这张卡回答交付中最常见的架构选型问题：要做工作流还是全自主智能体。
核心拆解：智能体工作流的控制流骨架由代码定义，模型只在节点内做局部决策——分类、抽取、生成、选工具。好处是路径可枚举、每一步可单独评测、出问题能定位到节点，验收标准也因此可谈。最常见的误用是把提示词里罗列步骤当成工作流：只要模型有权跳步或改写步骤，控制流就回到了模型手里，节点评测的全部假设随之失效，这在排障时才会被发现。
增量判断：Anthropic 等厂商公开主张能工作流不智能体，这张卡把该原则落到 FDE 现场——客户看到的 demo 往往是全自主形态，交付方要主动把自主性收回节点化设计，并用分节点评测证明达标，才谈得上可维护与可交接。
行动建议：为你正在交付的流程画一张节点图，标出每个节点的模型决策点、评测方法与失败处理。先从最贵的节点开始建评测。
—— FDEChina编辑部 · 实战派
定义
智能体工作流（Agentic Workflow）指控制流骨架由代码预先定义、在固定节点中穿插模型决策与工具调用的系统形态，模型的自主性被限定在节点内部，整体路径可枚举、可回归。
展开
它与全自主 AI 智能体的分界在控制权归属：工作流的「下一步走哪」由代码决定，模型只负责节点内的分类、抽取、生成等局部决策；智能体则把路径选择交给模型。对 FDE 来说，工作流是交付默认起点——每个节点可以单独建评测集、单独做回归测试，故障能定位到具体环节，验收标准也因此可谈。常见误用是把提示词里罗列步骤当成工作流：只要模型有权跳过或改写步骤，控制流实际仍归模型，节点的评测假设全部失效。
与多智能体系统的辨析：多智能体强调任务在多个角色间动态分配与协作，通信协议和失败仲裁成为新的复杂度来源；工作流则把协作顺序写死在编排层。客户现场的经验是先证明每个节点的价值，再考虑是否需要智能体级别的灵活性，多数企业场景停在工作流就够用。