推荐语

从Workflow到AI Agent的渐进式升级，为团队提供了一条可控且高效的智能化路径。

核心内容：
1. Workflow作为稳定地基的四大优势
2. Agent化升级的四个演进阶段
3. Function Call与MCP两种集成方式的优劣对比

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

AI Agent 很热，但许多团队在真正落地时，发现它并不是灵药。一套纯 Agent 架构往往缺乏边界感、不可控，也难以与已有系统整合。于是，我们开始思考，如何以更务实的方式搭建一个结构清晰、执行稳定的智能系统。

我们发现：以 workflow 为起点进行 Agent 化演进，是很多团队更实际、也更高效的路径。它提供了秩序感，也提供了技术与业务之间的缓冲带。

01 - 为什么从 workflow 出发更可控？

相比直接构建一套复杂的 Agent 系统，workflow 有几个天然优势：

• 流程边界清晰：可控性高，执行路径明确，有固定起止。

• 工程路径稳定：已有成熟工具支持，可快速上线系统。

• 可插入智能节点：每个节点都可以通过 LLM 进行增强（如意图识别、文本生成、信息抽取等）。

• 便于组织托管与权限控制：业务流程天然带有权限、角色控制机制，方便部署到实际场景。

换句话说，Workflow 是一个稳定的地基。在这个基础上逐步 Agent 化，比从零搭建要来得更“长线安全”。

02 - 什么是 Agent 化的升级过程？

一个完整的 Agent 系统，往往具备以下几个核心能力：

• 感知能力：理解用户意图、环境上下文（如通过对话理解、状态持久化、外部知识调用等）

• 规划能力：能根据目标拆解任务、组织工具、设定执行路径

• 执行能力：调用外部系统完成任务，包括 API 调用、流程调度、UI 交互

• 自适应能力：对失败做出恢复、调整策略，或优化路径

从 Workflow 到 Agent，并不是一步跃迁，而是可以阶段演进的。例如：

03 - MCP vs Function Call：两种集成方式的差异

当我们引入 LLM 与工具系统对接时，有两个主流思路：

1. Function Call

• LLM 输出一段结构化调用（函数名 + 参数），由系统执行；

• 示例：GPT function calling, LangChain tool use 等。

优点：

• 快速、轻量、结构化；

• 与传统系统集成成本低。

劣势：

• LLM 缺乏任务记忆与上下文调度能力；

• 难以执行多步任务；

• 一旦调用失败，恢复能力弱。

2. MCP（Memory-Controller-Planner）

这是更“Agent 化”的思路，结构更像一个小型操作系统：

• Memory：存储中间状态、已完成任务、外部环境信息；

• Planner：根据目标和记忆拆解任务，设定执行路径；

• Controller：调度执行，并对失败做出调整；

• Executor：具体调用 API、控制系统动作。

优点：

• 更接近人类认知；

• 具备多轮、动态、自恢复能力；

• 可做复杂规划与反思优化。

缺点：

• 系统复杂度显著增加；

• 调试难度、响应时间提升；

• 部署成本更高，不适合所有场景。

04 - 如何在 Workflow 上逐步实现 Agent 能力？

这部分是我们最推荐的“中道路径”：

用 workflow 保持系统秩序，让 LLM 扮演专家角色，把某些节点变得更智能；再通过 memory、planner 等组件，引入一定的 Agent 特性。

具体可以分为三层演进：

Step 1：节点智能化

• 在固定流程节点插入 LLM，比如智能推荐字段、自动摘要内容、分析用户意图等。

Step 2：局部任务代理

• 让某些任务由 LLM 代理完成，比如自动生成某种类型的表单、自动审核用户信息等。

Step 3：引入 Agent 调度

• 某些任务模块内部由小型 MCP 架构驱动，例如：

• 多轮对话创建复杂内容

• 任务失败后尝试多种策略重试

• 结合用户历史行为调整任务路径

05 - 最后的建议

• 对业务要求稳定性、可控性强的系统，建议以 workflow 为主架构，逐步智能化；

• 对探索性、开放式任务较多的系统，可考虑构建小规模 MCP Agent 并辅以工具调度；

• 绝大多数企业场景不需要“通用智能体”，而是“具备 Agent 特质的系统”。