让AI像人类一样思考
Agentic Workflow 重新定义智能应用

A: 是的，因为需要多轮调用。但对于复杂任务，这种"慢思考"带来的准确率提升远超时间成本。

具体数据：

• 传统模式：0.5秒响应，但成功率只有20%，用户需要多次重试
• Agentic模式：5-10秒响应，但成功率达到90%，一次解决问题

结论： 不适合实时对话场景（如闲聊），非常适合复杂任务（如代码生成、深度分析）。

A: 不。简单任务应继续使用传统 Prompt Engineering，避免过度设计。

判断标准：

✅ 适合用 Agentic Workflow：

• 需要多步推理
• 需要调用外部工具
• 允许出错并修正
• 对准确率要求极高

❌ 不适合用 Agentic Workflow：

• 情感分类、实体抽取等简单任务
• 实时对话、即时翻译
• 预算极度有限（每次调用都要省钱）

A: 这正是它的优势所在！GPT-3.5 级别的模型配合良好工作流，效果可超过裸跑的 GPT-4。

成本对比：

• GPT-4 直接生成（Zero-shot）：1次调用，成本高，成功率20%
• GPT-3.5 + Workflow（3轮迭代）：3次调用，总成本更低，成功率90%

A: 三重保险机制：

1. 设置 max_iterations 限制

max_retries = 3  # 最多3次
retry_count = 0

while retry_count < max_retries:
    # 执行任务
    retry_count += 1

2. 实现 State 管理，避免上下文无限增长

# 只保留最新的错误信息
state['error'] = latest_error  # 而不是累积所有错误

3. 使用监控工具追踪成本

• LangSmith：实时查看每次调用的 Token 消耗
• 设置预算告警

问题： 多轮循环后，Prompt 会变得巨长，极其消耗 Token 费用。

✅ 解决方案： 需要管理 State，在每一轮迭代中只保留必要的信息。例如：只保留最近一次报错，丢弃之前的错误历史。

# 错误的做法：
context = context + new_error  # 越来越长

# 正确的做法：
context = latest_error  # 只保留最新的

问题： Agent 之间通信需要精准，自由文本容易出错。

✅ 解决方案： 强制模型输出 JSON 格式（OpenAI 的 Structured Outputs 或 Pydantic），而不是自由文本。

from pydantic import BaseModel

class CodeOutput(BaseModel):
    code: str
    explanation: str
    needs_review: bool

# 强制 LLM 输出符合这个结构

A: 主流框架主要支持：

语言	支持的框架
Python	LangGraph, AutoGen, LlamaIndex, Semantic Kernel
JavaScript/TypeScript	LangGraph.js, LlamaIndex.ts
C#	Semantic Kernel (微软官方支持)

推荐： 如果你是 AI 开发新手，从 Python + LangGraph 开始是最佳选择。

A: 优先顺序：

第一步：Prompt Engineering（成本最低）
    ↓ 如果效果不够
第二步：Agentic Workflow（中等成本，高灵活性）
    ↓ 如果还不够
第三步：Fine-tuning（高成本，但效果最稳定）

实际案例： 让 AI 写 SQL 查询

• 方法1：直接 Prompt → 成功率 30%
• 方法2：Agentic（先理解Schema → 写SQL → 测试运行 → 修正）→ 成功率 85%
• 方法3：Fine-tune 专门的 SQL 模型 → 成功率 95%，但成本高10倍

结论： 大部分场景下，方法2（Agentic）就足够了。