本文精選https://weaviate.io/blog/what-are-agentic-workflows 這篇文章，並且透過AI進行整理

在 AI 技術快速發展的今天，許多術語經常被混用，造成理解上的困惑。這篇文章要帶大家釐清三個重要概念：AI Agents、AI Workflows 和 Agentic Workflows，並且說明了agentic AI 的一個關鍵原則：Agentic Workflows。

AI Agents：具備推理能力的智慧系統

AI Agents 是結合了大型語言模型進行推理決策，以及各種工具來與現實世界互動的系統。它們被賦予特定角色和不同程度的自主權來完成目標，並配備記憶系統以從過往經驗中學習。

AI Agents 有三個核心組成要素：

1. 推理能力（Reasoning）

• 規劃階段：進行任務分解，將複雜問題拆解為較小的可執行步驟
• 反思階段：評估行動結果，並根據外部資料來調整行動計畫

2. 工具使用（Tools）

由於 LLM 只有靜態的參數化知識，AI Agents 需要透過外部工具來擴展能力，例如網路搜索、向量搜索、API等。

3. 記憶系統（Memory）

• 短期記憶：儲存對話歷史等即時資訊
• 長期記憶：跨多個會話累積知識，實現個人化和性能改善

Workflows：從傳統到 AI 驅動的演進

Workflows是一系列旨在實現特定任務或目標的連接步驟。最簡單的工作流程類型是確定性的，它們遵循預定義的步驟，無法適應新資訊或不斷變化的條件。

文章很清楚地區分了三種不同類型的工作流程：

1. 傳統工作流程（Traditional Workflows）

• 特徵：確定性的、遵循預定義步驟
• 例子：「如果費用標記為餐費且少於 30 美元，則自動批准」
• 限制：無法適應新資訊或變化條件

2. AI 工作流程（AI Workflows）

• 特徵：利用 LLM 或其他機器學習模型
• 分為兩種：非代理 AI 工作流程和代理 AI 工作流程

3. 非代理 AI 工作流程（Non-Agentic AI Workflows）：

• LLM 接收指令並生成輸出
• 例子：文本摘要工作流程 – 輸入長文本 → LLM 摘要 → 返回摘要
• 特點：靜態 AI 模型，缺乏動態適應能力

Agentic Workflows：動態智慧的工作流程

Agentic Workflows（代理工作流程） 是由一個或多個代理動態執行的一系列連接步驟，用以實現特定任務或目標。

關鍵差異分析

比較維度	傳統工作流程	非agentic AI 工作流程	agent工作流程
決策機制	預定義規則	靜態 AI 模型	動態 AI 代理
適應性	無法適應變化	有限適應能力	高度適應性
規劃能力	固定步驟	單次推理	動態規劃和任務分解
工具使用	預設功能	有限工具整合	動態工具選擇和使用
學習能力	無	無	具備短期和長期記憶
錯誤處理	固定錯誤處理	基本錯誤回應	反思和迭代改進

讓工作流程變得「代理化」(agentic)的三個關鍵要素

1. 制定計畫：透過任務分解將複雜任務拆解為子任務，並決定最佳執行路線
2. 使用工具執行行動：使用預定義工具配合權限來完成任務
3. 反思迭代：評估每步結果，必要時調整計畫，直到達到滿意的結果

實際應用中的差異

文本摘要的不同實作方式：

非agentic AI 工作流程：

輸入文本 → LLM 摘要提示 → 生成摘要 → 輸出結果

agent工作流程：

輸入文本 → agent分析文本複雜度 → 決定摘要策略 → 可能查詢相關背景資訊 → 生成摘要 → 自我評估摘要品質 → 如需要則迭代改進 → 最終輸出

Agentic Architectures vs. Agentic Workflows

文章也澄清了另一組容易混淆的概念：

• Agentic Workflow：agent為達成特定目標所採取的一系列步驟
• Agentic Architecture：用於實現特定任務的技術框架和整體系統設計

簡單來說，Workflow 是「做什麼」，Architecture 是「怎麼建構」。

三大核心設計模式

1. 規劃模式（Planning Pattern）

透過任務分解將複雜問題拆分成更小、更簡單的子任務。這特別適用於解決方法不明確且需要適應性問題解決的情況。

2. 工具使用模式（Tool Use Pattern）

讓 AI 代理能夠動態與現實世界互動，而不僅僅是從中檢索資料。常見工具包括 API、向量搜尋、網頁瀏覽器等。

3. 反思模式（Reflection Pattern）

這是一個自我回饋機制，agent會迭代評估其輸出或決策的品質，然後用這些批評來改進方法。

實際應用案例

文章介紹了幾個令人印象深刻的應用：

Agentic RAG（檢索增強生成): 不只是簡單的資料檢索，而是能夠分解複雜查詢、評估檢索資料的相關性，並在需要時重新制定查詢策略。

Agentic Research Assistants: 像是 OpenAI、Perplexity 和 Google 的深度研究功能，能夠主動尋求使用者指導、適應計畫並追求新的有趣角度來合成資訊。

Agentic Coding Assistants: 如 Anthropic 的 Claude Code 和 Cursor 的 Agent，不僅能生成程式碼，還能執行、除錯並從錯誤中學習。

優勢與挑戰並存

主要優勢：

• 靈活性和適應性強
• 在複雜任務上表現更佳
• 具備自我糾錯和持續學習能力
• 提升營運效率和可擴展性

主要挑戰：

• 簡單任務可能造成不必要的複雜性
• 自主性增加可能降低可靠性
• 需要謹慎考慮倫理和實際應用問題

何時該使用 Agentic Workflows？

在決定是否使用代理工作流程時，可以問自己幾個問題：

• 這個任務是否複雜到需要適應性決策？
• 簡單的 AI 輔助工具是否就能達到同樣效果？
• 工作流程是否涉及不確定性、變化條件或多步驟推理？
• 賦予代理自主權的風險是什麼，能否有效控制？

結語

Agentic Workflows 代表了 AI 技術發展的一個重要里程碑，它們不僅僅是更聰明的自動化工具，而是能夠思考、適應和學習的智慧系統。雖然這項技術仍在快速發展中，但它已經展現出在複雜任務自動化方面的巨大潛力。

關鍵是要理解：並非所有情況都需要使用代理工作流程。選擇合適的工具來解決特定問題，才是明智的做法。隨著技術的成熟，我們期待看到更多創新的應用和更完善的實作方式。

更多技術文章，歡迎參考技術文章