2024 年 12 月 19 日,Anthropic 发布工程博客《Building effective agents》,开头先点出一个词的混乱:有人用 agent 指能自主行动的系统,有人用它指遵循预定义流程的实现。文章把全部变体统称为 agentic systems,然后划出一条架构分界线。三个多月后的 2025 年 4 月,OpenAI 发布 34 页的公开指南《A practical guide to building agents》,从产品团队的视角处理同一个问题。两份文书、两篇论文摆在一起,会发现它们反复回答的其实是同一个问题:一个自动化系统里,下一步由谁决定,写在代码里,还是握在模型手里。本文用这个问题把四份材料串起来。
## 一个词,两种架构
Anthropic 那条分界线是逐字可引的:Workflows are systems where LLMs and tools are orchestrated through predefined code paths. Agents, on the other hand, are systems where LLMs dynamically direct their own processes and tool usage, maintaining control over how they accomplish tasks. 译过来:工作流是 LLM 与工具经由预定义代码路径被编排的系统;agent 则是 LLM 动态指挥自身过程与工具使用、并掌握任务完成方式的系统。这个二分的判据不是能力强弱,而是控制流归属:流程走哪一步、什么时候停,是代码说了算,还是模型说了算。二分也不是价值排序,文章把两者并称 agentic systems 的两种类型。一个日期基准要交代:页面元数据显示发布于 2024 年 12 月 19 日,另有 2026 年 10 月 9 日的修改记录,现行文本里的示例含此后发布的模型名;本文引用其定义与模式描述,不推断发布当时的文字原貌。
## 五种把判断装进格子的写法
Anthropic 博客的主体是五种工作流模式,每一种都注明适用场景。其一,提示链:把任务分解为一串固定步骤,每次 LLM 调用处理上一步的输出,中间步骤可以插入程序化检查,原文叫 gate,用来确认流程没有跑偏。模型判断被限制在每一格之内,格子之间的顺序由代码写死。其二,路由:先对输入分类,再分派给专门的后续处理,好处是分离关注点;没有这一层,为一类输入做的优化会伤害其他类型的表现;分类由谁做无所谓,LLM 或传统分类器都行,分派按代码走。其三,并行化:两个变体,分段是把任务拆成可并行的独立子任务,投票是同一任务跑多次取多样输出,结果都由程序聚合。其四,编排者加工作者:中央 LLM 动态拆解任务、委派给工作者 LLM、再综合结果;它与并行化的区别恰在子任务不是预先确定的,模型已经拿到一部分拆解权,但骨架仍写在代码里。其五,评估者加优化者:一个 LLM 生成回答,另一个 LLM 评估并反馈,循环推进。五种模式合起来看,每一个都在回答同一个问题:哪一步允许模型判断,哪一步必须代码说了算(本文概括)。
## 什么时候交给模型
那什么时候该用 agent?Anthropic 的表述是:agent 适合开放式问题,所需步骤数难以或无法预测,路径没法硬编码;模型可能运行很多轮,你必须对它的决策有某种程度的信任。代价写得同样直白:自主性带来更高成本,以及错误复合的可能;建议在沙盒环境里充分测试,配上合适的护栏。而同一段里给出的总原则是:寻找尽可能简单的方案,只在必要时增加复杂度,原文接了一句,这可能意味着根本不要构建 agentic system。文章补了一组取舍句:工作流为定义良好的任务提供可预测性与一致性,agent 在需要规模化灵活性与模型驱动决策时更好;而对许多应用,优化单次 LLM 调用、配上检索与上下文示例,通常就够了。
## 两家厂商,一条建议
OpenAI 指南从定义开始就选了另一个入口:agent 是代你独立完成任务的系统;工作流是为达成用户目标必须执行的一串步骤。它的分界句是:集成了 LLM 但不让 LLM 控制工作流执行的应用,比如简单聊天机器人、单轮 LLM、情感分类器,不算 agent。换句话说,Anthropic 问控制流在代码还是在模型,OpenAI 问 LLM 是否管理着那个执行循环,两个问法指向同一处。什么时候值得建 agent?指南建议优先考虑那些此前抗拒自动化的工作流,尤其传统方法处处碰壁的场景,并列出三类特征:复杂决策,涉及细微判断、例外与依赖上下文的选择,例如客服里的退款审批;规则难以维护,规则库庞大到更新既贵又易错,例如供应商安全审查;重度依赖非结构化数据,需要解释自然语言、从文档提取含义或对话式交互,例如房屋保险理赔。三条标准对不上,指南的表述是:确定性的方案可能就够了。这与 simplest solution 原则是同一条优先级。结构建议同样保守:agent 由模型、工具、指令三件组成;编排分单 agent 系统与多 agent 系统,单 agent 是一个模型带着工具与指令在循环里运行,直到退出条件,常见的退出条件包括工具调用、特定结构化输出、错误或达到最大轮数;一般建议是先最大化单个 agent 的能力,更多 agent 会带来复杂度与开销;确需多个时,经理模式让中央 agent 以工具调用的方式指挥专门 agent,去中心模式让 agent 之间移交执行权,移交本身也是一种工具;结论章收在同一处,从单 agent 起步,仅在需要时演进到多 agent。护栏独立成章:分层设防,把基于 LLM 的分类器、正则规则和内容审核接口叠在一起,按风险分级触发暂停检查或转交人类,人的介入被列为关键保障。
## 会话承载控制流
在代码路径与模型自主之间,还有第三种形态。AutoGen 论文 2023 年 8 月 16 日挂上 arXiv,页面评论栏自述全文 43 页。它提出的多 agent 会话框架里,agent 可定制、可会话,会话模式组合 LLM、人类输入与工具,而且既能用自然语言也能用代码来编程。控制流在这里由 agent 之间的会话协议承载:路径不完全写在代码里,也不完全交给单个模型,而是浮现于对话的往返。本文只用它作形态对照,多 agent 协作的展开另属专篇,本系列此前讨论 agent 间通信协议的那篇已有覆盖。
## 让 agent 设计 agent
递归的形态出现在 ADAS 论文里。这篇《Automated Design of Agentic Systems》2024 年 8 月 15 日挂上 arXiv,2025 年 3 月 2 日更新到第二版,页面无期刊引用栏,本文对其发表状态不作断言。论证链条是:基础模型已经被当作 agentic system 内的模块使用,例子包括思维链、自反思和 Toolformer;而机器学习的历史告诉我们,手工设计的方案终将被学习得到的方案取代;于是 ADAS 这个新领域要自动创建强大的 agentic system 设计,包括发明新的构件以及新的组合方式。文中给出的算法叫 Meta Agent Search:一个元 agent 以代码形式迭代编程新的 agent,维护一份不断增长的既往发现档案,并基于档案发明下一个;由于编程语言是图灵完备的,这条路径理论上能学习任何可能的 agentic system,包括新的提示、工具使用、工作流及其组合。实验部分称,在编码、科学与数学任务上,算法逐步发明出大幅超过最先进手工设计 agent 的新设计,且跨域、跨模型迁移后仍保持优势。论文自己补了一个前提:要安全地发展它。到这里,自动化与自主选择的结合长出了递归形态,用自主的方法去设计自动化。
## 三个判断
把四份材料收拢,以下是本文的三个判断,均非原文表述。
判断一:workflow 与 agent 的分界是控制流归属,不是能力强弱(本文综合)。workflow 不是更弱的 agent,agent 也不是更高级的 workflow;两者回答的都是下一步由谁决定。让流程适合任务、而不是尽可能增加自主行动,这个设计重点与两家厂商各自写下的 simplest solution 和确定性方案可能就够了,指向同一处。
判断二:五种模式的共同本质,是把模型判断装进代码写好的格子(本文判断)。可靠性来自格子,灵活性来自格子里的模型;所谓 agentic 程度是连续谱而不是开关,gate 的密度、委派权的大小、循环的退出条件、护栏的层数,都是这条谱上的位置。
判断三:当设计权也交给 agent,人的工作从写流程转向写评估与边界(本文判断)。档案在增长,元 agent 在编程,但什么算好、跑到哪算完、哪里不能碰,仍然要人来定义;这与本系列此前几篇的落点一致,机制解决不了的那一层,最后都落在人写下的评估与约束上。
## 不同读者可以带走什么
如果你在写代码:先问这个任务的步骤数能不能事先写死;能,就在五种模式里挑对应的格子,步骤之间加程序化检查;不能,再考虑 agent,并把沙盒测试与护栏排进同一张工单。单 agent 先行,把它的能力用足,再谈多 agent。如果你在做产品决策:延迟、成本、错误复合,三项代价分开记;增加自主性是在用这三项代价换任务表现,值不值要逐案核对,三类特征对不上的场景,确定性方案可能就够了。如果你只是观察这个领域:自主性是设计选择,不是进步指标;听到更 agentic 的说法,先问控制流归属,再问能力强弱。你手头的系统里,下一步是写在代码里,还是握在模型手里?评论区聊聊。
最后一句边界:本文系对四份一手公开资料的整理,均为写作前实抓存档。Anthropic 博客与 OpenAI 指南均系厂商自家文书,含自家模型与产品示例,相关表述按「文中所称」转述;前者页面在发布后有修改记录,本文以元数据发布日期为基准并照实现行文本;后者引文出自本机对 PDF 文本层的提取,文件元数据显示生成于 2025 年 4 月 7 日。两篇 arXiv 论文的摘要页无利益冲突披露栏,本文对此不作断言。多 agent 协作、agent 间协议与工具调用诸轴,本系列另有专篇,本文不重复展开。
来源:Anthropic《Building effective agents》 https://www.anthropic.com/research/building-effective-agents