AI workflow在企业中是否比Agent应用价值和场景更多

Agentic Workflows通过使AI Agents能够规划、适应并随时间迭代，超越了传统的自动化。与遵循固定规则的确定性工作流不同，Agentic Workflows能够动态应对复杂性，通过反馈优化其方法，并扩展以处理更高级的任务。这种适应性使它们在需要灵活性、学习和决策的场景中尤为有价值。1.灵活性、适应性和可定制性。静态的确定性工作流难以适应不断变化的情况和意外困难。而Agentic Workflows则提供了根据任务难度进行调整和演变的灵活性，确保它们始终保持相关性并提供最佳解决方案。它们还可以通过组合不同的模式进行定制，实现模块化设计，从而在需求和复杂性增长时进行迭代升级。2.在复杂任务上的性能提升。通过将复杂任务分解为更小、可管理的步骤（通过任务分解和规划），Agentic Workflow显著优于确定性的零样本方法。3.自我纠正和持续学习。反思模式使Agentic Workflow能够评估自身行为，完善自身策略，并随着时间的推移迭代自身。通过利用短期和长期记忆，它们从过去的经验中学习，在每次迭代中变得更有效和个性化。4.操作效率和可扩展性。Agentic Workflow可以高精度地自动化重复任务（如果构建得当），在特定场景中减少人工操作和运营成本。它们还可以轻松扩展，使其成为处理更大工作量或复杂系统的理想选择。AI Agents仍然是一项新兴技术，随着研究人员和用户发现将AI Agents融入Workflow的新方法，这些优势很可能会继续扩展。

原子设计模式（Atomic design patterns），如规划和工具的使用，可以通过创造性的方式组合，以有效利用Agentic AI在多个领域中完成各种任务。除了组合设计模式外，还可以为AI Agents提供不同的工具组合，甚至赋予它们根据需要动态选择工具的能力。它们还可以与人类反馈循环集成，并赋予不同水平的自主权和决策权。这些多样化的配置使得AI Agents工作流能够针对各行业的广泛任务进行定制。为了展示这一点，我们概述了两个特别强大的用例：Agentic RAG和Agentic Research Assistants.[heading3]Agentic RAG[content]检索增强生成（RAG）是一个通过从外部数据源检索相关数据来增强大模型知识的框架。Agentic RAG则在RAG流程中引入了一个或多个AI Agents。在规划阶段，AI Agents可以通过查询分解将复杂查询拆分为较小的子查询，或者确定是否需要向用户请求更多信息以完成请求。AI Agents还可以用于评估检索到的数据和响应的相关性和准确性，然后再将其传递给用户。如果响应没达到用户预期，AI Agents可以重新制定查询，重新进行查询分解步骤，甚至创建一个新的响应计划。

一般来说，W orkflow是一系列相互连接的步骤，旨在完成特定的任务或目标。最简单的工作流是确定性的，意味着它们遵循预定义的步骤序列，无法适应新的信息或变化的条件。例如，一个自动化的费用审批工作流可能是这样的：“如果费用被标记为‘餐饮’且金额低于30美元，则自动批准。”然而，有些工作流会利用大模型或其他AI技术。这些通常被称为AI Workflows，可以是Agentic或非Agentic的。在非Agentic工作流中，大模型会根据指令生成输出。例如，文本摘要工作流会将一段较长的文本作为输入，给一定的提示词让大模型进行摘要，并简单地返回摘要结果。但是，仅仅因为一个工作流程使用了大模型，并不一定意味着它是Agentic的。Agentic Workflow是由单个AI Agent或几个AI Agents动态执行的一系列连接步骤，以实现特定任务或目标。AI Agents被用户授予权限，使其在有限的自主权下收集数据、执行任务并做出决策，这些决策将在现实世界中执行。Agentic Workflow还利用了Agents的核心组件，包括其推理能力、通过工具与环境交互的能力以及持久的记忆，从而将传统工作流彻底转变为响应式、自适应和自我进化的过程。