在当今AI领域，“追星式”的热情氛围浓厚，新发布的技术往往能迅速引发广泛关注与高度评价，人们的情绪也在“危机论”与“爆发论”之间频繁切换。OpenAI发布的《A Practical guide to building AI agents》指南便是如此，它被捧为“圣经”，被认为是构建AI智能体的最佳资源。然而，LangChain创始人Harrison Chase却对其提出了强烈异议，认为该指南具有误导性。
Chase指出，OpenAI在定义Agent时采用了过于僵硬的“二元对立”方法。实际上，多数“Agentic系统”是Workflows和Agents的有机结合。理想的Agent框架应支持从“结构化工作流”向“由大模型驱动”的模式逐步过渡，并能在两者间灵活切换。
这场争论的核心是一个长期存在的问题：在构建与大模型相关的应用时，是让大模型直接掌控一切，还是坚持手动编写代码（即Workflows）？在AI发展过程中，工程师们逐渐意识到，以往投入大量时间进行的精细流程和手动调优，常因大型模型的更新而失效。早期GPT-2模型能力有限，开发者需手写大量代码来保证其可靠运行，但随着模型能力增强，这些代码又不得不被删除。
传统软件系统设计遵循请求 - 响应模式，由工程师精细打磨代码，部署后执行确定性、静态的计算过程。而如今，越来越多系统引入模糊计算，依赖大模型进行动态推理和生成响应。以OpenAI为例，全球众多应用调用其模型服务，每次调用都依赖模型的推理能力在运行时决策，应用程序的行为不再由静态代码全权决定，而是由不断进化的模型能力动态驱动。
同时，大模型的进步速度超乎预期，OpenAI和Gemini的Deep Research项目以及基于Claude的Bolt和Manus AI项目，都展示了大模型在研究规划和推理执行方面的强大能力，且几乎未使用复杂的工作流工程。这似乎表明，让模型自主推理、动态决策的系统更具优势。
对于Agent的定义，目前尚无统一标准。OpenAI认为Agent是“能代表你独立完成任务的系统”，但Chase认为此定义笼统、务虚，他更倾向于Anthropic的定义，即Workflows依靠预先编写的代码路径协调LLM和工具完成任务，而Agents由LLM动态推理，自主决定任务流程与工具使用，拥有更大决策自由度。
通常，Workflows更具确定性和可控性，适合简单任务；Agents则更灵活，适合复杂、需要动态决策的场景。大多数情况下，简单的Workflows即可满足需求，只有在任务复杂且需要更高灵活性时，才需构建Agentic系统。而且，搭建Agent原型不难，但构建稳定可靠、能支撑关键业务的Agent系统却极具挑战。
Chase表示，性能质量是将Agents投入生产的最大障碍。LLM本身存在能力局限性，上下文信息传递常出现错误或不完整的情况，这是导致Agent效果不佳的常见原因。Workflows的优势在于能将正确的上下文传递给LLMs，精确地决定数据流动。
在构建应用时，需要在“可预测性vs自主性”和“低门槛vs高上限”之间找到平衡。像LangGraph这样的底层编排框架，可同时支持Workflows、Agents以及二者的混合形态，能够兼顾低门槛和高上限。而一些Agent框架提供的封装，虽易于上手，但可能限制对LLM输入输出的控制，影响可靠性。
Chase认为，未来所有应用都将由简单的、能够调用工具的Agents主导的观点值得商榷。虽然工具调用Agents的性能在提升，但控制输入给LLM的内容依然重要，简单的Agent循环无法覆盖所有应用需求。对于企业级应用来说，任务往往具有独特性，难以靠单一、通用的Agent处理。OpenAI的Deep Research项目虽证明了针对特定任务训练的模型可以只用简单Agent循环，但这对于大多数初创公司或企业用户来说并不现实。
Chase还指出，OpenAI在讨论Agentic框架时存在诸多问题。例如，将“声明式vs非声明式”与“是否需要编排框架”混为一谈，错误归因Workflows的局限性，低估了Agents SDK本身的学习复杂度，对“灵活性”的陈述有误，以及在“实现更动态和适应性强的Agent编排”方面存在误导。
综上所述，尽管大模型的能力不断增强，Agent也展现出了强大的灵活性和适应性，但Workflows在AI应用开发中依然具有不可替代的作用。对于大多数应用而言，生产环境中的Agentic系统将是Workflows和Agents的结合，开发者应根据具体用例，灵活选择和组合使用Workflows和Agents，以构建出可靠、高效的AI应用系统。
END
