Workflow 与 Agent Engineering

这个主题讨论 Workflow 和 Agent。生产环境里，稳定可控的 Workflow 往往比完全自主的 Agent 更先落地。

多步 AI 系统的难点不是让模型多想几步，而是让每一步可观察、可恢复、可限制、可评估。这个阶段会帮助你判断什么时候应该用固定流程，什么时候才需要让 Agent 自主规划和行动。

学习目标

完成这个主题后，你应该能够：

Workflow 是预先定义好的多步流程。步骤、顺序、分支和审批点都由工程师设计，模型通常只负责某些步骤里的生成、分类或参数提取。

Agent 是具备一定自主性的执行系统。它会根据目标观察环境、规划步骤、调用工具、读取结果，并决定下一步行动。

State 是多步 AI 系统的核心。没有状态持久化，就很难支持暂停、恢复、重试、人工介入和审计。

Tool Boundary 决定 Agent 能做什么、不能做什么。工具越强，越需要权限、参数校验、超时、dry run 和用户确认。

Agent Eval 不能只看最终答案，还要看计划是否合理、工具是否选对、参数是否正确、失败后是否能恢复。

这张图强调选择标准：路径明确、风险较高、需要稳定交付时优先 Workflow；目标开放、环境变化大、需要探索时才引入 Agent。

Workflow：固定步骤、可控流程、状态机、人工确认。
Agent：围绕目标进行自主规划、工具调用与结果观察。
Workflow 和 Agent 的区别：确定性 vs 非确定性，可控性 vs 自主性，工程稳定性和适用场景。
Agent Loop 架构：goal、observe、plan、act、verify、recover。
Loop 模式：ReAct、Plan-then-Execute、Reflect-then-Retry。
Planner：任务拆解、步骤规划、依赖关系。
Executor：工具执行、参数生成、结果处理。
Agent State：task、step、tool、memory、error state。
Long-running Agent：异步任务、状态持久化、断点恢复、用户介入。
Agent 可靠性：planning drift、tool misuse、context drift、hallucinated action、infinite loop。
Agent Eval：task success rate、step accuracy、tool correctness、recovery ability。

设计 Workflow 数据结构：定义 step、input、output、status、retry policy、approval 和 audit log。
实现可控 AI Workflow：让模型参与分类、生成或参数提取，但流程由应用层驱动。
增加执行可视化：展示当前步骤、输入输出、工具结果、失败原因和可重试入口。
实现 Research Agent：给定主题后，Agent 可以搜索、阅读、摘要、整理引用并生成报告。
设计 Agent 状态机：保存 goal、plan、current step、observations、tool calls、errors 和 final answer。
加入恢复策略：限制最大步数，失败时允许 retry from step、改用 fallback tool 或请求用户确认。
建立评估集：用任务成功率、步骤正确率、工具参数正确率和恢复能力评估系统。