一文搞懂智能體工作流（Agentic Workflow）
智能體（Agent）是基於大型語言模型（LLM）的執行單元，通過規劃、記憶、工具與行動協同工作。智能體工作流（Agentic Workflow）則是利用多個這樣的智能體協作，以自動化和優化業務流程，將複雜任務分解爲可管理的子任務，並通過迭代達成目標。
電影《鋼鐵俠》中的智能助手 J.A.R.V.I.S.（Just A Rather Very Intelligent System，即 “只是一個相當聰明的系統”）爲我們描繪了一個未來 AI Agent 的雛形。
J.A.R.V.I.S.，作爲託尼 · 斯塔克（鋼鐵俠）的得力助手，不僅擁有強大的數據處理能力，還能精準理解並執行主人的指令，甚至能在關鍵時刻提供關鍵建議。
一 Agent
什麼是 LLM Agent（智能體）？ 大模型 Agent 是一種構建於大型語言模型（LLM）之上的智能體，它具備環境感知能力、自主理解、決策制定及執行行動的能力。
Agent 是能夠模擬獨立思考過程，靈活調用各類工具，逐步達成預設目標。在技術架構上，Agent 從面向過程的架構轉變爲面向目標的架構，旨在通過感知、思考與行動的緊密結合，完成複雜任務。
大模型 Agent 由規劃、記憶、工具與行動四大關鍵部分組成，分別負責任務拆解與策略評估、信息存儲與回憶、環境感知與決策輔助、以及將思維轉化爲實際行動。
一、規劃（Planning）：
規劃是 Agent 的思維模型，負責拆解複雜任務爲可執行的子任務，並評估執行策略。通過大模型提示工程（如 ReAct、CoT 推理模式）實現，使 Agent 能夠精準拆解任務，分步解決。
二、記憶（Memory）：
記憶即信息存儲與回憶，包括短期記憶和長期記憶。短期記憶用於存儲會話上下文，支持多輪對話；長期記憶則存儲用戶特徵、業務數據等，通常通過向量數據庫等技術實現快速存取。
三、工具（Tools）：
工具是 Agent 感知環境、執行決策的輔助手段，如 API 調用、插件擴展等。通過接入外部工具（如 API、插件）擴展 Agent 的能力，如 ChatPDF 解析文檔、Midjourney 文生圖等。
四、行動（Action）：
行動是 Agent 將規劃與記憶轉化爲具體輸出的過程，包括與外部環境的互動或工具調用。Agent 根據規劃與記憶執行具體行動，如智能客服回覆、查詢天氣預報、AI 機器人抓起物體等。
二 Agentic Workflow
什麼是 Agentic Workflow（智能體工作流）？Agentic Workflow 是一種新興的工作流程管理方法，它結合了人工智能（AI）智能體（Agent）來自動化和優化業務流程。
Agentic Workflow 以大型語言模型（LLM）爲技術基礎，通過多個 AI Agent 的協作，將複雜任務分解爲可管理的子任務，並通過迭代優化完成目標的系統。
AI Agent 作爲核心執行單元，每個 Agent 都具備特定的功能，如數據分析、決策生成等。通過 LLM（大語言模型），Agent 實現了 “大腦” 級別的規劃能力。在執行任務時，運用提示工程中的思維鏈（Chain-of-Thought）和自我反思等技術，來指導 Agent 分解任務、動態調整策略。同時，構建多 Agent 協同框架，集成 RAG（檢索增強生成）等技術，提升 Agent 處理能力。
鏈式、並行化、路由工作流是 Workflow 實現標準化的三種典型模式，而 Agent 通過動態決策能力擴展了 Workflow 的應用邊界，二者共同構成智能體工作流。
一、鏈式工作流模式（Chain Workflow）
將多個步驟按線性序列組織，一個步驟的輸出作爲下一個步驟的輸入，形成一個連續的處理鏈。通過明確的步驟順序，簡化了複雜任務的處理流程。
每個步驟都依賴於上一步的輸出，確保了數據的準確性和一致性。
適用場景：任務具有明確順序，且每個步驟都依賴於前一步的輸出，如新聞推薦系統中的內容篩選和排序。
二、並行化工作流模式（Parallelization Workflow）
通過同時執行多個任務或處理多個數據集，提高數據密集型操作的效率。通過並行處理多個任務，顯著縮短了整體處理時間。這樣能夠合理分配計算資源，提高系統的吞吐量。同時易於擴展以處理更大規模的數據和任務。
適用場景：任務可以獨立執行且沒有相互依賴，需要快速處理大量數據或多個請求，如大數據分析、實時監控和複雜決策支持系統。
三、路由工作流模式（Routing Workflow）
根據輸入條件動態指導執行路徑，使系統能夠在沒有預定義序列的情況下適應不同情況。能夠根據不同的輸入條件選擇不同的處理路徑，將任務路由到最適合處理的節點，提高了資源利用率。
適用場景：任務處理依賴於輸入特徵，且不同特徵需要不同的處理流程，如金融服務平臺根據用戶感興趣的主題將請求路由到不同的 API 端點。
本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/WJmaPHJirExJV73KJGJwhQ