--- title: "Agentic Workflows — 智能体工作流" source: "https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81" wiki: "systems-analysis.info/int" article: "Agentic_Workflows_—_智能体工作流" language: "zh" categories: - "Category:AI Agents" - "Category:Chinese" - "Category:Large language models" - "Category:Machine learning" revision_id: 228 wiki_created_at: 2026-09-06T22:30:43Z wiki_modified_at: 2026-09-06T22:30:43Z downloaded_at: 2026-09-07T22:38:52Z --- # Agentic Workflows — 智能体工作流 **智能體工作流**（**Agentic Workflows**）是一種動態的多步驟流程，其中基於大型語言模型（LLM）的自主 AI 智能體能夠以最少的人工干預，獨立地做出決策、執行動作和協調任務^{[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-ibm_what_is-1)}。在這類系統中，LLM 不僅用於生成對單一請求的回應，還用於規劃一系列動作、與外部工具互動以及迭代式地改進結果。與基於硬編碼規則的傳統自動化不同，智能體方法具有靈活性——它們能夠適應新資料和意外情況。智能體工作流與簡單的 LLM 呼叫（例如，用於文本摘要）不同，其區別在於智能體被賦予了選擇行動的自主權，這包括規劃、使用工具和自我修正^{[\[2\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-weaviate_blog-2)}。 ## 智能體工作流的組件與架構智能體工作流整合了幾個關鍵組件以實現目標。 ### AI 智能體與 LLM 流程的核心是**AI 智能體**——一個代表使用者或系統行事的自主程式。智能體的關鍵組件是大型語言模型，它負責理解自然語言指令並生成必要的推理。智能體的表現品質在很大程度上取決於提示詞工程（Prompt Engineering）——各種提示方案（例如思維鏈 Chain-of-Thought）有助於將 LLM 調整到所需的工作模式^{[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-ibm_what_is-1)}。 ### 工具（存取外部動作）由於 LLM 的知識受限於其訓練資料，因此會為智能體提供外部**工具**以擴展其能力。這些工具可以包括存取知識庫、搜尋引擎、API、程式碼直譯器及其他應用程式。借助這些工具，智能體可以獲取最新資訊或在模型之外執行實際動作^{[\[2\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-weaviate_blog-2)}。 ### 記憶與上下文智能體工作流的一個顯著特點是擁有記憶機制，使智能體能夠考慮以往的經驗和上下文。 - **短期記憶**在目前對話中保留近期資訊（例如，對話歷史）。 - **長期記憶**保存多次執行中累積的知識和結果，通常使用外部儲存（如向量資料庫）^{[\[3\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-ibm_autogpt-3)}。 ### 回饋與修正回饋機制在提高可靠性方面扮演著重要角色。智能體可以從任務執行環境、輔助的「評估者（Critic）」模型或人類（*人類在環 Human-in-the-loop* 模式）那裡獲得*回饋（feedback）*。例如，**Reflexion** 系統實現了內部自我回饋：智能體分析自身錯誤，並將「反思」保存在記憶中，以改進後續嘗試^{[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-reflexion_paper-4)}。 ### 多智能體配置在複雜場景中，會採用多智能體架構，其中多個專門的智能體相互協作。例如，一個「規劃者（Planner）」智能體負責設定子任務，而多個「執行者（Worker）」智能體則解決各自的專門任務（如資料搜尋、計算等）^{[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-ibm_what_is-1)}。 ## 智能體工作的典型模式與演算法儘管基於 LLM 的智能體系統尚未形成通用的標準化架構，但在 2023-2024 年間，一些重複出現的設計模式開始顯現^{[\[5\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-vellum_guide-5)}。 - **提示鏈（Prompt Chaining）**。任務透過一系列 LLM 呼叫被分解為連續的步驟。每一步都接收上一步的輸出作為輸入，並完成整個任務的一部分。這種方法提高了可解釋性，但靈活性較差。 - **路由與工具選擇（Router Pattern）**。智能體首先對輸入任務的類型進行分類，然後選擇專門的流程或工具來解決它，充當調度員的角色。 - **平行解決方案搜尋**。系統不是沿著單一的線性思路進行，而是同時探索多種解決方案。一個例子是「思維樹（Tree-of-Thoughts）」方法，其中智能體像樹一樣分叉推理鏈，在每一步生成多個候選「想法」，並選擇最有前途的進行探索^{[\[6\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-tot_paper-6)}。 - **反思與自我修正**。智能體批判性地評估自己的決策並從錯誤中學習。在 Reflexion 方法中，智能體在每次嘗試後分析結果，並保存結論，用於後續的循環中^{[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-reflexion_paper-4)}。 ## 知名方法範例 - **ReAct**（*Reasoning and Acting*，推理與行動）— 一種基礎性方法（2022），它將推理與行動相結合。LLM 交替生成邏輯結論（*thoughts*）和具體的行動步驟（*actions*），這些步驟透過工具來執行^{[\[7\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-react_paper-7)}。 - **Reflexion**（2023）— 一種自我反思框架，允許智能體透過文本回饋從自身錯誤中學習，而無需更新模型權重^{[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-reflexion_paper-4)}。 - **思維樹（Tree of Thoughts, ToT）**（2023）— 一個推廣了「思維鏈」思想的框架，將解決方案的搜尋過程組織成樹狀結構，使模型能夠思考多種可能的發展路徑^{[\[6\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-tot_paper-6)}。 - **Auto-GPT**（2023）— 首批廣為人知的開源專案之一，展示了完全自主的智能體工作流。該系統生成一組專門的 GPT-4 智能體，它們協同規劃並執行步驟，以實現使用者設定的高層目標^{[\[3\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-ibm_autogpt-3)}。 ## 應用與影響智能體方法在許多需要智能自動化和靈活性的領域中得到應用。 - **業務流程**：智能體系統擴展了技術支援聊天機器人的能力，使其能夠獨立診斷問題並找到解決方案。它們還被用於金融、人力資源管理和市場行銷等領域^{[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-ibm_what_is-1)}。 - **生成式模擬**：自主的 LLM 智能體可以模擬社群或角色的複雜行為。在論文《Generative Agents》（Park et al., 2023）中，數十個被賦予不同個性的 GPT 智能體在一個模擬小鎮中逼真地模仿了社交生活。根據 Gartner 分析師的評估，智能體 AI（*Agentic AI*）已被列為 2025 年的戰略技術趨勢之一^{[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-ibm_what_is-1)}。 ## 問題與發展前景儘管取得了成功，基於 LLM 的智能體系統仍然是一項新興且複雜的技術。 - **資源成本**：每增加一個規劃、搜尋或自我分析的步驟，都是一次獨立的 LLM 呼叫，這會增加執行時間和成本。 - **行為的不可預測性**：智能體的自由度越大，就越難保證它會選擇哪條路徑。這需要引入限制和防護機制（*guardrails*）。 - **品質評估與除錯**：分析多步驟系統的大量日誌以查找錯誤是一項非常複雜的任務。 - **安全性與倫理**：隨著 AI 自主性的增強，確保智能體的行為符合使用者和社會的利益變得至關重要。未來的研究方向包括創建通用的工具使用方法、開發統一的端到端工作流，以及優化智能體系統的效率^{[\[8\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_note-survey_li_2024-8)}。 ## 外部链接 - IBM 的智能體工作流概述 - Anthropic 關於構建高效 AI 智能體的指南 ## 参考文献 - Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. arXiv:2308.03688. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. arXiv:2303.11366. - Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442. - Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. arXiv:2305.16291. - Bakhtin, A. et al. (2022). *Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning*. *Science*. DOI:10.1126/science.ade9097. - Wang, L. et al. (2025). *A Survey on Large Language Model based Autonomous Agents*. arXiv:2308.11432. - Li, X. (2024). *A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components*. arXiv:2406.05804. - Jung, J. et al. (2024). *Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement*. arXiv:2407.18370. - Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. arXiv:2502.12110. - He, G. et al. (2025). *Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant*. arXiv:2502.01390. - Huang, X. et al. (2024). *Understanding the Planning of LLM Agents: A Survey*. arXiv:2402.02716. - Kuang, Z. et al. (2023). *PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents*. arXiv:2305.14564. ## 注释 1. ↑ ^{[1.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-ibm_what_is_1-0)} ^{[1.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-ibm_what_is_1-1)} ^{[1.2](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-ibm_what_is_1-2)} ^{[1.3](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-ibm_what_is_1-3)} ^{[1.4](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-ibm_what_is_1-4)} “What are Agentic Workflows?”. *IBM*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-weaviate_blog_2-0)} ^{[2.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-weaviate_blog_2-1)} “What Are Agentic Workflows? Patterns, Use Cases, Examples, and More”. *Weaviate*. [2] 3. ↑ ^{[3.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-ibm_autogpt_3-0)} ^{[3.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-ibm_autogpt_3-1)} “What is AutoGPT?”. *IBM*. [3] 4. ↑ ^{[4.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-reflexion_paper_4-0)} ^{[4.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-reflexion_paper_4-1)} ^{[4.2](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-reflexion_paper_4-2)} Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». *arXiv:2303.11366*, 2023. [4] 5. [↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-vellum_guide_5-0) “Agentic Workflows in 2025: The ultimate guide”. *Vellum.ai*. [5] 6. ↑ ^{[6.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-tot_paper_6-0)} ^{[6.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-tot_paper_6-1)} Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv:2305.10601*, 2023. [6] 7. [↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-react_paper_7-0) Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*, 2022. [7] 8. [↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81#cite_ref-survey_li_2024_8-0) Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». *arXiv:2406.05804*, 2024. [8]