考察点
这道题考的是架构判断力。很多人张口就是「我们全用 Agent」，面试官想听的是你理解两者的本质差异，并且能给出有依据的选型标准。好的回答要体现：不是 Agent 更高级，而是各有适用面，工程上往往是混合架构。追问常往「具体业务场景怎么落」「混合架构怎么设计」走。
参考答案
本质区别：谁在控制执行路径
Anthropic 在那篇《Building Effective Agents》里给过一个很干净的划分：Workflow 是 LLM 和工具按代码预定义的路径编排执行；Agent 是 LLM 自主决定执行路径和工具使用，自己控制任务怎么完成。一句话：Workflow 的控制流写在代码里，Agent 的控制流写在模型的脑子里。
举例对比。同样是「处理用户退款申请」这个任务：
- Workflow 做法：固定管线——意图分类 → 提取订单号 → 查订单 → 判断退款规则（规则引擎）→ 金额小于 50 自动退、否则转人工。LLM 只在分类和提取两个节点上出力，整条路径是程序员画死的。
- Agent 做法：把订单查询、退款、转人工都注册成工具，告诉模型「处理这个退款申请」，模型自己决定先查什么、再做什么。
对比维度
| 维度 | Workflow | Agent |
|---|---|---|
| 控制流 | 代码预定义 | 模型动态决策 |
| 可预测性 | 高，行为可枚举、可测试 | 低，路径组合爆炸 |
| 出错归因 | 容易，问题定位到具体节点 | 难，需要完整 trace 逐步归因 |
| 成本/时延 | 可控，LLM 调用次数固定 | 波动大，轮数不确定 |
| 灵活性 | 差，需求变了要改代码 | 强，换个说法也能泛化处理 |
| 适合任务 | 流程固定、高频、低容错 | 路径开放、低频、需要临场判断 |
业务里怎么选
我一般会按三个问题来选。
第一，任务路径能不能枚举？ 能把流程图画出来的任务就用 Workflow。报销审批、工单流转、内容审核，这些流程是业务规则定的，不存在「临场决策」的空间，硬上 Agent 只是引入不确定性和成本。
第二，错了代价多大？ 金融扣款、医疗建议这类低容错场景，就算用了 Agent 也要把关键节点收进 Workflow 做硬校验。反过来，调研类、创作类任务（帮我调研某个行业写份报告），路径天然开放，答错了也只是重来，这是 Agent 的主场。
第三，频率有多高？ 每天百万次的调用，Workflow 的成本和时延是算得出来的；Agent 一轮任务跑十几轮循环，token 消耗和延迟都是 Workflow 的数倍到十几倍，高频场景吃不消。
实践中的答案：混合架构
真实系统很少二选一。常见的混合模式是「Workflow 为骨架，Agent 为局部」：主流程用 Workflow 保证关键路径可控，其中某些开放性强的节点（比如「理解用户这个非标诉求并查资料给方案」）内嵌一个 Agent 子循环，子循环跑完把结构化结果交回主流程。Anthropic 把这些拆得更细：prompt chaining、routing、parallelization、orchestrator-workers 都算 Workflow 模式，只有 fully autonomous loop 才是 Agent。
面试收尾可以这样说：选型的第一性原理是「用最低的自主性满足需求」。能 Workflow 解决的别上 Agent，能单 Agent 解决的别上多 Agent。自主性每加一层，不可预测性、成本和调试难度都上一个台阶，要有充分的业务理由才值得。
可能的追问
追问：有没有看起来是 Workflow、实际应该上 Agent 的场景？
有，典型是客服里的长尾问题。流程图画得出来的高频问题走 Workflow，但长尾问题（占比小、种类无限多）流程图根本画不全，这时让 Agent 拿着知识库工具自主处理，覆盖率远高于硬编码。
追问：Agent 的可预测性差，怎么上线？
三板斧：把危险节点从 Agent 手里收走做硬编码校验；灰度发布加在线评估，按任务成功率监控而非单条回复质量；留完整 trace，线上问题能按步骤回放归因。
追问：Orchestrator-workers 算 Workflow 还是 Agent？
按 Anthropic 的定义它属于 Workflow：编排者把任务拆给并行 worker 的模式里，子任务的分发逻辑是代码控制的。但如果编排者本身是 LLM、动态决定拆成什么子任务（比如 Claude Code 的主副 Agent），就已经在往 Agent 侧靠了——边界是渐变的，不用纠结名词，关键看控制流里代码占多少。