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]。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]。
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]。
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]。
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]。
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]。
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]。
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]。
- 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]。
- 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]。
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]。
- 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]。
- 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]。
- 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]。
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]。
- 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]。
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]。
外部链接
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
- ↑ 1.0 1.1 1.2 1.3 1.4 “What are Agentic Workflows?”. IBM. [1]
- ↑ 2.0 2.1 “What Are Agentic Workflows? Patterns, Use Cases, Examples, and More”. Weaviate. [2]
- ↑ 3.0 3.1 “What is AutoGPT?”. IBM. [3]
- ↑ 4.0 4.1 4.2 Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». arXiv:2303.11366, 2023. [4]
- ↑ “Agentic Workflows in 2025: The ultimate guide”. Vellum.ai. [5]
- ↑ 6.0 6.1 Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». arXiv:2305.10601, 2023. [6]
- ↑ Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». arXiv:2210.03629, 2022. [7]
- ↑ Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». arXiv:2406.05804, 2024. [8]