从工作流开始：让 AI Agent 更可靠

1. 先区分：工作流与 Agent

工作流是预先定义好步骤与分支的程序：输入经过哪些处理、何时调用工具、失败后如何回退，通常都能在代码或图中明确看到。Agent 则让模型在更开放的循环中决定下一步动作，例如选择工具、根据结果再规划、直到满足终止条件。

两者没有高低之分。任务规则稳定、风险明确时，工作流往往更合适；任务路径难以预先枚举、需要在工具之间灵活探索时，才需要逐步引入 Agent 的自主性。

2. 一个可落地的分层方式

1. 确定性层：权限校验、输入格式化、敏感操作拦截、结构化输出验证，都应由普通代码负责。
2. 模型推理层：只把需要理解、归纳、生成或判断的部分交给模型，并提供足够具体的上下文。
3. 工具执行层：为每个工具定义清晰的参数、超时、错误码与副作用边界。
4. 观察与恢复层：记录请求、模型版本、工具调用、耗时和失败原因；对可重试操作设置有限次数重试。

3. 常用模式不是“框架”，而是控制复杂度的方法

• 提示链（Prompt chaining）：将复杂目标拆成可验证的小步骤；每一步输出进入下一步前先做检查。
• 路由（Routing）：先判断任务类型，再交给专门提示词、模型或工具链处理。
• 并行化：相互独立的检索、抽取或候选方案可并发执行，最后统一汇总。
• 评估器—优化器：当输出可被明确评价时，使用评价结果驱动有限轮修订，而不是无限循环。

4. 真正需要 Agent 时，先写好“刹车”

开放式循环的风险来自不确定的成本和副作用。上线前至少要明确：最大循环次数、单次任务预算、允许的工具白名单、人工审批点、终止条件，以及失败后的可恢复状态。

对写入数据、发送消息、创建订单、修改配置等高影响操作，应先生成计划或预览，再等待明确批准。让模型能“建议”，不等于让模型能“直接执行”。

5. 一份最小上线检查清单

• 是否可以先用单次模型调用或固定工作流完成？
• 每次工具调用是否有超时、日志、权限和错误处理？
• 关键输出是否有结构校验或业务规则校验？
• 是否记录了模型版本、输入摘要、输出与请求 ID？
• 是否可以在不丢失状态的情况下暂停、重试或人工介入？

可靠的 Agent 系统不是“让模型做更多决定”，而是把模型放到适合它做决定的位置，并为每一个不确定性保留可观测、可验证和可回退的边界。