结论先说：步骤固定、路径可枚举的活，选工作流；需要临场判断、路径因输入而变的活，选智能体（Agent）。两者不是替代关系，是分工关系，判断标准就一条——这条流程的下一次运行和这一次有多像。
工作流像火车：轨道铺好，站点固定，准点可预期；智能体像网约车司机：给个目的地，路线自己挑，遇到封路会绕行。类比失效之处在于，司机绕行靠常识，智能体绕行靠对任务的即时理解，判断质量随模型能力和工具配置波动，可控性天然低于轨道。
路线固定程度是分水岭
报销审批这类流程，环节和条件都写得出来，用分支节点拼成固定路线，每次运行都走同几条路径，行为可预测、可审计。而「帮我把这批资料整理成摘要并发给对应的人」，资料格式五花八门，路径没法枚举，就该交给智能体临场组织。两者的并发与排队安排也不同，见任务的并发度是怎么定的？关键步骤一次讲清。
出错之后的表现差很多
工作流出错，错在哪一步一目了然，因为路径固定，回放就能定位；补救靠预设的兜底分支，见超时的兜底动作有哪些？从原理到落地。智能体出错可能错在规划层面——一开始就想岔了，排查要看完整思考链和调用轨迹，定位成本更高，但换来的好处是它有自我修正的机会，工作流没有。
改造成本不是一个量级
工作流改一处节点，影响面清清楚楚；智能体调一句提示词，可能让所有路径的行为都变化。所以迭代节奏不同：工作流适合高频小改，智能体改动要配完整评测回归。团队从工作流起步，把稳定环节沉淀成固定路线，只把真正需要判断的环节开放给智能体，是常见的渐进路线。
三个维度并排看，路线、纠错和改造成本都不同。
| 对比维度 | 工作流 | 智能体 |
|---|---|---|
| 路线形态 | 轨道铺好、站点固定，路径可枚举 | 给个目的地，路线自己挑，遇封路会绕行 |
| 出错定位 | 错在哪一步一目了然，回放就能定位 | 可能错在规划层面，要看完整思考链和调用轨迹 |
| 补救方式 | 靠预设的兜底分支 | 有自我修正的机会 |
| 改造成本 | 改一处节点影响面清楚，适合高频小改 | 调一句提示词可能让所有路径都变，改动要配评测回归 |
怎么判断该用哪个
三个问题自测：流程能不能画成一张有限的流程图？每次运行的差异是数据级还是结构级？错了的代价是局部的还是全局的？三个都偏固定选工作流，都偏开放选智能体，居中的先把固定部分做成工作流、把开放环节挂给智能体。单打独斗还是多角色配合的选择，见单 Agent 和多 Agent 差在哪？；接入工具的协议差异，见MCP 和函数调用差在哪？两种接入方式。
选型对照表
- 路径可枚举选工作流，路径因输入而变选智能体
- 要可审计选工作流，要临场判断选智能体
- 高频小改适合工作流，改智能体要配评测回归
- 混合用法：固定部分走工作流，开放环节给智能体
一句话记住：先用工作流跑通，再考虑要不要换成智能体。
扣子这类平台同时提供两种形态，可以先在工作流里搭主干，再插入智能体节点处理开放环节；WPS AI 在文档场景的做法也类似，固定动作模板化，模糊任务交给模型判断。界面自动化的老方案和智能体方案的分野，见Agent 和传统 RPA 差在哪？。
还有一条经验值得记：判断不出来的时候，先按工作流搭。固定路线跑通之后，哪些环节确实在反复「即兴发挥」，数据会告诉你，那时候再升级成智能体节点，依据充分，向团队解释起来也容易。反过来的路径——先上智能体再收紧——往往收不回来，因为松散惯了的流程很难说清边界在哪。
关于工作流和Agent，问得最多的三个
- 工作流会被智能体取代吗？：不会，要稳定和可审计的场景永远需要固定路线，两者长期共存。
- 混合架构复杂吗？：平台普遍支持在流程里插入智能体节点，工程上不难，难的是划清两者的边界。
- 从哪个入手学习更合适？：先搭几个工作流理解编排，再体验智能体的自主性，对比着学最快。
