企业AI 化：关于AI agent 与workflow 的实战思考

如果你对以下几个问题感兴趣，那这篇文章非常适合你：

1. workflow 和Agent的区别是什么。

2. 所有场景都能用AI 从做一遍嘛？什么样的场景与AI 结合更合适。

3. 构建agent 应该注意哪些关键点。

我目前想深耕的大方向是做企业AI 化，就是如何将AI 很好的结合到企业业务中，以帮助企业达到降本增效的目的。

将AI 结合到企业业务中这个提法可能是我们做AI 的人更关注的。对于企业来说，关注的是如何能降本增效这一结果，至于是否结合AI 可能企业并不是最关心的。当然，很多企业也看到了AI 的能力，判断AI 会影响和改变未来，所以更也关心：有了AI 之后 怎么让以前降不了的本现在能降了，以前增不了的效，现在能增了。

说到降本增效，大家最容易想到的应该是自动化（当然也还有别的方法）。那这个问题就变成了：AI 可以让什么样的业务流程自动化，以及AI 可以实现的自动化和传统程序可以实现的自动化有什么区别。

为了说明这个问题，这里划分了三个概念：逻辑程序、LLM workflow、AI agent。

（缩写注解：LLM: 大语言模型 workflow: 工作流 agent: 代理，ai agent： 智能体）

逻辑程序就是传统的自动化程序，它可以处理规则明确、逻辑确定、结构化数据流动的确定性任务。它的特点就是完全依赖于逻辑判断、所以也比较稳定、可靠。

LLM workflow：是指人工编排的基于LLM 的工作流。它以人工编排的流程为核心，执行路径、步骤和节点都是确定的。LLM只是作为节点，就像把一个个LLM 串起来。它可以处理流程明确、需要对非结构化数据理解的任务。相比于逻辑程序，它具有一定的智能性、可以理解信息、对信息做出分类、整理、弱决策等。

AI agent：是以LLM 为核心的具备理解任务、规划任务、执行任务的智能体。它与LLM workflow 最大的区别是具有很高的自主性。这里的自主性不是说它自己想干嘛干嘛，而是它接到任务之后自主规划，自主执行，执行迭代多少次也由agent 自主决定。 但自主性带来的问题就是每次执行结果的准确性和一致性无法保证。做一个形象的比喻就是：AI agent 就像一个具有非常丰富经验和广泛知识的实习生，它能力很强，但不一定靠谱。

了解了以上三者的特点，也就知道了什么场景应该采取哪种方式。

AI 不是万能的，要把它放到对的位置。

最后，构建AI agent 产品应该注意哪些关键点呢？

1.最最关键的是写好prompt（要求要准确）。

2. 要给agent构建自反馈机制，这样才能让agent输出收敛逼近想要的结果（过程反馈）。

3. 在构建Agent 产品时不应该一味的只想要提升它的可靠性和准确性，这是LLM 底层技术特性决定的，从产品上提升不如等底层模型进化，我们更应该关注的是从产品设计上方便用户检查确定和修改。

两个观点：

1. agent 更适合ToB的企业场景，而非ToC的场景。

2. 对于企业中有价值的复杂任务场景，哪怕agent不能节约时间也值得做，因为通过agent 可以低成本大规模扩张。