

什么是「Agentic 工作流程」？丨社区来稿

RTE开发者社区

2025-03-25

导读：关于 Agentic Workflow 最言简意赅的一篇文章。

摘要分享者：Richard 林旅强（RTE 开发者社区联合主理人）

什么是「Agentic 工作流程」？它是一种让 AI 智能代理（Agent）更主动、更灵活、更像人的方式来处理复杂任务的系统。

刚才读到了一篇言简意赅的文章（链接在文末），我想就基于以下每一张文中的图示，来说说什么是 Agentic Workflow、有哪些组成、流程模式与应用场景吧。

What are Agentic Workflows?

整体结构

图一清楚勾勒了 Agentic 工作流程的整体结构。

使用者输入一个查询后，Agent 会先进行「规划」（Make a plan），接着「使用工具执行任务」（Execute actions with tools），再对结果进行「反思」（Reflect on results）。

如果结果不理想，Agent 会重新规划、再次执行，直到结果满意为止，最后回传给使用者。

这就是 Agentic Workflow 与传统自动化或单次推理 AI 的最大不同：它具备「自我调整」的能力。

Components of AI Agents
基本构成

图二帮助我们理解 AI Agent 的基本构成，包括：

LLM（大型语言模型）：负责推理与决策，内含两大能力：规划（Planning）与反思（Reflection）。
记忆（Memory）：分为短期与长期，帮助 Agent 在多次互动中学习与个人化。
工具（Tools）：例如向量搜寻、网页搜寻等，让 Agent 能与外部世界互动。
Prompt（提示词）：包含任务与角色说明，告诉 Agent「你是谁」与「要做什么」。

这些元件共同组成一个完整且具备行动力的 AI Agent。

Automated Workflow vs. AI Workflow vs. Agentic Workflow
不同工作流程对比

图三，比较了三种不同的工作流程：

自动化工作流程：完全依照预设步骤执行，缺乏弹性。
AI 工作流程（非 Agentic）：虽使用 AI，但只做一次推理，没有反复调整能力。
Agentic 工作流程：整合 LLM、工具与记忆，可进行规划、执行、反思，是最具智慧与弹性的流程。

这也说明为什么现在很多 AI 工具开始朝 Agentic 架构演进。

Planning Pattern
规划模式

规划模式是 Agentic 工作流程中的第一步，也是最关键的一步。

图四说明了从使用者提问开始，Agent 会先「制定计划」，把复杂任务拆解成多个子任务（Task 1、Task 2、Task 3…），再逐步执行。若有任何步骤未完成，Agent 会自动调整计划，直到所有任务完成，才能进入产出回应阶段。

这让 AI 具备了像人类一样的「解题思考」流程。

Tool Use Pattern
工具使用模式

图五展示了工具使用模式。

当 Agent 接收到问题后，会判断该使用哪些工具（如网页搜寻、Gmail、Slack、向量搜寻等），选择后执行，并根据结果生成回应。这种能力让 Agent 不只是「从脑中回忆」答案，而是能即时查找与互动，类似一个能用 Google、call API 的助理。

这让它在资讯不足或需要即时查询的任务中特别有价值。

Reflection Pattern
反思模式

反思模式强调 Agent 在完成任务后，会对结果进行「自我检讨」。

图六可见，Agent 在产生初步回应后，会透过反思机制判断是否满意，若不理想就重新修正，直到产生更好的回应。

这种「自我修正」的机制，是 Agentic Workflow 能不断进化、越做越好的关键能力。

Agentic RAG Workflow
检索增强式生成流程

图七展示了 Agentic RAG（检索增强式生成）的进阶流程。

当使用者提问时，Agent 首先会判断是否曾回答过类似问题（透过记忆），接着视需要拆解成多个子查询，并根据不同条件动态使用搜寻工具查询资料。若查回来的资料不符合，还能改写查询或换方法。

这让 Agentic RAG 比传统 RAG 更智慧、更灵活，适合处理模糊、复杂且动态的资讯查询任务。

想了解更多，可以阅读外网原文：

“What Are Agentic Workflows？Patterns， Use Cases， Examples， and More”

🔗https://weaviate.io/blog/what-are-agentic-workflows

本文作者是 weaviate.io 的 Mary Newhauser （Machine Learning Engineer）， Prajjwal Yadav （Developer Advocate Intern）， Leonie Monigatti （Machine Learning Engineer）， Tuana Çelik （Developer Relations Engineer），感谢他们写了这篇言简意赅的内容。

「社区来稿」栏目文章均由社区成员投稿发布。如果你也有活动招募、技术分享、产品实践等内容希望分享给更多人，欢迎联系我们：加微信 Creators2022，备注身份和来意（公司/项目+职位+投稿）。