Agent AI a workflow: kiedy model powinien wybierać kroki?
Tłumaczenie automatyczne Ten artykuł został automatycznie przetłumaczony z angielskiego oryginału.
Użyj workflow, gdy możesz z wyprzedzeniem opisać kroki i rozgałęzienia. Użyj agenta, gdy predefiniowane reguły nie pozwalają niezawodnie określić kolejnego użytecznego działania i model musi zinterpretować wyniki, aby je wybrać. Workflow może rozgałęziać się na podstawie wyników narzędzi oraz wywoływać modele do klasyfikowania żądań lub pisania podsumowań. Same te funkcje nie wymagają pętli agenta.
Zacząłbym od stałego workflow i dodawał kroki wybierane przez model tylko tam, gdzie workflow zawodzi na rzeczywistych zadaniach. Jest to zgodne z rozróżnieniem Anthropic między predefiniowanymi workflow a agentami sterowanymi przez modelAnthropic’s distinction between predefined workflows and model-directed agents. Przed wyborem frameworka warto odpowiedzieć na pytanie, co dokładnie model musi rozstrzygać.
Ostatni przegląd: 2026-09-08.
Porównaj dwa zgłoszenia do pomocy technicznej
„Gdzie jest zamówienie 123?” ma znaną ścieżkę: sprawdzić uprawnienia, pobrać zamówienie, odczytać status wysyłki i zwrócić wynik. Model może sformułować odpowiedź, ale nie musi decydować, z którym systemem skontaktować się w następnej kolejności. Brak zamówienia i błędy usług mogą mieć jawnie zdefiniowane rozgałęzienia.
„Dlaczego to zadanie kończy się niepowodzeniem dopiero po ponownym uruchomieniu?” jest mniej przewidywalne. Pierwszy log może wskazywać na brakujący plik, nieaktualne dane uwierzytelniające albo usługę uruchamianą zbyt późno. Agent może przeanalizować ten wynik i wybrać następne sprawdzenie. Aplikacja nadal musi jednak ograniczać listę plików i narzędzi, z których agent może korzystać.
Ten drugi wzorzec stanowi istotę ReAct: naprzemienne wykonywanie działań i obserwacji, które mogą zmienić kolejne działanie. Zapewnia to większą elastyczność, ale także więcej okazji do wybrania nieprzydatnego kroku.
Wybierz najmniejszy potrzebny zakres kontroli modelu
| Czego wymaga zadanie | Punkt wyjścia | Za co nadal odpowiadasz |
|---|---|---|
| Znane kroki i rozgałęzienia obsługi błędów | Zwykły workflow | Walidacja, ponowienia i obsługa błędów |
| Jeden wybór spośród znanych ścieżek | Klasyfikator, a następnie stałe workflow | Testy routingu i ścieżka dla przypadków niepewnych |
| Plan narzędzi, który można przygotować przed wykonaniem | Zaplanowany graf narzędzi, np. ReWOO | Walidacja planu i odzyskiwanie po błędnych założeniach |
| Kolejne działania wymagają osądu modelu | Ograniczona pętla agenta, np. ReAct | Uprawnienia narzędzi, reguły zatrzymania i kontrola ukończenia |
| Duże podzadania z lokalną eksploracją | Plan-and-execute | Współdzielony stan i jawne reguły zmiany planu |
Plan wygenerowany przez model również wymaga walidacji przed wykonaniem. ReWOO rozdziela planowanie, wykonywanie działań za pomocą narzędzi i syntezę odpowiedzi; nie zapewnia reguł uprawnień ani odzyskiwania po błędach właściwych dla aplikacji. Jeśli sekwencja narzędzi jest już znana i zapisana w kodzie, plan wygenerowany przez model może nie wnosić żadnej wartości.
Przetestuj decyzję, zanim dodasz więcej agentów
Porównaj stały workflow i agenta na tych samych zadaniach, z użyciem tych samych narzędzi, danych i całkowitego budżetu. Uwzględnij brakujący wynik, timeout oraz wynik zmieniający prawdopodobne kolejne działanie. Zlicz nieudane i niedokończone próby. Zmierz poprawność ukończenia, zbędne działania, czas wykonania i koszt.
W przypadku każdej ścieżki zmieniającej stan zewnętrzny przed ponowieniem wywołania, które zakończyło się timeoutem, sprawdź, co faktycznie się wydarzyło. Utrata odpowiedzi może ukrywać ukończone działanie; aplikacja potrzebuje stabilnego identyfikatora operacji albo niezawodnego sprawdzania statusu. AWS’s guidance on safe retries wyjaśnia kontrakt dotyczący tożsamości żądania.
Pozostaw agenta tylko wtedy, gdy dodatkowe możliwości wyboru rozwiązują wystarczająco dużo problemów workflow, aby uzasadnić ich koszt. Podział tej samej pracy między kilku agentów to osobny eksperyment.
Dalsza lektura
- AI agent reasoning loops porównuje ReAct, ReWOO i plan-and-execute na przykładzie jednego kompletnego systemu.
- Harness engineering wyjaśnia, kto sprawdza działania i decyduje, czy wynik jest kompletny.
- Long-running agent runtimes omawia odzyskiwanie po błędach, gdy praca trwa dłużej niż działanie workera.
- Agent framework comparison pomaga wybrać implementację, gdy przepływ sterowania jest już jasny.