智能体工作流（agentic workflow）
/ a-JEN-tik WURK-floh /
智能体工作流，是一种从AI身上榨出更好结果的办法：把任务拆成若干步骤，让模型分几个回合走完，途中往往还要检查和修改——而不是逼它一口气交出一个完美答案。日常的比喻，是「脱口背出一篇成稿」和「真正写一篇文章」的区别：列提纲、打草稿、重读、修改、再来一遍。再聪明的人，一次成文也写得很糟；给模型同样的余地去规划、行动、修订，往往能把质量提升一大截。
这类工作流有几种可辨认的形态。模型可能先规划、再一步步执行计划；可能先打个草稿、再批评并改进自己的作品；可能把活儿拆成子任务、分派出去；也可能调用工具、看结果、再循环。有些工作流由开发者写死了脚本（步骤固定，模型只负责把每一步填满），更开放的则让模型边走边定步骤——这样更灵活，却也更脆弱。
这里有个实实在在、值得点明的取舍。步骤越多，质量通常越好，但也意味着更慢、更贵（每一步都是又一次模型调用），出错或让错误累积的地方也更多。并不存在唯一「正确」的智能体工作流；造一个好的，多半是工程活——决定在哪里加一道检查、在哪里让人介入、又在哪里其实一次普通调用就足够了。聪明之处，既在模型本身，也同样在模型周围的那套结构里。
一个「写代码」的工作流：(1) 规划——模型列出它需要的函数；(2) 起草——逐个写出来；(3) 测试——运行代码、读报错；(4) 修订——修好失败处，再跑一遍，第3、4步循环到测试通过为止。同一个模型，若被逼着一口气全写出来、没有运行和修正的机会，产出的代码会糟糕得多。
规划→起草→测试→修订：靠模型周围的结构，而不只是靠更大的模型。
步骤越多，并不自动越好。每多一次模型调用，都要花时间和钱，又多一次出错的机会；一个过度工程化的工作流，可能更慢、更贵，准确度却不比一次精心提示的调用更高。该在确有可量化帮助的地方加结构，而不是为了加而加。