万字长文！从AI Agent到Agent工作流，一文详细了解代理工作流(Agentic Workflows)

万字长文！从AI Agent到Agent工作流，一文详细了解代理工作流(Agentic Workflows)

原创 ShuYini AINLPer 2025年03月24日 22:39 上海

引言

AI Agent、Agentic AI、Agent架构和Agent工作流等概念如今备受关注，但它们究竟是什么？它们能做什么？新技术常常伴随着混乱的术语和炒作。本文将深入解析代理型AI的关键概念——代理工作流（Agentic Workflows）。

AI代理本身并无太多实际用途，只有通过赋予其角色、目标和结构，只有通过工作流，才能真正发挥作用。理解代理工作流，有助于理解 AI 代理的运作方式和逻辑。为此，本文从AI Agent到Agent工作流，一文带你详细了解代理工作流（Agentic Workflows），具体内容安排如下：

• 什么是AI Agent?

• 什么是Agent工作流？

• Agent工作流组成？

• Agent工作流 vs Agent架构

• Agent工作流模式

• Agent工作流应用场景

• Agent工作流优缺点

不了解AI Agent的小伙伴，可以读一下这篇文章：2025年的风口！| 万字长文，带你纵观大模型Agent，涉及研究痛点、应用场景、发展方向。

更多精彩内容-->专注大模型/AIGC、Agent、RAG等学术前沿分享！

什么是 AI Agent？

AI 代理是一种结合了大型语言模型（LLMs）的推理与决策能力，以及现实世界交互工具的系统，使其能够在有限的人类干预下完成复杂任务。代理被赋予特定的角色，并拥有不同程度的自主性来实现最终目标。它们还具备记忆能力，能够从过去的经验中学习，并随着时间的推移提升性能。

为了更好地理解AI代理在代理工作流中的作用，需要先了解它们的核心组成部分。

AI Agent的组成部分

尽管 AI Agent被设计用于半自主决策，但它们仍然依赖于一套更大的组件框架才能正常运行。这些组件包括：

• LLMs（大型语言模型）：使代理具备推理能力

• 工具（Tools）：帮助代理完成任务

• 记忆（Memory）：让代理能够从过去的经验中学习，并随着时间优化响应

推理（Reasoning）

AI 代理的强大之处在于其迭代推理能力，即在整个问题解决过程中持续“思考”。推理能力主要来自底层 LLM，并发挥两个核心作用：规划（Planning）和反思（Reflecting）。

• 规划（Planning）：代理会分解任务（Task Decomposition），将复杂的问题拆解为更小、更可执行的步骤。这样可以让代理系统地执行任务，并根据不同需求选择不同的工具。此外，代理还能进行查询分解（Query Decomposition），即将复杂查询拆解成更简单的子查询，以提高 LLM 响应的准确性和可靠性。

• 反思（Reflecting）：代理会回顾自身的行动结果，并基于结果与外部数据进行调整，以优化后续决策。

工具（Tools）

由于 LLM 仅限于其训练时获得的知识（静态的参数化知识），为了扩展其能力，AI 代理可以借助外部工具，如：

工具类型	作用
互联网搜索	获取和总结实时信息
向量搜索	检索和总结外部数据
代码解释器	运行 AI 代理生成的代码
API	访问外部服务、执行特定任务

当 LLM 选择合适的工具来完成任务时，它会执行函数调用（Function Calling），从而扩展自身能力，超越单纯的文本生成，实现对现实世界的交互。

工具的选择可以由用户预先定义，也可以由代理动态决定。动态选择工具有助于解决复杂任务，但对于简单工作流，预定义工具可能更高效。

记忆（Memory）

AI 代理的记忆能力是代理工作流区