 {tool_name} 不存在，可用工具：{list(TOOLS.keys())}"})

    return "达到最大迭代次数，任务未完成"

# 使用
result = agent_loop("帮我查一下上个月的销售总额，并计算同比增长率")

与 Static/Dynamic 的本质区别

Static Workflow：决策者是人（开发者），在代码中固定了一切。 Dynamic Workflow：决策者是人（开发者），预定义了所有分支和规则，模型只做选择题。 Agentic Workflow：决策者是模型，开发者只提供工具和约束，模型自主决定路径。

2026 年的趋势

Agentic Workflow 是 2025-2026 年 AI 应用开发的最大热点。关键趋势：

Agent 框架的成熟：LangGraph、CrewAI、AutoGen、Anthropic Agent SDK 等框架让 Agent 开发变得更简单
MCP（Model Context Protocol）：标准化了工具定义和调用，Agent 可以无缝接入各种外部工具
Agentic 与 Dynamic 的融合：不是非此即彼，而是在合适的节点让模型自主决策，其他节点保持确定性
成本与延迟的优化：随着模型推理速度提升和成本下降，Agentic 的实用性在快速提高

来源

https://www.anthropic.com/engineering/building-effective-agents — Anthropic 官方：构建高效 Agent 的指南
https://docs.anthropic.com/en/docs/build-with-claude/tool-use — Anthropic Tool Use 文档
https://arxiv.org/abs/2210.03629 — ReAct: Synergizing Reasoning and Acting in Language Models
https://langchain-ai.github.io/langgraph/ — LangGraph Agent 框架
https://modelcontextprotocol.io/ — MCP 协议规范