自主 AI 代理 vs. 代理式工作流：为何自主代理胜出

2026 年 2 月 5 日，Anthropic 发布了一个令人瞩目的案例研究：16 个 Claude Opus 4.6 代理在没有中央协调器的情况下并行工作，协作编写了一个包含 100,000 行代码、基于 Rust 的 C 编译器，能为 x86、ARM 和 RISC-V 架构编译 Linux 内核。这些代理自行识别任务、分配工作、解决合并冲突，并调试彼此的代码。总成本：约 $20,000，经历约 ~2,000 个会话。

没有人为此画流程图，也没有人在可视化编辑器中连接节点。代理自行找出了方法。

与此同时，n8n、Zapier 和 Make 等平台通过相反的做法，迎来创纪录的采用量：将 AI 接入预先定义、由人设计的工作流，其中每一步、每个分支和每次工具调用都事先规划好。

这两种方法——自主代理式过程与代理式工作流——代表对 AI 应如何运作的两套根本不同的理念。本文会直接比较两者，解释为何自主代理长期来看会胜出，并回应有关确定性和成本的合理疑虑。

什么是代理式工作流？

代理式工作流是预先设计、基于节点的自动化，由人定义 AI 要遵循的确切步骤顺序。n8n（提供 500+ 项集成和原生支持 LangChain 的代理节点）、Zapier 和 Make 等平台是主要例子。

以下是典型代理式工作流的样貌：

flowchart LR
    A["🔔 Trigger<br/>(e.g. new email)"] --> B["🤖 LLM Node<br/>(classify intent)"]
    B --> C{"Decision<br/>Node"}
    C -->|"Support"| D["📧 Send to<br/>Support Tool"]
    C -->|"Sales"| E["💰 Send to<br/>CRM Tool"]
    C -->|"Spam"| F["🗑️ Archive"]
    D --> G["✅ Log Result"]
    E --> G
    F --> G

主要特点：

由人设计：由人规划每一条可能的路径
确定性：相同输入会执行相同路径
可视化：为非技术用户提供拖放界面
固定工具集：每个节点都预先配置指定工具和 API
成本可预测：token 用量受节点数量限制

优点： 易于理解、调试和审计。非常适合过程已知、重复且定义清晰的任务。

限制： 只能处理设计者预想到的场景。每个新的边界情况都需要由人新增分支。

什么是自主代理式过程？

自主代理式过程是动态、自我主导的系统：AI 代理接收目标，推理如何达成、选择工具、在需要时创建子代理，并反复迭代直至达成目标——整个过程无需预先定义流程图。

以下是自主多代理系统的样貌：

flowchart TB
    Goal["🎯 Goal<br/>(High-level objective)"] --> Orch["🧠 Orchestrator Agent<br/>(Plans, delegates, reflects)"]
    
    Orch -->|"Spawns"| R["🔍 Research<br/>Agent"]
    Orch -->|"Spawns"| A["⚡ Action<br/>Agent"]
    Orch -->|"Spawns"| V["✅ Validation<br/>Agent"]
    
    R -->|"Uses tools<br/>dynamically"| T1["🌐 Web Search"]
    R -->|"Uses tools<br/>dynamically"| T2["📊 Database"]
    A -->|"Uses tools<br/>dynamically"| T3["🔧 APIs"]
    A -->|"Uses tools<br/>dynamically"| T4["📝 File System"]
    V -->|"Uses tools<br/>dynamically"| T5["🧪 Testing"]
    
    R -->|"Reports"| Orch
    A -->|"Reports"| Orch
    V -->|"Reports"| Orch
    
    Orch -->|"Reflects &<br/>iterates"| Orch
    Orch --> Result["📋 Result"]

主要特点：

目标导向：接收目标，而非逐步计划
动态选择工具：在运行期间选择使用哪些工具
自我修正：反思结果并调整方法
可组合：可创建专门的子代理以并行工作
涌现行为：解决方案源自代理推理，而非人为设计

Anthropic 的多代理系统研究（2025 年 6 月发布，2025 年 12 月更新）有力地展示了这种能力：主导代理（Claude Opus 4）协调 Sonnet 4 子代理，通过并行探索和上下文压缩，在复杂研究任务上的表现比单一 Opus 4 代理高出 90.2%。

OpenAI 的 Agents SDK（2026 年 1 月）将两种重要的多代理模式正式规范化：

交接（Handoffs）：代理将控制权交给专门代理（例如，分流 → 账务专员）
代理作为工具（Agent-as-Tool）：代理将另一个代理当作可调用的工具，并接收结构化结果

这两种模式都能实现固定工作流无法做到的动态组合。

并排比较

比较维度	代理式工作流（N8N/Zapier）	自主代理
灵活性	只有固定路径	动态运行，适应全新情况
设置工作量	低（可视化拖放）	中（定义工具 + 目标）
全新情况	失败或需要人工重新设计	通过推理解决
可预测性	高——相同输入、相同输出	不定——相同输入可能采用不同（但有效）的路径
每次运行成本	受节点数量限制	不定——取决于推理深度
扩展复杂度	线性（更多节点 = 更多分支）	次线性（更好的模型 = 更聪明的代理）
维护	针对新的边界情况手动更新	随模型改进而自行适应
错误处理	预先定义的回退节点	代理推理错误原因并重试
最适合	重复、定义清晰的过程	开放式、复杂、持续演变的任务

为何自主代理胜出

1. 无法为真正全新的问题预先定义路径

当 Anthropic 的 16 个 Claude 代理构建 C 编译器时，没有人能事先为它画出工作流图。代理需要：

决定如何将 100,000 行代码分配给 16 个工作代理
识别和解决模块之间的相互依赖
调试独立编写的组件交互所引发的故障
在没有中央协调器的情况下协调合并

这类工作需要的是推理，而非路由。任务空间太广阔、太多变，无法预先规划。

2. 能力上限持续提升

最新一代模型代表代理式能力的跃升：

Claude Opus 4.6（2026 年 2 月 5 日）提供 1M-token 上下文窗口（测试版），在 GDPval-AA 比 GPT-5.2 高出约 ~144 Elo，并通过自主分析，在开源代码中识别了 500+ 个零日漏洞。
GPT-5.3-Codex（2026 年 2 月 5 日）比上一代快 25%，在 SWE-Bench Pro 和 Terminal-Bench 2.0 达到最先进水平，支持 24 小时自主编程会话，也是首个在自身构建过程中发挥关键作用的模型。

每一次模型改进，都能让自主代理变得更有能力，无需更改应用程序的任何一行代码。相比之下，工作流的能力仍停留在设计完成当天的水平。

3. 小型专门代理可以超越巨型模型

NVIDIA 的 ToolOrchestra 框架（2025 年 11 月）展示了一个违反直觉的结果：一个协调专门子代理的 8-billion（80 亿）参数协调器，在 Humanity's Last Exam 取得 37.1%，超越 GPT-5 的 35.1%，同时效率高 2.5x，成本约为其 30%。

这种组合式方法——由较小的“管理者”代理将工作委派给领域专家——本质上是固定工作流无法做到的。工作流只会路由，不会组合。

4. 多代理系统以超线性方式提升

Anthropic 的多代理系统构建指南（2025 年 12 月）指出三项特性，使多代理架构比单一代理或固定工作流更能有效扩展：

上下文保护：每个子代理维持自己的专注上下文，避免“中间信息丢失”问题
并行执行：独立子任务同时运行（例如 Anthropic 的 16 个编译器代理）
专门化：子代理可针对特定领域进行微调或设置提示

代价是协调开销（token 用量为单一代理的 3-10x），但正如下节所示，这项成本正在急剧下降。

5. 成本正在快速下降

这或许是最重要的趋势：Epoch AI 的分析（2025 年 12 月）发现，取决于任务，LLM 推理价格每年下降 9x 至 900x。在博士级科学问题上达到 GPT-4 水平表现的成本，在一年内下降了 40x。

graph TB
    subgraph "2024"
        A["GPT-4 level inference<br/>$X per million tokens"]
    end
    subgraph "2025"
        B["Same capability<br/>$X/40 per million tokens"]
    end
    subgraph "2026 (projected)"
        C["Same capability<br/>$X/400+ per million tokens"]
    end
    A -->|"40x cheaper"| B
    B -->|"10-40x cheaper<br/>(projected)"| C
    
    style A fill:#ff6b6b,color:#fff
    style B fill:#ffd93d,color:#000
    style C fill:#6bcb77,color:#fff

这意味着多代理系统的协调开销——花在代理间沟通的额外 token——会变得微不足道。重要的是能力，而非 token 数量。而自主代理的能力没有上限。

回应对确定性的质疑

对自主代理最常见的质疑是：“但我的业务过程需要可预测、具有确定性的输出！”

这个要求合理——而问题正在获得解决，并非通过工作流，而是通过代理式架构内的防护机制：

结构化输出：GPT-5.3-Codex 和 Claude Opus 4.6 等模型原生支持强制遵循 JSON schema，确保输出格式符合要求
人工介入：可设置代理在高风险操作（金融交易、数据删除、客户通信）前暂停并请求批准
验证代理：专门的子代理可在输出正式提交前，按业务规则验证结果
具有确定性的子过程：当自主代理需要可预测的步骤（例如通过 API 发送邮件）时，便以固定参数调用工具——获得与工作流相同的确定性，但只在有需要的地方使用
更高的模型可靠性：Claude Opus 4.6 改进的推理能力，相比早期世代大幅降低幻觉率

Anthropic 的多代理指南（2025 年 12 月）说得很好：需要上下文保护、并行执行或专门化时，采用多代理架构；若单一代理配合恰当提示已足够，则使用较简单的模式。核心洞见是：何时发挥创意、何时采取确定性做法，由代理本身选择。

趋势融合：代理涵盖工作流

这场争论的答案是：自主代理并非取代工作流，而是将其涵盖在内。需要严格固定的步骤时，自主代理可调用具有确定性的子过程；需要灵活性时，可创建具有创意的子代理；任务简单时，则直接调用工具。

flowchart TB
    AA["🧠 Autonomous Agent<br/>(Reasons about approach)"]
    
    AA -->|"When determinism<br/>needed"| WF["📋 Invoke Workflow<br/>(Fixed API sequence)"]
    AA -->|"When flexibility<br/>needed"| SA["🤖 Spawn Sub-Agent<br/>(Dynamic reasoning)"]
    AA -->|"When simple"| TL["🔧 Call Tool<br/>(Direct execution)"]
    
    WF --> R["✅ Result"]
    SA --> R
    TL --> R
    
    SA -->|"Can also invoke"| WF
    SA -->|"Can also call"| TL

工作流是自主代理能力的子集。能调用工作流的代理，其能力严格来说比单独一个工作流更多。这就是行业逐渐走向自主模式的原因：

OpenAI 的 Agents SDK 同时支持交接和代理作为工具的模式
Anthropic 的多代理架构 让主导代理能协调专家代理
NVIDIA 的 ToolOrchestra 展示小型协调器配合专门子代理，能超越单体模型

未来并非“工作流 vs. 代理”——而是代理在众多策略之中，适时采用工作流。

这对电子商务有何意义

在 CHATTERgo，我们从第一天起就以自主代理模式构建平台。我们的 AI 不会照着脚本走——它会针对每次客户互动进行推理：

客户询问产品？代理会搜索目录、检查供货情况、考虑客户的上下文，并提出个性化推荐。
客户有涉及不同订单多件商品的复杂退货？代理会推理相关政策、查阅对应订单数据，并引导客户——无需有人为这个特定场景画流程图。
有新工具可用（例如仓库库存 API）？代理可以立即使用，无需重新设计工作流。

这就是我们说**“无需设置流程”**的原因——因为最好的 AI 不应该需要流程设置。

为 AI 画流程图的时代正在结束。给 AI 一个目标、让它自行处理其余部分的时代已经开始。

资料来源

Anthropic Engineering。“以 16 个代理构建 C 编译器。”2026 年 2 月 5 日。anthropic.com/engineering/building-c-compiler
Anthropic Engineering。“我们如何构建多代理研究系统。”2025 年 6 月（2025 年 12 月更新）。anthropic.com/engineering/built-multi-agent-research-system
NVIDIA Research。“ToolOrchestra：协调专门代理。”2025 年 11 月。research.nvidia.com/labs/lpr/ToolOrchestra
OpenAI。“介绍 GPT-5.3-Codex。”2026 年 2 月 5 日。openai.com/index/introducing-gpt-5-3-codex
Anthropic。“Claude Opus 4.6。”2026 年 2 月 5 日。anthropic.com/news/claude-opus-4-6
Epoch AI。“LLM 推理价格趋势。”2025 年 12 月。epoch.ai/data-insights/llm-inference-price-trends
OpenAI Agents SDK。“交接。”2026 年 1 月。openai.github.io/openai-agents-python/handoffs
Anthropic。“构建多代理系统：何时及如何使用。”2025 年 12 月。anthropic.com/engineering/built-multi-agent-research-system
n8n。“AI 代理。”2026 年。n8n.io/ai-agents