Agentic AI与WorkFlow的相互成就是一种共生关系，而不是简单的技术方向选择的关系。一直以来，我的观点是任务规划很重要，这方面能力的突破才是一个明确的跃迁式的里程碑，而工作流则是此刻弥补任务规划能力不足的替代技术实现。但转念一想，也是狭隘了，可能也是过于专注于当时的技术方向选择了。
从技术能力是否突破的角度来看，这个答案没错。但是，从场景落地的终局效果来看，答案就不同了。以这个视角来看，场景落地的终局是什么，我认为还是各种工作流，是确定为最优路径的工作流，而不是大概率正确的思维链。毕竟模型推理不能保证每次都100%正确，但是由人来绘制编排而成的工作流可以。
我们在这里尝试问自己一个问题：
假如，我们通过Agentic AI的模式对业务执行的过程规划出了一条完美的执行路径。这时候，我们希望怎么做？
当然是固定下来这个执行链路，希望下次遇到同类型场景时，依然能被命中。
那么，符合这些期望的这份执行链路是什么？
当然是一个可被重复执行的WorkFlow。
其实，这个推论，不难得出。那么，为什么还是要坚持交给模型来进行思维链的规划，更多的时候还是通过Agentic AI的模式来进行任务规划，而不是预设工作流。我想大概是因为资源和成本的不足。这里的资源，是特指的业务专家，真正精通一类业务场景的业务专家已经很难得，熟悉很多相关业务场景的专家更是稀缺，要找到一个熟悉全业务场景的业务专家，这是个美好的愿望。哦，对了，还得为业务专家找一个旗鼓相当的技术专家，能完成业务想法到技术实现可行的转换。在一个行业里，这样的专家，基本都是泰斗，我请不起他来做这么细致的业务梳理。而且，一个有生命力的业务领域，场景只会源源不断的长出来。这样长期持续的业务梳理，更是一场昂贵的成本投入。
所以，我们需要通过Agentic AI来贯彻始终，对尚未找到最佳实践或是最优路径的“段”进行规划，业务专家或是业务人员更多的协同是帮助收敛范围，剔除掉明确已知的“坏”实践和“坏”路径。当阶段性的找到最佳和最优时，把它们固化下来，变成工作流，直到觉得这个最佳和最优已经不再那么好，需要寻找新的最佳和最优。
协调者：事件驱动引擎
主要负责实现智能体运行过程中的事件处理，无缝衔接思维链模式和工作流模式。
观察者：行动优化引擎
主要负责实时观测智能体运行的状况，针对Planning任务规划的效果进行必要的优化和干预，配合事件驱动引擎保障智能体运行的效果。
评估者：效果测评服务
主要负责根据关键指标和运行数据对智能体的运行效果进行评价，逐层分析偏离原因和给出相应的优化建议等。
管理者：智能体管理工具
主要负责对智能体的设计和发布，以及对智能体的相关参数进行日常维护等。
另外，关于Planning任务规划，我的观点是：ReAct和ReWoo两种方式是组合使用的。在规划行动计划时，我会用ReWoo的思路，因为我不能接受行动执行了一半才发现路径偏离了，我更希望先收到行动计划，确认计划是可行的，再开始按计划执行。而在选择工具执行时，我会用ReAct的思路，因为我的意图清晰，需要选择最合适的一个工具来执行当前的行动。我想这样能一定程度地降低任务规划时的推理复杂度。
在思维链模式下，我认为的推理可以分为规划和决策两种。
规划
把问题输入给大模型，推理出执行的链路，可以是链式的，也可以是并行的。但不应有选择，因为我需要的是行动计划。假如有选择，就说明这里存在另一个子行动的链路。应该进行链路的拆分。
决策
把问题输入给大模型，进行分支判断，从N个可选择项里挑出一个结果来。典型的例子，就是从工具集里选择合适的工具来执行。
其实，传统的工作流里就有大量的选择器。因为，传统的工作流是业务专家的经验提炼和技术团队的功能抽象，往往一张流程图能覆盖多个业务场景。为什么要这样做，我想也是和此前的技术手段有一定关系。那时候，我们需要人工来画一张张的流程图，然后发布到工作流执行的系统里。而且还会配套大量的流程测试，保障它是可用的、闭环的、符合业务场景的。所以，尽可能的希望抽象和内聚，可以减少一些技术投入的工作量和缩短业务落地的工期。
为什么，我认为现在的流程，可以不需要选择器，其实不是不需要，而是减少选择器，以及把选择器收敛，固定到少量的“层”。因为基于我上述的观点，我们可以通过Agentic AI的模式在评估者的配合下，自动地输出可用的工作流。而且，我们真的可以期待。
当我们很确信时，用WorkFlow。当我们觉得或许还有更好的行动计划时，交给Agentic AI。让评估者通过量化的评价指标，来指引我们进行进一步的选择。反复迭代，走向终局。
