把大模型当大脑，外围通常只有三件事：把大目标拆成小步并在失败后改计划；用上下文当工作记忆、用外部库当长期记忆；调用搜索、数据库、编译器这些权重里没有的能力。思维链是线性拆解，思维树允许每一步分叉再搜索。只规划不反思，智能体会在第一条错路上走到底。
工作流按写死的路径串模型和工具，可预期、也好测。智能体由模型动态决定流程，灵活，也更贵、更容易把错误滚大。简单任务先把提示词做对；路径清楚就用工作流；只有决策本身必须现场做，才上智能体。框架能让人下午跑起来，也会把提示和响应藏进抽象层。优先直接调模型接口；非用框架不可，先读它底层怎么发请求。
生产里更狠的约束是缓存。上下文前缀不稳，工具列表中途增删，等于每次推理都付全价。工具用掩码开关而不是热插拔；大结果落到文件系统，不塞进窗口；待办写到上下文末尾，把目标按回注意力里；错误留在轨迹里，删掉等于让模型失忆。
落地清单
- 先画清：这是工作流还是智能体。画不清就先别写编排。
- 单智能体加工具能撑住，就不要拆成多智能体。
- 护栏分层：离题、越权工具、隐私、输出校验，不要指望一条规则挡全部。
公式可以写成：模型 + 记忆 + 规划 + 工具。真正难的是循环里如何改主意，而不是再叠一层编排器。
本文侧重智能体生命周期与技能边界。若你要动手验证，优先用 Playground 做小任务压测；权限与托管再单独规划，避免「先装一堆再治理」。 相关：Playground · 创建智能体 · 学习中心
常见问题 FAQ
智能体和工作流的核心区别是什么？
工作流是按写死的路径串联模型和工具，可预期且易于测试。智能体则由模型动态决定流程，更灵活，但也更昂贵，容易放大错误。简单说，工作流像固定路线，智能体像自由导航，决策更依赖模型实时调整。
为什么智能体循环中改主意比叠加编排器更难？
因为改主意需要模型在循环中反思和动态调整决策，这依赖于模型的推理能力。叠加编排器只是增加外部结构，但真正难点在于让模型自主改变计划，而不是依赖固定规则或层次。
在生产环境中如何处理智能体的缓存约束？
由于上下文前缀不稳或工具列表增删会导致每次推理全价，建议工具用掩码开关而非热插拔；大结果存到文件系统而不塞进窗口；待办事项写到上下文末尾，把目标按回注意力里；错误留在轨迹里，避免让模型失忆。
什么任务场景适合用智能体而不是工作流？
根据文章，简单任务先把提示词做对；路径清楚就用工作流；只有当决策本身必须现场做、无法预设固定路径时，才上智能体。这样能平衡灵活性和成本，避免过度复杂化。
智能体设计中的常见陷阱有哪些？
一个主要陷阱是只规划不反思，导致智能体在错误路径上一直走下去。此外，使用框架可能隐藏提示和响应，优先直接调模型接口更好；护栏要分层，比如离题、越权工具、隐私和输出校验，不要指望一条规则挡全部。
智能体相比工作流在成本和灵活性上有什么优劣？
智能体更灵活，能处理动态决策，适合复杂场景，但成本更高，且容易滚大错误。工作流路径固定，可预期、好测，成本较低，但缺乏灵活性。选择时需权衡任务需求和资源限制。