AI Agent还是固定Pipeline

超越流行词汇，根据工作流程结构选择正确架构

2026年每个AI供应商提案都包含某个版本的相同词汇：AI Agent、Agentic AI、MCP、LangGraph。如果你在为企业评估AI，几乎肯定已被推销过「智能Agent」解决方案。

签约前，值得了解Agent架构实际是什么、实际成本是什么，以及它是否适合你的工作流程。

Agent架构是什么

AI Agent将LLM置于循环中运行：接收目标、决定下一步行动、调用工具、评估结果、决定下一步行动。没有人预先定义步骤序列。模型动态决定路径。

这种设计适用于开放式任务——步骤无法预先预测、系统需要即时决策使用哪些工具的情况。

大多数业务工作流程不是开放式的。

大多数业务工作流程是固定序列

文件到达 → 提取字段 → 分类 → 摘要 → 路由到输出。每日市场新闻 → 按主题过滤 → 摘要 → 发送到Telegram。客户查询 → 从知识库检索 → 生成回应。

这些工作流程有已知步骤。已知步骤适合固定pipeline：每个阶段在代码中明确定义，LLM只处理它擅长的部分（语言理解、提取、生成），流程控制留在应用层。

固定pipeline相较Agent的业务优势是直接可量化的。

成本可预测性。Agent在运行时决定进行多少次LLM调用——可能是三次，可能是三十次，取决于它遇到什么。固定pipeline每次运行成本相同。对于每日处理文件的系统，差距会累积。

可审计性。香港受监管行业需要能够解释结果是如何产生的。固定pipeline记录每个步骤。Agent的决策路径每次运行都不同，需要重建推理链才能审计——合规开销显著更高。

故障隔离。在固定pipeline中，第三步的故障在第三步诊断和修复。在Agent系统中，故障需要重建整个决策序列才能找出原因。

Agent架构真正适用的情况

Agent有其真实价值的场景：开放式研究任务、需要跨多个外部系统动态查询的工作流程，或步骤真正无法预先定义的情况。

这些场景存在，但在中小企业日常运营中并不常见。如果有人未先详细询问你的工作流程结构就建议Agent架构，他是在推销技术方案，而不是解决具体问题。

一个针对你用例的简单测试

问一个问题：工作流程步骤能否在白板上完整画出？

架构是工程决策

我构建的生产系统在绝大多数情况下使用固定pipeline。不是因为Agent能力不足，而是固定pipeline是可预测工作流程的正确工程选择：每次运行成本更低、审计追踪直接、故障诊断局部化。

适合的架构取决于工作流程，而不是当下市场流行的术语。