考察点
这道题出自字节跳动 AI 岗位一面，考的是对自家生态产品的理解深度，顺便看你对「低代码 Agent 开发」这个范式的判断力。面试官不想听产品说明书，想听你分清 Agent 自主决策和工作流确定性编排两种模式的区别，以及低代码平台在真实业务里能力边界的判断。追问可能往「什么场景该用代码开发」「平台能力的黑盒问题」「MCP 对这类平台的影响」走。
参考答案
定位问题：两个都是，看你怎么用
扣子的准确表述是以 Agent 编排为表、工作流引擎为里的低代码 Bot 开发平台。说它是 Agent 平台没错：你创建一个 Bot，配好人设提示词、挂上插件和知识库，它就能自主规划、调用工具、多轮对话，这是标准的 Agent 形态。说它是工作流平台也没错：平台提供了可视化的工作流编排能力——把 LLM 节点、代码节点、条件分支、插件调用拖成一张 DAG，输入输出连线，确定性执行。
这两者在扣子里面是层级关系而不是并列关系：工作流是被 Bot（Agent）调用的工具之一。当你需要一个步骤固定、不容许模型自由发挥的流程（比如「收集表单 → 查库 → 生成周报 → 发飞书」），就把它固化成工作流，Agent 在合适的时候调用它。这其实是 Agent 工程里的通用智慧：自主决策负责处理开放性，确定性流程负责守住可靠性。纯 Agent 模式灵活但行为不可完全预测，纯工作流可靠但处理不了开放输入，扣子把两种都给你，让你按业务对可靠性的要求选配比。
低代码平台的优势
第一是验证速度。一个想法从构思到可演示的 Bot，熟练的人半天能搞定。模型、插件、知识库、多渠道发布（飞书、微信、豆包等）全是现成的，不用管服务器和 API 对接。对业务方来说，先低成本验证「这个 AI 应用有没有人用」，比工程完美重要得多。
第二是协作门槛低。产品、运营可以直接参与编排，提示词和流程逻辑可视化地摆在那里，不用读代码就能 review 和迭代。AI 应用的效果高度依赖反复调 prompt 和流程，让离业务最近的人能直接动手，迭代效率完全不同。
第三是内置生态。插件市场、知识库管理、定时任务、数据分析后台，这些自己搭要几个月的东西开箱即用；底层模型切换（豆包、DeepSeek 等）也是配置项，不用改代码。
局限，这才是面试的分水岭
第一，可控性和可调试性的天花板。平台把 Agent 循环、上下文组装、检索策略封装成黑盒，你只能通过有限的配置项去影响它。当效果不达标时，自研代码可以在检索里加 rerank、改 chunk 策略、插一层重试逻辑，平台上你只能干着急或者绕路。线上出问题时没有完整的调用链日志给你追，排障能力受限。
第二，复杂逻辑的表达能力。DAG 编排适合线性加分叉的流程，但涉及状态机、复杂循环、精细错误处理的逻辑，拖节点会很快变得比代码还难维护——可视化编排的复杂度上限比代码低得多。
第三，性能与成本没有调优空间。每次调用走平台的固定链路，prompt 缓存、批量推理、模型路由这些降本手段都用不上；高并发场景的平台限额和定价，可能让规模化后的成本反超自研。
第四，锁定与合规。Bot 的配置、知识库、流程沉淀在平台上，导出迁移能力有限；数据要过平台链路，对数据敏感的企业内场景，私有化部署选项是硬约束。
怎么选型：给个判断框架
我的回答是按阶段和场景分：MVP 验证、内部工具、运营类轻应用，用扣子这类平台，速度压倒一切；核心业务链路、有复杂工程需求、对成本和性能敏感、数据不出内网的应用，自研（LangGraph 这类框架 + 裸模型 API）。实际项目里两者常共存：平台上验证过的需求，确认价值后用代码重构成可控的服务。被问到「会不会被平台取代」时，可以补一句：平台吃掉的是标准化的部分，而业务的核心竞争力恰恰在非标准化的那 20% 里。
可能的追问
- 工作流节点里的 LLM 调用和 Agent 自主决策具体区别在哪？ 答：工作流里 LLM 节点的输入输出、上下游是编排者写死的，模型只完成单点任务（如总结、抽取）；Agent 模式下模型自己决定下一步调什么工具、什么时候停，流程在运行时才展开。
- 平台 Bot 效果不好，你的排查思路是什么？ 答：先隔离环节——关闭插件和知识库测纯模型表现，逐个加回定位是检索问题、工具问题还是提示词问题；知识库类问题重点查命中率和切片质量，用平台的调试面板看每轮实际召回的内容。
- MCP 出现后对这类平台有什么影响？ 答：MCP 统一了工具接入协议，自研 Agent 接外部工具的成本大幅下降，平台在「插件生态」上的护城河被削弱；但平台在托管、渠道分发、非技术用户协作上的价值仍在。