AI Agent vs ChatGPT vs Workflow：面试官最怕你答错的控制流问题！

猿类崛起@

168人浏览 · 2026-08-17 15:26:54

猿类崛起@ · 2026-08-17 15:26:54 发布

控制流由谁定，才是这道题的分水岭 · 面向想把 Agent 讲清楚也用对的开发者

面试里问“什么是 AI Agent”，最容易翻车的答法是把它说成“更聪明的 ChatGPT”或者“能调工具的大模型”。这些描述都沾点边，却没戳到要害。真正拉开差距的回答，得说清一件事：**Agent 和普通 LLM 调用、和写死的 workflow，本质区别到底在哪？**一句话先摆出来——区别在于“下一步做什么”这个控制流，是人预先写死的，还是模型在运行时自己决定的。

先给 Agent 一个能站住的定义

一个可用的定义是：**Agent = 以 LLM 作“大脑”，在运行时自主决定下一步动作，并把“观察结果”喂回大脑，如此循环直到任务完成的系统。**拆成三个关键词：

大脑（LLM）

：负责理解目标、推理、做决策；
动作 + 工具（action / tools）

：模型的决策要能作用到外部世界——查数据库、调 API、写文件、执行代码；
闭环（loop）

：动作产生的结果（observation）再回到大脑，模型据此判断“成了没有、下一步干嘛”，而不是走完一条固定流水线就结束。

这个“思考 → 动作 → 观察 → 再思考”的循环，正是 Agent 的心脏。它常被概括为 ReAct（Reasoning + Acting）范式。缺了这个由模型驱动的循环，就不该叫 Agent。

三种形态摆一起，差异就露出来了

把最容易混淆的三种东西并排看，控制流归谁管一目了然：

单次 LLM 调用

：喂一段 prompt，拿一段输出，结束。没有工具、没有循环，控制流就一步。适合翻译、改写、分类这类“一问一答”。
Workflow（编排 / 固定流程）

：由人把步骤画成一张固定的图——先抽取、再检索、然后总结、最后格式化。每一步可以调 LLM，但**“下一步走哪”是代码里写死的分支**，模型只在某个节点里填内容，管不了流程往哪拐。RAG 的“检索→拼上下文→生成”就是典型 workflow。
Agent

：只给目标和一批可用工具，“先查哪个、要不要再查一次、够了没有、什么时候收尾”全由模型在运行时自己决定。路径不是画好的，是跑起来才长出来的。

维度	单次 LLM 调用	Workflow	Agent
控制流由谁定	无流程，一步	人预先写死	模型运行时动态决策
路径	固定（就一步）	固定、可预测	动态、每次可能不同
是否有循环	无	无（或人写死的循环）	有，模型驱动的闭环
用不用工具	一般不用	在节点里按需调	模型自主选择调用
可预测性 / 成本	高 / 低	高 / 可控	低 / 波动、可能失控

用伪代码把“区别”跑出来

光说抽象，不如看两段代码。同样是“回答一个可能需要查资料的问题”，workflow 和 Agent 的骨架长这样：

# Workflow：路径是人写死的，if/else 在代码里docs = retrieve(question)          # 步骤永远固定：先检索context = build_prompt(docs, question)answer = llm(context)              # 再生成，走完就结束return answer# Agent：把决定权交给模型，循环由模型收尾messages = [system_prompt, user(question)]while True:    step = llm(messages, tools=[search, calc, sql])  # 模型自己选调不调、调哪个    if step.is_final:              # 什么时候停，也由模型判断        return step.answer    result = run_tool(step.tool_call)                 # 执行动作    messages.append(observation(result))              # 观察结果回喂大脑

看那个 while：workflow 里没有它，流程是直线；Agent 里有它，而循环几次、每次干嘛、何时跳出，全是模型在 llm(...) 那一步现场决定的。这就是“控制流由谁定”最直白的体现。