智能体工作流的 4 个设计维度
人们经常混淆 AI 智能体（AI agents）和 AI 工作流（AI workflows）。有人认为任何带有工具的 LLM 都是智能体；也有人认为智能体必须能够长时间独立运行。这些争论对构建更好的系统毫无帮助。
不要再问一个系统是否具有“智能体特性”了。相反，请关注以下四个设计维度：
- 由谁决定下一步？
- 代码驱动 (Code-driven)：由代码控制执行序列。适用于规则明确的高风险任务。
- 模型驱动 (Model-driven)：由 LLM 规划步骤。适用于开放式任务。
- 混合模式 (Hybrid)：代码设定框架，LLM 进行微小决策。这是最务实的选择。
- 路径是否固定？
- 固定路径 (Fixed)：步骤遵循既定顺序。
- 条件路径 (Conditional)：系统根据结果使用分支或重试机制。
- 自适应路径 (Adaptive)：路径在运行时发生变化。适用于研究或调试场景。
- 智能体如何协作？
- 单智能体 (Single Agent)：一个智能体使用多个工具。这种方式简单，但上下文可能会变得混乱。
- 管理者-执行者 (Manager-Worker)：一个智能体负责分解任务并将其分配给其他智能体。
- 交接模式 (Handoff)：一个智能体将控制权移交给专家智能体。
- 对等模式 (Peer)：多个智能体在没有中心领导的情况下协作。这是最难调试的一种。
- 人类在何处介入？
- 人类触发 (Human-triggered)：你批准每一个重大操作。
- 检查点模式 (Checkpointed)：系统独立运行，但在高风险步骤会停止以等待审批。
- 带护栏的目标驱动 (Goal-driven with guardrails)：你设定目标，系统在预算和权限等限制范围内运行。
不要为了追求时髦而添加智能体。增加智能体会增加延迟、成本和调试难度。只有在可以并行执行任务，或者单个智能体的上下文过于庞大时，才使用多个智能体。
让你的架构与任务相匹配。如果任务具有风险，请使用检查点；如果任务很简单，请使用代码。
在构建之前，请问自己这六个问题：
- 常规代码能解决这个问题吗？
- 输入的变动程度有多大？
- 任务可以拆分吗？
- 失败的代价有多大？
- 你能看出哪里出错了（可观测性）吗？
- 额外的复杂性是否值得？
一个好的工作流在必须的地方保持灵活，在需要的地方保持可预测。
Source: https://dev.to/whchi/4-design-dimensions-of-agentic-workflows-1i0m
Optional learning community: https://t.me/GyaanSetuAi