大模型智能体能力越来越强，能做分析、能写报告、能处理复杂任务。但很多企业却不敢把核心、关键业务放心交给Agent。
原因很现实：AI灵活善变，但企业业务有制度、有合规、要审计追溯。自由探索的AI推理，和强约束的业务流程，天生存在矛盾。
举一个真实银行经营分析场景：一份年度经营分析报告，完整流程分为三段：
■ 前段：从核心系统提取经营数据，规则固定，必须准确可追溯；
■ 中段：数据分析、异常定位、趋势研判，需要AI深度推理，没有固定标准答案；
■ 末段：按照企业固定模板输出正式报告，格式、归档、审批流程严格标准化。
可以看到：一部分工作必须按规矩走完，一部分工作需要AI灵活动脑。
只用传统固定工作流，AI分析能力被锁死；完全交给自主Agent，流程不受管控，合规审计无从谈起。
这正是企业落地智能体最大的痛点：探索类业务要灵活适配，合规监管要求流程强约束，单一模式无法同时兼顾。
GienWork给出的破局思路，是双模融合架构：一个智能体内部同时运行自主规划引擎+工作流引擎，通过混合编排，实现“宏观有序，微观自由”。
今天我们就来拆解这套面向企业真实业务的技术内核。
两套 “大脑”
各司其职
自主规划智能体和工作流SOP智能体，并不是二选一，而是共生互补。
一句话看懂区别：自主规划负责“不确定该怎么做”的事，工作流负责“必须这么做”的事。
回到银行报告案例：数据提取、报告归档交给工作流保证合规；异常分析、趋势研判交给自主规划发挥推理能力，二者结合，才适配完整业务。
自主规划智能体
Planning-Reflection-Memory三件套
Planning（任务规划）
接收自然语言指令后，不只是输出简单步骤列表，而是构建DAG有向无环图。每一个节点对应一项子任务，定义任务依赖关系，无依赖任务可以并行执行，最大化处理效率。
Reflection（反思与自我纠错）
每完成一项子任务，自动评估输出结果。一旦发现数据不全、逻辑漏洞、结果不满足约束，立刻触发反思机制，修正计划重新尝试。这是思维链的工程落地，形成“想→做→检查→修正→再做”完整闭环。
Memory（长短期记忆体系）
短期记忆维护当前任务的会话上下文，跨步骤传递变量信息；长期记忆沉淀跨任务的业务经验，存入memory.md，后续任务可检索复用。
三者协同逻辑很清晰：Planning决定做什么，Memory参考过往经验，Reflection判断做得对不对。
同时，它支持搭建多智能体“专家团”：依靠DAG组建智能体群组，通过A2A协议动态委派协同。由Leader智能体统一调度，各个领域专家智能体并行/串行作业，最后聚合输出结果，非常适合突发舆情这类没有标准化流程的业务。
工作流智能体
把最佳实践固化，同时拥有大模型理解力
工作流智能体的核心是固化企业最佳业务实践，它不止是传统RPA式的简单自动化。
低代码+高代码混合编排
业务人员通过可视化拖拽搭建流程；复杂逻辑支持代码开发。简单节点拖拽完成，复杂节点编码实现，兼顾业务易用性与技术灵活性。
子流程嵌套复用
单个流程节点可以挂载完整子工作流。以信贷审批为例：主流程里的“贷前风险评估”节点，可以嵌套征信查询、抵押物评估、反欺诈校验独立子流程。子流程可独立编排、独立审计、跨业务反复复用。
全链路日志审计
支持条件流转、失败重试、人工介入节点。每一步的输入输出、执行时间、操作主体、运行结果全部留存日志，业务任意环节均可溯源。
工作流智能体和传统RPA最大差异是：工作流节点可以调用大模型，实现理解式执行。 比如审核报销单据，不再局限OCR做简单规则比对，而是读懂单据业务内容，识别业务合理性，主动捕捉异常风险。
融合编排
工作流总控，关键节点嵌入自主智能体
这就是是双模融合架构的核心。
现实中的长业务流程，往往标准化环节和探索分析环节交织在一起。混合编排存在两种模式：
■ 自主规划智能体作为总控，把确定性子任务分派给工作流执行；
■ 以标准工作流SOP作为主流程，在需要深度推理的关键节点，嵌入自主规划智能体。
执行链路示意：
再看银行年度报告案例：工作流完成数据提取清洗后；到达分析研判节点，交由自主智能体做深度分析；智能体输出结构化结论返回之后，工作流继续执行模板生成报告、归档审批等标准化动作。
自主智能体输出的不是自由文本，而是符合Schema的结构化数据，保障主流程能够稳定接续运行。
这套模式一举三得：
■ 效率：标准化环节自动化跑通，减少人力重复劳动；
■ 规范：整体业务流程始终由工作流管控，守住合规底线；
■ 灵活：关键节点释放AI推理能力，处理非标准化分析。
双轨执行
正向与反向调用，敏捷调用，严谨执行
融合编排解决了两种模式如何拼接的问题，而运行时，两套引擎分属不同环境，需要安全协同。
GienWork采用编排分离设计：稳态工作流、敏态智能体分属两套运行环境，依靠AI网关完成互联互通。
正向调用（工作流 → 云端智能体）
工作流运行到需要智能处理的卡点时，例如解读复杂非结构化监管文件，通过AI网关异步向云端提交任务；云端完成深度分析后回传结构化结果，驱动原有流程继续运转，整体管控逻辑不变。
反向调用（云端智能体 → 工作流）
这是防止敏态AI越权的关键约束。当云端侧自主智能体需要操作高权限业务动作时，比如发起用印审批，它不能直接操作系统。必须经由A2A协议，向工作流平台请求标准化原子服务。实际业务操作，全部在工作流平台本地完成，走完完整合规审计子流程，再把结果回传给云端。
简单总结：云端侧负责“动脑思考”，工作流负责“动手做事”；所有实际业务操作，始终处于受控审计之下。即敏捷调用，严谨执行。
云-端协同
数据不动、计算分离，满足数据不出域
整套架构覆盖从云到端的完整链路，核心设计原则是本地与云端能力对等，按需协同，数据尽量不出本地。
端侧的本地助理，基于Electron+React轻量级Agent宿主，兼容Windows、macOS、麒麟Linux系统。支持本地Skills/MCP执行，比如本地文件读写、Office文档处理，也可对接轻量级LLM。像整理桌面文件、本地录音转写保存这类任务，直接在本机完成，敏感数据不会外传。
只有当本地算力、知识库不足以完成任务，云端才会介入辅助。以“基于本地销售数据和企业多年知识库，预测季度业绩”这个案例为例。
端侧作为计划宿主统筹全流程，完整链路为：能力注册→鉴权上送任务→意图识别 &DAG规划→端/云分步执行→结果汇总呈现。
原始数据保留在本地，只有计算任务按需上送云端。对于金融等强监管行业，这是架构层面的数据安全方案，而非事后打补丁。
而AI网关，是全部执行单元的唯一出入口：完成 REST与A2A协议转换、路由分发、鉴权认证、限流熔断、全链路追踪；同时作为统一模型代理，对接各大主流大模型。业务层无需感知模型版本变更，主模型故障可秒级切换备用模型，所有调用经过网关，实现全平台管控与可观测。
三大底层底座
支撑双模架构稳定运行
统一技能调用（Skills/MCP）
不管是工作流节点，还是自主规划智能体，全部通过MCP协议调用技能，实现一套能力，双模复用。例如“客户360°画像”可以同时被信贷审批SOP流程和自主营销智能体调用。技能以MCP Server注册元信息，由Skill.md统一索引管理。
全链路上下文管理
统一维护三类信息：会话历史、智能体记忆memory.md（支持持久化、选择性遗忘）、跨步骤变量；自动注入组织架构等企业专属上下文。即便业务在工作流、自主智能体之间来回切换，Agent不会“失忆”，保持上下文与业务认知的一致性。
可视化交互调试（A2UI）
可以直观看到自主智能体完整思考链路，支持工作流单步调试，查看每个节点输入输出。做到“白盒化”排错，帮助研发快速定位问题。
架构本质
不是两套系统拼接，而是受控范围内的自由
双模融合架构，本质是搭建一层统一执行抽象层，屏蔽底层框架差异，对外输出一致MCP接口。
自主规划和工作流，不是两套独立系统的拼接。二者共享技能调用、上下文管理、运行时管控整套底座，唯一的区别是谁来决定执行路径：工作流走预设路径；自主规划动态生成路径。
开源Agent框架推理能力已经足够强大，但企业落地最大瓶颈，往往不是“能不能实现功能”，而是合规约束：流程可追溯、操作可审计、敏感数据不出域。
通用Agent追求充分自由，但在强监管的金融等重点领域，自由本身就是风险。
双模融合架构的真正价值：不是让Agent无限自由，而是让Agent在受控的边界之内，拥有自由发挥的空间。
下期预告
在下期内容中我们将拆解：组织级上下文注入：Agen也拥有“企业记忆”。
为什么通用大模型Agent换一家企业就“不会干活”？组织级上下文如何让智能体一上岗就自带整个企业的知识储备。
往期推荐
技术深潜｜采纳率≠生产率：AI研发效能，到底该度量什么？
产品升级｜源启数据调度管理平台重塑“稳、准、全、快”的数据底座
大咖论道｜从业务调优到分层缓存：DeepSeek V4 Flash的PPU实践
行业智观｜从“固定支柱”到“灵活平衡”：技术选型有了业务坐标系
中电金信参编的团体标准《商业银行应用程序接口治理能力要求》正式发布
