概念纠正
有些人总是认为 chatbot（ChatGPT、DeepSeek 等）就是 Agent，其实是错误的。
Agent = LLM(大脑) + Memory(记忆) + Planning(规划) + Tool calling(工具调用)
专业的 agent 能帮你解决专业领域的问题，自主纠错，自主解决。
目前的两大发展方向
无论是什么 AI 框架，都几乎是这两种发展方向中的一种，第一种是 workflow(工作流)，第二种是 Agentic(智能体自主模式)。但有趣的是，现在的框架发展虽然大体是其中的一种，但是内部的东西正在朝着两种范式融合走。
因为纯粹的 Agent 太不可控，纯粹的 Workflow 太死板，现在行业正在往中间走，出现了一个新词叫 Flow Engineering (流程工程) 。
目前的最佳实践是：'外层是 Workflow，节点是 Agent' 或者 '大局可控，局部自主'
接下来我们就来讲讲两种模式有什么不同吧
Workflow 模式 (工作流)
这种模式认为：LLM 是一个不可靠的'函数'，我们需要用可靠的代码结构把它'框'住。 它不相信 AI 的自主规划能力，而是相信人类工程师的架构设计能力。
运行机制
- 结构：显式定义
A -> B -> C的路径。 - 控制权：100% 在代码侧。你（开发者）决定何时调用 LLM，Prompt 是什么，输出怎么解析，解析失败怎么重试。
- 典型模式：
- Prompt Chaining (提示词链) ：Step 1 的输出作为 Step 2 的输入。
- Router (路由) ：先用一个小模型分类（是'退款'还是'咨询'？），然后
if-else走到不同的处理链路。 - Parallelization (并行) ：同时让 LLM 翻译成 3 种语言，最后聚合结果。
后端视角类比
- Java: 就像
CompletableFuture的编排，或者 Spring Cloud Data Flow。 - Go: 就像通过 Channel 串联的一组 Goroutine Pipeline。
- 特点：幂等性高、延迟低、可测试。你写个单元测试，输入 A 必然得到 B（或者误差在可控范围内）。
适用场景
- RAG（检索增强生成） ：搜索 -> 排序 -> 生成。路径极其固定。
- 实体提取 / 结构化数据处理：从 PDF 提取发票金额。
- 高风险业务：金融风控、医疗建议（必须有人类定义的 Checkpoint）
Agentic 模式 (智能体 / 自主模式)
核心理念：Cognitive Architecture (认知架构)
这种模式认为：LLM 是一个'大脑'，我们应该给它工具和目标，让它自己找路。 它容忍过程的不确定性，以换取解决的能力。
