北京
如果你最近在AI社区花过一点时间，大概率已经注意到一个趋势：一切都在变成智能体。
要摘要文档？“建一个智能体。”需要客服支持？“用多个智能体。”想要编程助手？“部署一个具备记忆、工具、规划和自反思能力的自主智能体。”
智能体确实令人兴奋，也绝对有它们的用武之地。但在亲身构建过不少AI应用、试验过不同架构之后，我得出了一个不同的结论：工作流比智能体更重要。
这绝不是说智能体不好，而是我看到太多开发者的第一反应都是问“我该怎么建一个智能体”，而不是先问“解决这个问题最简单的工作流是什么”。仅仅是这一个思考上的微调，就彻底改善了我设计AI系统的方式。
工作流负责解决问题，而智能体只是去执行其中一部分。假设你在搭建一个AI驱动的客服系统，一个典型的工作流可能长这样：
用户提问 → 检索知识库 → 生成回复 → 校验输出 → 发送应答
每一步都可预测，每个环节都有明确的职责。回过头再看那个自主智能体的方案，它需要自己决定用哪些工具、搜哪些文档、要不要调用别的智能体、该不该重试、是否重新规划——碰上合适的问题，这恰好是你想要的。但对很多场景来说，你引入的复杂度远远超过了问题本身的要求。
复杂度是有真实成本的。AI系统每多叠一层，就会连带引入更多提示词、更多API调用、更多调试工作、更多监控和更多故障点。一个包含五个确定性步骤的工作流，往往比一个在后台动辄做出几十个决策的自主系统更容易被理解。这也是我之前写下《为什么我认为大多数AI智能体都被过度设计了》的原因——很多项目还没搞清楚是不是真需要自主体，就早早用上了复杂的智能体架构。
对大量应用而言，简单不是限制，而是优势。
可预测性比“聪明劲”要可靠得多。工作流最大的好处之一就是可预测：出了问题时，你立刻知道该往哪看。是检索环节出了错？还是提示词失效了？是API返回了错误，还是校验环节拒绝了输出？每一个阶段都能被独立测试。而在高度自主的智能体里，决策分散在多个规划步骤中，追踪失败原因要难得多。当系统规模不断变大，可观测性的重要性不再亚于智能本身。
好的工作流扩展性也更强。我慢慢意识到，扩展并不仅仅是关于能容纳更多用户，更在于长期维护系统的能力。一个清晰的工作流能让你更轻松地添加新功能、替换模型、更新提示词、优化评估指标，甚至引入治理机制——因为每个组件都有定义好的职责。一旦职责散落在多个自主智能体之间，这些维护动作就变得相当棘手。
集成比自主更重要。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
