AI Agent還是固定Pipeline

超越流行詞彙，根據工作流程結構選擇正確架構

2026年每個AI供應商提案都包含某個版本嘅相同詞彙：AI Agent、Agentic AI、MCP、LangGraph。如果你在為企業評估AI，幾乎肯定已被推銷過「智能Agent」解決方案。

簽約前，值得了解Agent架構實際係咩、實際成本係咩，以及佢係咪適合你嘅工作流程。

Agent架構係咩

AI Agent將LLM置於循環中運行：接收目標、決定下一步行動、調用工具、評估結果、決定下一步行動。沒有人預先定義步驟序列。模型動態決定路徑。

呢種設計適用於開放式任務——步驟無法預先預測、系統需要即時決策使用哪些工具嘅情況。

大多數業務工作流程唔係開放式嘅。

大多數業務工作流程係固定序列

文件抵達 → 提取字段 → 分類 → 摘要 → 路由到輸出。每日市場新聞 → 按主題過濾 → 摘要 → 發送到Telegram。客戶查詢 → 從知識庫檢索 → 生成回應。

呢些工作流程有已知步驟。已知步驟適合固定pipeline：每個階段在代碼中明確定義，LLM只處理佢擅長嘅部分（語言理解、提取、生成），流程控制留在應用層。

固定pipeline相較Agent嘅業務優勢係直接可量度嘅。

成本可預測性。Agent在運行時決定進行幾次LLM調用——可能係三次，可能係三十次，取決於佢遇到咩。固定pipeline每次運行成本相同。對於每日處理文件嘅系統，差距會累積。

可審計性。香港受監管行業需要能夠解釋結果係如何產生嘅。固定pipeline記錄每個步驟。Agent嘅決策路徑每次運行都不同，需要重建推理鏈才能審計——合規開銷顯著更高。

故障隔離。在固定pipeline中，第三步嘅故障在第三步診斷和修復。在Agent系統中，故障需要重建整個決策序列才能找出原因。

Agent架構真正適用嘅情況

Agent有其真實價值嘅場景：開放式研究任務、需要跨多個外部系統動態查詢嘅工作流程，或步驟真正無法預先定義嘅情況。

呢些場景存在，但在中小企業日常運營中並不常見。如果有人未先詳細詢問你嘅工作流程結構就建議Agent架構，佢係在推銷技術方案，而唔係解決具體問題。

一個針對你用例嘅簡單測試

問一個問題：工作流程步驟能否在白板上完整畫出？

架構係工程決策

我建設嘅生產系統在絕大多數情況下使用固定pipeline。唔係因為Agent能力唔足，而係固定pipeline係可預測工作流程嘅正確工程選擇：每次運行成本更低、審計追蹤直接、故障診斷局部化。

適合嘅架構取決於工作流程，而唔係當下市場流行嘅術語。