字节面试官问：什么时候工作流就够了，什么时候才该上 Agent？
16 道 Agent 工程高频判断题，从 workflow 到上线
上一课我们说 AI 落地是系统工程，不是接个模型就完事。这课直接进入第一道判断题：什么时候工作流就够了，什么时候才该上 Agent？
一、面试现场
面试题
“我们有一个客服系统要接 AI，你打算用 workflow 还是 agent？怎么判断？”
字节跳动，某 AI 平台组二面。面试官给了一个真实场景：客服系统每天处理上万条工单，团队想用 AI 接管一部分。候选人答了十分钟，核心观点是"agent 更智能，应该直接上 agent"。面试官追了一句：“你的 agent 调试周期是多久？如果工单处理延迟翻倍，业务能接受吗？”
这道题看似在问技术选型，实际在考判断力：你有没有能力在"能做"和"该做"之间划线。
这不是某一次面试的原题，而是从真实面经和 AI 工程岗 JD 中提炼的高频判断题。
二、大多数人怎么答的
最常见的回答是：“这个任务有多个步骤，需要调 API、查数据库、做判断，肯定得用 agent。”
问题出在一个隐含假设：多步骤 = 需要模型自主决策。但大多数多步任务的路径是固定的——先分类，再查库，再生成回复——每一步该做什么、做完跳到哪一步，你在写代码的时候就知道了。这种情况下硬上 agent，相当于把本来确定的路径交给模型"重新发明"一遍，代价是延迟更高、调试更难、结果更不可控。
典型误判
“任务复杂、步骤多，就该上 agent。” —— 其实大部分复杂任务只需要 workflow。
三、正确判断框架
先把两个概念对齐。Workflow：LLM 和工具按预定义的代码路径编排——路径可控、可测、可回放。Agent：LLM 自己决定下一步做什么、用什么工具——路径由模型在运行时动态规划。
Anthropic 在"Building Effective Agents"中列出五种 workflow 模式，大多数人以为需要 agent 的场景，用这五种就能覆盖：
四、面试官追问链
追问 1
“你做过的系统里，有没有一开始上了 agent 后来改回 workflow 的？为什么？”
回答思路：这题考实际工程反思。好的回答不是"没有"，而是承认走过弯路：比如一个内部审批系统，最初用 agent 让模型自己决定审批链路，上线后发现同一类单据有时走 A 流程有时走 B，审计无法通过。改回 routing workflow 后，路径确定、审计清晰、延迟从 8 秒降到 2 秒。关键是说清"为什么 agent 在这里不合适"——路径可枚举、错误成本高、需要审计。
追问 2
“Orchestrator-Workers 和 agent 的核心区别是什么？”
回答思路：Orchestrator-Workers 是 workflow 模式，不是 agent。核心区别在于：Orchestrator 的子任务由输入决定，但路径是可枚举的——你能在代码里写出"如果是 X 类任务就分给 worker A"。而 agent 的下一步由模型在运行时动态规划，路径不可预知。很多人把 Orchestrator-Workers 叫"agent"，其实只要决策逻辑可以用 if-else 或 prompt routing 穷举，就还是 workflow。
加分题
“如果时延要求在 2 秒以内，你还会用 agent 吗？”
方向：agent 至少需要一次"决定下一步"的模型调用，加上工具执行，2 秒几乎不可能。严格时延约束下，workflow 是唯一选择。
五、落地案例：客服工单系统
实战拆解
同一个客服系统，常规工单走 workflow，复杂投诉走 agent——两条路线对比。
**Workflow 路线（80% 的工单）：**用户消息进来 → Routing 分类（退换货 / 物流查询 / 账户问题）→ 分流到对应处理链 → 查数据库 → 生成模板化回复。整条路径写在代码里，延迟稳定 1.5 秒，每条工单成本 ¥0.02。
**Agent 路线（20% 的复杂投诉）：**用户描述不清、情绪激动、涉及多个订单或跨部门。Routing 无法分到固定链路，因为下一步做什么取决于模型理解用户的真实诉求。agent 动态决定：先查哪个订单、要不要调取聊天记录、是否需要升级人工。延迟 6-10 秒，成本 ¥0.15/条。
对比结果：
Workflow 路线
延迟 1.5s · 成本 ¥0.02/条 · 路径确定 · 调试 10 分钟定位
Agent 路线
延迟 6-10s · 成本 ¥0.15/条 · 路径动态 · 调试需看完整 trace
结论清楚：路径已知的走 workflow，路径必须由模型动态判断的才给 agent。混用才是最工程化的方案。
六、上线坑点
坑 1：为了显得先进，过早上 agent
调试成本是 workflow 的 5-10 倍。同样的输入可能走不同路径，复现问题极难。如果 workflow 能解决，永远优先 workflow。
坑 2：把固定规则写成模型判断
“如果金额超过 500 就走人工审批”——这是一行 if 的事。交给模型判断只是增加不必要的不稳定性和成本。
坑 3：agent 没有 fallback
agent 决策失败后没有降级路径。必须设计好：agent 超时或信心不足时，自动退回到 workflow 或升级人工。
七、本课总结与面试锦囊
一句话结论
默认先做 workflow，只有当任务必须依赖模型在运行时做决策时，才值得上 agent。
面试锦囊
先说：Workflow 和 agent 的本质区别是"路径预定义"vs"模型动态决定"。
再说：用四个维度判断——路径是否已知、错误成本、是否需要运行时决策、时延要求。
最后补：大部分场景五种 workflow 模式就能覆盖，真正需要 agent 的场景远比想象的少。
判断 Checklist
☐ 能在白板上画出完整流程图 → workflow
☐ 下一步做什么取决于前一步的非结构化结果 → agent
☐ 错误成本高、需要审计 → 优先 workflow
☐ 时延要求严格（< 2-3 秒）→ 优先 workflow
别再踩的坑
• 把"步骤多"等同于"需要 agent"
• 用模型判断本来一行 if 就能搞定的规则
• agent 上了但没设计 fallback 降级路径
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～