1.5 智能体工作流

智能体工作流（Agentic Workflow）是一类重要的 AI 应用范式。与传统的单次推理不同，它强调将 AI 能力组织成可控、可观测、可迭代的工作流程。

1.5.1 什么是智能体工作流

智能体工作流是一种让 AI 系统以 迭代、自主、目标导向的方式完成复杂任务的工作模式。核心特征：

• 迭代式执行：不是一次生成最终答案，而是多步骤逐渐逼近目标

• 自主决策：AI 自主决定下一步行动，而非完全由用户控制

• 工具集成：无缝调用外部工具和服务

• 状态管理：维护执行过程中的中间状态

1.5.2 与传统提示词模式的区别

维度	传统提示词	智能体工作流
交互模式	单次请求-响应	多轮迭代执行
控制权	用户完全控制	AI 自主决策
执行时间	毫秒到秒级	秒到分钟级
能力边界	模型内在知识	工具扩展后的能力
结果质量	依赖 提示词 质量	可通过迭代改进

1.5.3 典型的智能体工作流模式

典型的智能体工作流模式包括：规划-执行模式、ReAct 模式、反思-改进模式、层级协作模式。

规划-执行模式

智能体会先制定完整计划，然后逐步执行，直到达到目标。这个模式通常用于结构化任务、可预测的工作流程。

用户目标
    ↓
[规划阶段] 生成任务步骤列表
    ↓
[执行阶段] 逐步执行每个步骤
    ↓
最终结果

适用场景：结构化任务、可预测的工作流程

ReAct 模式

ReAct 是 Reasoning and Acting 的缩写，是推理和行动交替进行的模式。智能体会先进行推理，然后根据推理结果执行行动，再观察行动结果，如此循环直到达到目标。

Thought: 我需要先了解用户的代码结构
Action: 读取项目目录
Observation: 发现是一个 Python 项目...
Thought: 现在我需要分析主入口文件
Action: 读取 main.py
...

适用场景：探索性任务、需要动态调整的场景

反思-改进模式 (Reflection & Improvement)

智能体会在执行后进行自我评估和改进，这个模式通常用于需要质量把控的任务。

初始方案 → 执行 → 评估结果 → 反思问题 → 改进方案 → 重新执行

适用场景：代码编写、内容创作等需要质量把控的任务

多智能体协作模式

多个专业化智能体分别担任不同角色，协同完成任务。这个模式通常用于复杂项目、需要多种专业技能的任务。

用户需求
    ↓
[协调者智能体] 分配任务
    ↓
[研究智能体] ←→ [写作智能体] ←→ [审核智能体]
    ↓
整合输出

适用场景：复杂项目、需要多种专业技能的任务

1.5.4 实践案例

以下是几个典型的智能体工作流应用案例，展示了上述模式在实际产品中的落地（以“产品形态”而非具体品牌为例）：

案例一：交互式产物视图

一些交互式界面会将“产物”与“对话”并列呈现，常见地采用 反思-改进模式：

• 即时预览：生成代码后立即渲染展示

• 迭代改进：用户可以要求修改，智能体理解上下文逐步完善

• 工具集成：支持 HTML/CSS/JS、React、Mermaid 图表等

案例二：AI 原生 IDE

现代 AI IDE 的代码编辑工作流常结合 规划-执行模式与反思-改进模式：

1. 用户描述需求
2. 智能体分析代码库
3. 生成修改计划
4. 逐文件编辑
5. 自动验证（运行测试、检查类型）
6. 必要时自动修复问题

案例三：自主软件开发智能体

自主软件开发智能体常综合运用 ReAct 模式和 多智能体协作 模式：

• 完整的开发环境访问

• 自主执行 git 操作

• 运行测试并修复问题

• 与用户进行异步协作

案例四：企业级智能体生产流程

本案例展示某金融科技公司如何将智能体从实验推向生产环境。

• 案例背景

  • 场景：企业内部研报生成与合规审查。

  • 痛点：分析师撰写研报耗时（平均 4h/篇），且合规审查易漏检，导致发布延迟。

• 目标设定

  • 核心目标：自动化生成并初审研报。

  • 关键指标：研报生成时间 < 10min，合规漏检率 < 1%。

• 解决方案

  • 架构设计：采用 Hierarchical Collaboration（层级协作） 模式。

  • 关键技术：

    • 规划智能体：负责拆解研报结构。

    • 撰写智能体：并行撰写各章节，利用其强推理能力保证逻辑深度。

    • 审查智能体：基于 RAG 检索最新合规条款进行审查。

  • 工作流：

  图 1-4：金融研报生成层级协作工作流 (Hierarchical Collaboration Workflow for Financial Reports)

• 实施成效

  • 效率：生成时间显著缩短。

  • 质量：合规通过率提升。

• 风险与教训

  • 模型幻觉：初期曾编造数据，后引入 工具使用 强制联网验证数据源。

• 成本控制：在非核心章节切换为低成本模型，平衡质量与成本。

案例五：跨国软件团队的协作案例

本案例展示某 SaaS 公司如何利用智能体工作流解决跨时区协作痛点。

• 背景

  • 场景：一家多语言产品线的 SaaS 公司，拥有分布在美、欧、亚的研发团队。

  • 痛点：人工处理需求分析与测试用例生成效率低，跨区域信息同步滞后，缺陷回归周期较长。

• 目标

  • 核心目标：将“需求梳理→架构评审→代码草拟→测试生成”流程全面自动化。

  • 关键指标：需求梳理时间缩短，缺陷回归周期压缩。

• 解决方案

  • 架构设计：基于图式工作流构建的有环编排。

  • 核心角色：

    • 计划智能体: 负责根据 PRD 生成技术方案大纲。

    • 执行智能体: 根据大纲生成脚手架代码。

    • 测试智能体: 自动生成测试用例并执行回归测试。

    • 人工节点: 关键节点的架构评审与代码合并审批。

  • 协同机制：结合 RAG 检索企业内部知识库（Wiki/Jira），确保生成的方案符合公司技术规范。

• 成效

  • 效率：需求梳理时间缩短。

  • 速度：缺陷回归测试周期缩短。

  • 协作：减少时差带来的等待成本，智能体可持续处理流水线任务。

1.5.5 实现智能体工作流的关键要素

状态管理

具体示例如下：

class AgentState:
    goal: str                    # 最终目标
    current_step: int            # 当前步骤
    plan: List[str]              # 执行计划
    memory: List[Message]        # 对话历史
    tool_results: Dict           # 工具调用结果
    errors: List[str]            # 错误记录

控制流

• 循环机制：直到达成目标或超时

• 分支判断：根据中间结果调整路径

• 错误处理：失败时的重试或回退策略

• 终止条件：明确的完成标准

人机交互点

• 审批节点：关键操作前询问用户

• 信息补充：缺少必要信息时请求输入

• 进度反馈：实时展示执行状态

1.5.6 最佳实践

建议 ✅

• 设置明确的终止条件：避免无限循环

• 实现渐进式披露：先执行低风险操作

• 提供取消机制：用户可随时中断

• 记录完整轨迹：便于调试和审计

禁止 ❌

• 不要过度自主：重大决策应询问用户

• 不要忽略错误：每个失败都应该被处理

• 不要无限重试：设置最大尝试次数

• 不要隐藏过程：透明度建立信任

---

下一节: 本章小结