这次来拆解读者跟我反馈的面试题AI Agent开发的面试题真题「了解哪些其他的 Agent 设计范式Agent 和 Workflow 的区别是什么」 简要回答我理解 Agent 和 Workflow 最核心的区别是「谁来决定下一步」。Workflow 是我提前把流程写死的每一步怎么走都是固定的确定性高、好控制。Agent 是让 LLM 自己决定下一步做什么灵活但不可控。常见的设计范式除了纯 Agent 之外还有 ReAct、Plan-and-Execute、Reflection 这几种。我在实际工程里用得最多的反而是把两者混用固定流程的部分用 Workflow需要灵活决策的节点嵌入 Agent 能力这样既保住了整体可控又有局部的灵活性。 详细解析在 Agent 开发里有一个非常基础但经常被忽视的问题什么情况下该用 Agent什么情况下该用 Workflow这是实际工程里最常碰到的架构决策弄错了要么过度工程化要么系统一点都不可控。先把两者的本质区别说清楚。Workflow就是一个确定性的流程图你提前定好「第一步做 AA 完了做 BB 失败了走分支 C」每一步的逻辑都是你硬编码进去的LLM 只是其中某个节点的执行工具不负责决策流程本身。好处是行为完全可预测、容易测试、出了问题好排查坏处是灵活性低遇到你没预料到的情况就会走入死胡同。Agent则相反它把「下一步做什么」这个决策权交给了 LLM。你只告诉它目标它自己判断该调哪个工具、该不该继续、什么时候算完成。好处是能处理你事先没设计进去的情况坏处是行为不确定同样的输入可能走出不同的路径线上出了问题也很难复现。光说文字可能还不够直观我用代码结构来对比一下你一眼就能感受到区别# Workflow 风格流程固定每步都是确定的LLM 只是工具def workflow_answer_question(user_query: str): # 第一步固定做向量检索 docs vector_db.search(user_query, top_k5) # 第二步固定做 rerank重排序筛选最相关的结果 reranked reranker.rank(user_query, docs) # 第三步固定喂给 LLM 生成答案 answer llm.generate(user_query, contextreranked) return answer# Agent 风格流程不固定LLM 自己在运行时动态决定每一步def agent_answer_question(user_query: str): whileTrue: # LLM 自己决定要搜索要计算还是直接回答 action llm.decide(user_query, historymemory) if action.type search: result vector_db.search(action.query) memory.append(result) elif action.type calculate: result calculator.run(action.expr) memory.append(result) elif action.type final_answer: return action.content对比来看Workflow 的每一行都是明确的指令控制流完全由代码决定Agent 的 loop 里只有llm.decide()所有路径都是 LLM 在运行时动态选的。两种风格在代码结构上就完全不一样Workflow 是「开发者在驾驶」Agent 是「LLM 在驾驶开发者在副驾驶设了一些安全限制」。Agent 设计范式在具体的 Agent 设计范式上目前主流的有这几种ReActReasoning Acting是最常见的一种。它让 LLM 交替输出「思考」和「行动」每次行动前先写出推理过程行动后再根据结果继续思考。好处是推理过程可见便于调试决策也更稳定。Plan-and-Execute是把规划和执行分开的范式。先让一个 LLM 专门做规划输出完整的任务步骤列表再让另一个 LLM 或模块逐步执行。规划和执行解耦之后复杂任务的整体结构更清晰也方便在执行过程中对计划做局部修改。Reflection反思是在 Agent 完成一步之后加一个自我评估的环节让 LLM 判断这步做得对不对、结果是否符合预期不行就重试或者调整策略。这能显著提升输出质量但也会增加 token 消耗和延迟。实际工程里纯 Agent 模式其实用得不多因为太难控制。更常见的做法是**「Agentic Workflow」**整体用 Workflow 框住主流程在需要灵活处理的节点嵌入 Agent 能力。比如一个客服系统意图识别 - 知识检索 - 回答生成这条主链路是固定的 Workflow但「知识检索」这个节点内部可以用 Agent 来动态决定检索几轮、用哪些工具。这样既保住了整体可控又有局部的灵活性这是目前生产环境里最主流的做法。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】