Langchain回应OpenAI：为什么我们不做拖拉拽工作流

OpenAI 在 Dev Day 发布了 AgentKit，一个可视化的工作流构建器。有意思的是，LangChain 创始人 Harrison Chase 的反应并不是焦虑或者跟风，而是写了篇文章解释为什么他们从一开始就没做这个东西。

从 LangChain 诞生的第一天起，用户最常提的需求就是可视化工作流构建器。但他们一直没做，反而让 LangFlow、Flowise、n8n 这些项目基于 LangChain 去实现。

学习langchain可以选购

Chase 首先澄清了一个关键区别：工作流（workflows）和智能体（agents）不是一回事。

开发者社区对智能体的定义已经基本达成共识：LLM 智能体就是在循环中运行工具来实现目标的系统。

工作流追求的是可预测性，代价是牺牲自主性；智能体追求的是自主性，代价是牺牲可预测性。但真正的目标是构建"可靠且优秀"的系统，单纯的可预测性或自主性都无法保证这一点。

工作流通常很复杂，有分支逻辑、并行处理、多条路径。这种复杂性体现在工作流的"图"结构上。而智能体虽然也可能包含复杂逻辑，但这些逻辑都被抽象成了自然语言，放进了提示词里。所以智能体的整体结构很简单，就是提示词加工具。

Chase 指出，OpenAI 的 AgentKit，还有 n8n、Flowise、LangFlow，本质上都是可视化的工作流构建器，不是智能体构建器。

那么可视化工作流构建器有什么问题？

第一，门槛并没有想象中那么低。虽然号称是为大众设计的，但普通非技术用户用起来还是很困难。

第二，复杂任务很快就会变得难以管理。一旦超过某个复杂度阈值（很快就会达到），你就得面对一堆乱七八糟的节点和连线。

Chase 认为，不同复杂度的问题需要不同的解决方案：

对于高复杂度问题，要实现可靠性，系统往往不能是纯智能体，而需要包含工作流的部分。这种情况下，代码是最好的选择（这正是 LangGraph 的设计初衷）。随着代码生成成本趋近于零，越来越多的人将能够构建这类解决方案。

对于低复杂度的用例，简单的智能体（提示词+工具）已经足够可靠。用无代码方式构建智能体应该比构建工作流更简单。随着模型越来越好，这类智能体能解决的问题上限也会越来越高。

Chase 认为无代码工作流构建器正在被两端挤压。一方面，智能体变得越来越强大，能处理更多原本需要工作流的任务；另一方面，代码生成越来越便宜，写代码的门槛在降低。

最后，Chase 明确表示，世界不需要另一个工作流构建器。真正有意思的问题是：

• 如何让非技术人员更容易创建"可靠且优秀"的智能体（注意，是智能体，不是低代码工作流）。

• 如何让代码生成模型更擅长编写 LLM 驱动的工作流和智能体。

Chase 的观点有其道理，但市场会给出最终答案。

高代码还是低代码一直存在互相看不上，但存在必有其存在的道理，双方的选择来自于背后的愿景、目标用户等多方面考量，不能说谁对谁错，只能说谁在当下做了最正确的决定，从某个角度讲，OpenAI不是选什么不选什么决策，而是我全要的饱和式投入。