工作流模式（深挖）

你在 第14章 · Agent 是怎么工作的 里看到 Agent（能自己干活的 AI）能自己规划步骤。但步骤之间的连接方式不止一种——有的像流水线，有的像岔路口，有的完全让 AI 自己决定。这三种连接方式，就叫工作流（Workflow）模式。

（说明：以下三种分类是面向初学者的教学简化，实际工具（如 LangGraph）的实现方式更灵活，支持三种模式的混合使用 ¹）。

模式一：固定流程

graph LR
    subgraph Static[Static]
        S1[步骤1] --> S2[步骤2] --> S3[步骤3]
    end
    subgraph Dynamic[Dynamic]
        D1[规则判断] -->|A| D2[路径A]
        D1 -->|B| D3[路径B]
    end
    subgraph Agentic[Agentic]
        A1[LLM 决策] --> A2[工具A]
        A1 --> A3[工具B]
        A2 --> A1
        A3 --> A1
    end

就像一个工厂流水线。每一步做什么，是提前定好的，不会变。

例子：写一份周报

• 第 1 步：收集本周的工作记录
• 第 2 步：按模板整理格式
• 第 3 步：检查字数是否达标
• 第 4 步：发送给领导

每一步都是固定的。中间不会跳出新需求，也不会跳过某一步。适合：步骤明确、不需要临场判断的任务。

这种模式叫 Static Workflow（固定工作流）²。

模式二：岔路口

就像一个交通导航。主干道是定好的，但遇到岔路口可以根据条件选择不同的路。

例子：客服系统

• 先判断：用户是来投诉的、还是来咨询的？
• 投诉 -> 转人工客服
• 咨询 -> AI 自动回答
• 如果 AI 回答不了 -> 转人工客服

这个流程有分支，但分支逻辑是提前写好的——“如果 X 就做 A，如果 Y 就做 B”。适合：场景明确、但需要根据不同情况走不同路径的任务。

这种模式叫 Dynamic Workflow（动态工作流）³。

模式三：AI 自己决定

就像一个聪明的助理。你只告诉它目标，具体怎么做、走什么路径——它自己判断。

例子：写一篇关于 AI 的文章

• Agent 先搜索资料
• 搜出来的资料不够 -> 换个关键词再搜
• 搜够了 -> 列大纲
• 写到一半觉得某段需要数据支撑 -> 自己决定再搜一次
• 写完自己检查一遍 -> 修改 -> 再检查 -> 通过

这个流程没有预先定好的步骤。每一步做什么，是 Agent 根据上一步的结果自己决定的。适合：开放任务，步骤不可预知。

这种模式叫自主工作流（Agentic Workflow）——也就是 Loop 工程：让 AI 自己转起来（让 AI 自己循环改进）的实践。

一张表看懂三种模式

怎么选

• 任务步骤明确、不会变 -> 固定流程
• 任务有几种明确的走向 -> 岔路口
• 任务太开放、不知道怎么走 -> 交给 AI 自己决定

三者可以组合。很多实际系统是”固定流程 + 岔路口 + 某些步骤交给 AI”——最灵活的部分用自主模式，最稳定的部分用固定模式。

跟你有什么关系

你不需要自己写 Workflow 引擎。但你用到的很多 AI 产品，底层就是这三种模式的组合。理解了这三种模式，你就能判断：

• 为什么某些 AI 产品很”死板”——它的 Workflow 是固定的
• 为什么某些 AI 产品很”灵活”——它用了自主模式
• 为什么某些 AI 产品又灵活又不会出错——它把固定和自主组合得很好

相关笔记

• 第14章 · Agent 是怎么工作的 — Workflow 是 Agent 的骨架
• Loop 工程：让 AI 自己转起来 — 自主 Workflow 就是 Loop 的落地
• 上下文管理 — Workflow 需要上下文管理来记住状态

来源

• LangChain, “Workflow Patterns”, https://langchain.com
• LangGraph, https://langchain.com/langgraph