大模型技术的飞速发展，不仅体现在模型能力的提升上，更体现在其应用方式的创新上。并非所有基于大模型的工作流程都是“Agentic”的。理解Agentic与Non-Agentic工作流之间的差异，对于充分利用LLM（Large Language Model）的能力至关重要。本文将深入探讨这两种模式，并通过具体案例分析，帮助读者更好地理解并应用这些模式。
1. 工作流：从规则到智能
工作流，本质上是完成特定任务的一系列步骤。传统的自动化工作流，例如费用审批，往往基于预先设定的规则：金额小于50元的餐饮费用自动批准，大于50元则需提交至财务部门审核。这种规则驱动的工作流简单直接，但缺乏灵活性。
而基于LLM的AI工作流则更具智能化。它们可以分为Agentic和Non-Agentic两种类型。Non-Agentic工作流依赖于预定义的流程，LLM在其中扮演着数据处理的角色；而Agentic工作流则赋予LLM更大的自主性，使其能够根据环境动态调整行为，完成复杂的任务。
2. Non-Agentic 工作流：效率至上
Non-Agentic工作流的核心特点是确定性。LLM在其中扮演着“工具”的角色，执行预先设定的任务。常见的Non-Agentic模式包括：
-
Prompt 链接（Prompt Chaining）：Prompt 链接是一种顺序执行的模式，其中一个LLM的输出直接作为下一个LLM的输入。例如，可以使用Prompt 链接来编写文章：首先，一个LLM生成文章大纲；然后，另一个LLM根据大纲填充内容；最后，第三个LLM将各个部分整合为完整的文章。这种模式的优势在于能够将复杂的任务分解为简单的步骤，提高效率。
prompt_chaining_essay_writer.py提供了一个示例。- 实际案例：内容生成平台可以使用Prompt 链接来自动化博客文章的创作。例如，用户提供一个主题，系统首先使用LLM生成大纲，然后使用另一个LLM根据大纲填充内容，最后使用第三个LLM进行润色和校对。
-
路由（Routing）：路由模式利用LLM对用户输入进行分类，并将输入转发到最合适的LLM进行处理。例如，一个问答系统可以使用路由模式来区分通用问题和代码问题。对于通用问题，系统可以使用更轻量级的LLM（如
gpt-4o-mini）来快速回答；对于代码问题，系统可以使用更专业的LLM（如gpt-4.1）来生成更准确的代码。routing_question_answering.py提供了一个示例。- 实际案例：在线客服系统可以使用路由模式来区分用户的意图。例如，用户咨询产品信息时，系统将其路由到产品知识库；用户需要技术支持时，系统将其路由到技术支持团队。
-
并行化（Parallelization）：并行化模式将一个任务分解为多个独立的子任务，并使用多个LLM并行处理这些子任务。然后，将各个LLM的输出聚合起来，生成最终的结果。例如，可以使用并行化模式来制定一个软件开发计划：首先，使用不同的LLM模拟不同的角色（如数据科学家、软件工程师、产品经理、UX设计师）生成各自的计划；然后，使用另一个LLM将这些计划整合为完整的开发计划。
parallelization_development_planner.py提供了一个示例。- 实际案例：市场调研公司可以使用并行化模式来快速分析大量的用户反馈数据。例如，将用户评论分发给多个LLM，每个LLM负责分析评论的情感倾向和主题，然后将分析结果汇总起来，生成全面的用户反馈报告。
3. Agentic 工作流：自主性与智能
Agentic工作流赋予AI Agent更大的自主性。Agent可以根据当前状态和目标，自主选择行动，并与环境进行交互。常见的Agentic模式包括：
-
反思（Reflection）：反思模式允许Agent检查自身的输出，并根据反馈进行改进。例如，可以使用反思模式来生成高质量的代码。Agent首先使用LLM生成代码；然后，另一个LLM对代码进行评估，并提供改进建议；Agent根据建议修改代码，并再次进行评估，直到代码达到预期的质量。
reflection_coding.py提供了一个示例。- 实际案例：AI写作助手可以使用反思模式来提高文章的质量。例如，Agent可以首先生成一篇文章，然后使用另一个LLM评估文章的语法、逻辑和表达，并提供修改建议。Agent根据建议修改文章，并再次进行评估，直到文章达到预期的质量。
-
工具使用（Tool Use）：工具使用模式允许Agent访问外部工具（如函数、API）来与外部世界进行交互。例如，可以使用工具使用模式来构建一个SQL查询生成器。Agent接收用户的自然语言查询，并使用工具与数据库进行交互，生成相应的SQL查询。
tool_use_query_writer.py提供了一个示例。Agent 可以通过 “ReAct” (Reasoning and Action) 模式，决定何时需要使用工具，并将其输出整合到后续的推理中。- 实际案例：智能家居系统可以使用工具使用模式来控制家电设备。例如，用户可以通过语音命令要求系统打开电视、调节灯光或设置空调温度。Agent接收用户的语音命令，并使用工具与家电设备进行交互，完成相应的操作。
-
协调者-工作者（Orchestrator-Worker）：协调者-工作者模式将一个复杂的任务分解为多个子任务，并将这些子任务分配给不同的Agent（工作者）执行。一个专门的Agent（协调者）负责制定计划，分配任务，并收集结果。一个合成器（Synthesizer）LLM 收集工作者的结果并进行综合，形成最终的输出。这种模式特别适用于需要多人协作完成的任务。
orchestrator-worker_research_agent.py提供了一个示例。协调者可以动态地创建子任务列表，这与并行化模式的主要区别。- 实际案例：科研团队可以使用协调者-工作者模式来完成一个大型的研究项目。协调者负责制定研究计划，将研究任务分配给不同的研究人员，并协调各个研究人员的工作。研究人员负责执行各自的研究任务，并将研究结果提交给协调者。协调者将所有研究结果整合起来，生成最终的研究报告。
-
多Agent（Multi-Agent）：多Agent模式涉及多个Agent的协同工作，每个Agent扮演不同的角色，并负责不同的任务。Agent之间可以进行通信和协作，共同完成一个目标。常见的Multi-Agent模式包括：
-
协调者/管理者模式：一个Agent负责协调和管理其他Agent的工作。
-
蜂群模式：多个Agent独立行动，并根据环境的变化进行调整。
-
实际案例：软件开发团队可以使用多Agent模式来提高开发效率。例如，一个Agent可以扮演项目经理的角色，负责制定项目计划，分配任务，并跟踪进度；另一个Agent可以扮演开发人员的角色，负责编写代码；第三个Agent可以扮演测试人员的角色，负责测试代码。这些Agent协同工作，共同完成软件开发项目。
-
4. 选择合适的模式
选择Agentic还是Non-Agentic工作流，取决于具体的应用场景和需求。
- Non-Agentic工作流适用于任务明确、流程固定的场景。例如，文本摘要、内容翻译等。Non-Agentic工作流的优势在于效率高、可控性强。
- Agentic工作流适用于任务复杂、需要自主决策的场景。例如，智能客服、自动化代码生成等。Agentic工作流的优势在于灵活性强、适应性强。
| 特性 | Non-Agentic 工作流 | Agentic 工作流 |
| ————– | —————————– | ——————————- |
| 任务类型 | 明确、固定 | 复杂、需要自主决策 |
| 自主性 | 低 | 高 |
| 灵活性 | 低 | 高 |
| 适用场景 | 文本摘要、内容翻译等 | 智能客服、自动化代码生成等 |
| 优势 | 效率高、可控性强 | 灵活性强、适应性强 |
| 局限性 | 缺乏自主性和适应性 | 实现难度较高、需要更多资源 |
5. LLM 的未来：Agentic 趋势
随着大模型技术的不断发展，Agentic工作流将成为主流趋势。未来的LLM将更加智能、自主，能够更好地理解人类意图，并与外部世界进行交互。这将为各行各业带来革命性的变革。例如，未来的智能客服系统将能够自主解决复杂的问题，而无需人工干预；未来的自动化代码生成系统将能够根据用户需求，自主生成高质量的代码。
虽然Agentic工作流潜力巨大，但也面临着一些挑战。例如，如何保证Agent的安全性、可靠性和可解释性？如何设计高效的Agent框架？这些问题需要学术界和工业界共同努力解决。
6. 结语
理解Agentic和Non-Agentic工作流的差异，是掌握大模型应用的关键。选择合适的模式，并结合实际应用场景，才能充分发挥LLM的潜力，创造更大的价值。随着技术的不断进步，我们有理由相信，Agentic工作流将在未来的AI领域扮演越来越重要的角色，并引领新一轮的创新浪潮。通过深入了解这些模式，并持续探索其可能性，我们才能更好地迎接大模型带来的机遇和挑战。