【概念篇】传统 RPA 已死？一文看懂基于 Agentic Workflow 的下一代智能自动化

一、开篇：自动化领域的“幽灵战”——当规则脚本遇上自主决策

2025年12月，一则来自AWS re:Invent的消息震动整个自动化行业：Amazon Nova Act正式发布，实现了**超过90%**的浏览器UI自动化任务可靠性，而它背后是一套完全不同于传统RPA的工作逻辑——不是靠录制点击轨迹，而是靠LLM自主推理来驱动执行。几乎同一时间，UiPath的股价已跌至其2021年IPO时的约四分之一，企业客户正在加速将自动化预算从纯RPA工具转向AI集成平台。这并非巧合，而是一场根本性的范式转移：传统RPA正在被Agentic Workflow重新定义。

过去十年，RPA（Robotic Process Automation）让无数企业尝到了“机器人替人”的甜头。但任何用过RPA的人都知道它的痛点：流程一改，脚本重来；页面一变，机器人崩溃；跨系统数据协同时，人工兜底比自动化还多。传统RPA擅长的是“如果你看到一个按钮，就点击它”这类确定性指令。而真实世界的业务场景远没有这么简单——它需要理解上下文、动态决策、处理异常、跨系统推理。

进入2025年，随着大语言模型（LLM）能力的指数级提升和多智能体编排框架的成熟，一种全新的自动化范式——Agentic Workflow（智能体工作流）——正在从概念走向大规模生产。它不再是“机器人模仿人操作界面”，而是“AI智能体理解目标、规划步骤、调用工具、动态调整、协同完成任务”。

根据Gartner的预测，到2027年将有40%的AI Agent项目因交付可靠性问题被取消。这恰好说明：Agentic Automation的机会巨大，但门槛也极高。本文将从技术演进、架构设计、主流框架对比、部署方案、安全风险、可观测性生态到企业实践，全面解读这一范式转移的核心逻辑。

二、为什么传统RPA走到了天花板？

2.1 确定性的边界

RPA的底层逻辑极其简单：录屏 → 回放。开发者通过屏幕录制或拖拽式流程设计器定义每一步操作，运行时RPA机器人按照预设规则逐一执行。这种模式在上世纪90年代的屏幕抓取时代就已经存在，核心假设是：目标系统的UI界面保持稳定，流程步骤不会动态变化。

但在今天的数字化环境中，这个假设越来越不成立：

• Web应用频繁迭代：前端框架每周发版，DOM结构变化常态化
• 业务逻辑动态化：审批路径随客户等级、订单金额、风险评分等因素实时调整
• 数据多源异构：一个报销审批可能需要从邮件附件、ERP系统、银行回单、合规数据库同时获取信息并交叉验证
• 异常处理无限种：OCR识别错误、接口超时、数据格式不一致……每种异常都需要预设处理规则

根据Gartner的2024年市场指南，RPA市场虽然仍保持约20%的年增长率，但增速已从此前的高速爆发期明显放缓，更为关键的是——独立的RPA实施正越来越多地被吸收进更广泛的超自动化和智能自动化项目中，纯RPA作为独立品类的存在意义正在被稀释。

2.2 ETR 2025数据揭示的市场格局

根据ETR 2025年12月发布的过程自动化市场观测报告，当前市场格局已发生显著分化：

• Microsoft Power Automate在支出增长、使用率和用户粘性方面表现最突出，依托其与Microsoft 365和Azure生态的深度绑定
• UiPath、Automation Anywhere、SS&C Blue Prism等传统RPA厂商虽然仍位列市场前列，但增长动力明显放缓，在ETR的“Pursuing”象限中影响力减弱
• ServiceNow、SAP Build等平台型厂商通过将自动化能力嵌入更广泛的业务平台，正在蚕食纯RPA厂商的份额

这一格局的背后逻辑是：企业不再需要一个孤立的RPA工具，而是需要一个能将AI推理、流程编排、系统集成融为一体的自动化平台。而这恰恰是Agentic Workflow的价值主张。

三、什么是Agentic Workflow？一张图看清本质

3.1 从“执行脚本”到“目标驱动”

传统RPA的核心范式：

用户定义步骤 → 机器人按序执行 → 返回结果

Agentic Workflow的核心范式：

用户定义目标 → AI规划步骤 → 调用工具 → 观察结果 → 动态调整 → 完成任务

这不是简单的顺序编排，而是一个感知-决策-执行-反馈的闭环。Agentic Workflow中的智能体（Agent）具备以下能力：

3.2 核心架构：LLM + 工具 + 编排引擎 + 记忆

根据Anthropic在2025年发布的《Building Effective Agents》工程指南，生产级Agentic Workflow系统普遍遵循一个三层架构：

1. 编排层（Orchestrator）：负责任务分解、子任务分配、全局状态管理。编排器本身可以是一个带有特定指令的LLM，负责理解用户目标并将其拆解为可执行的子任务。

2. 执行层（Workers/Subagents）：每个执行智能体承担单一职责——例如“查询数据库”、“调用CRM API”、“提取PDF内容”、“发送邮件”。Anthropic强调：“给每个子智能体一个明确的单一职责，让编排器负责全局协调”，这是生产环境中最稳定可靠的架构模式。

3. 基础设施层：包括工具/API接口（MCP协议）、记忆存储（短期会话 + 长期持久化）、权限控制、可观测性追踪。

这套架构与传统RPA最大的区别在于执行路径的动态性。正如AWS官方的Bedrock Agents与Step Functions对比文档所述：Bedrock Agents通过LLM推理动态决定工具调用顺序，执行路径不预先确定；而Step Functions执行的是完全预先定义好的确定性状态机。这恰好对应了Agentic Workflow与传统RPA的根本差异。

四、主流Agentic Workflow框架深度对比（2025年10月最新版）

理解了架构原理，接下来进入最核心的部分：用什么工具来构建Agentic Workflow？当前市场上最活跃的三大开源框架——LangGraph、CrewAI和Microsoft Agent Framework（AutoGen的后继者）——代表了三种截然不同的设计哲学。

4.1 框架一览

4.2 LangGraph v0.3：底层可控的“开发者框架”

LangGraph是LangChain团队推出的专注于智能体编排的框架。2025年2月发布的v0.3版本引入了预构建智能体（Prebuilt Agents），将常用的智能体架构（如工具调用Agent、Supervisor多智能体、Swarm多智能体、长期记忆）打包为即插即用的模块。

核心优势：

• 极致的可控性：LangGraph不强制任何隐藏的Prompt或认知架构，开发者拥有对流程的完全控制权
• 状态持久化：内置Checkpointing机制，支持工作流中断后的精确恢复，这对长时间运行的企业级任务至关重要
• 丰富的预构建生态：Trustcall（结构化提取）、LangGraph Supervisor（监督者多智能体模式）、LangMem（长期记忆）、LangGraph Swarm（群体多智能体模式）
• 社区力量：已有700多个社区集成，覆盖大部分企业系统

典型使用场景：需要精确控制流程、处理长时间运行的有状态工作流、对审计和可追溯性有严格要求的企业级应用。根据Grid Dynamics 2025年11月的白皮书分析，LangGraph最擅长**“复杂的有状态工作流与持久性”**，其自定义图基础的控制流设计让开发者可以精确管理每一步的数据流转。

4.3 CrewAI：角色驱动的“团队协作框架”

CrewAI采用完全不同的设计哲学：将多智能体系统建模为角色（Agent）+ 任务（Task）+ 流程（Process）+ 团队（Crew）。每个智能体定义角色、目标和背景故事，然后由Crew按照预设流程或动态策略来编排协作。

根据CrewAI官方2025年5月发布的博客，CrewAI Enterprise为组织提供了一个无代码可视化构建器，让业务领域的专家可以直接构建和部署智能体工作流，而无需编写代码。CrewAI Studio v2更是提供了一个带AI助手的拖拽式界面，极大降低了智能体开发的门槛。

核心优势：

• 角色抽象直观：将智能体类比为团队中的不同角色，非技术人员也能理解
• 企业连接器生态：已推出十几个企业级连接器（HubSpot、Salesforce、Slack、Jira、GitHub、Azure DevOps、Zendesk等），可直接对接核心业务系统
• CopilotKit原生集成：一条命令即可生成交互式Web UI
• 商业支持完善：提供从免费开源到企业版（年费数万美元）的分层定价

根据Arize 2025年9月发布的框架对比研究，CrewAI在编排者-工作者模式中的独特优势在于其角色系统和自动任务委派机制，但这也意味着在需要极细粒度控制时会受到抽象的约束。

4.4 Microsoft Agent Framework：AutoGen的“企业进化版”

2025年9月，微软正式将AutoGen与Semantic Kernel合并，推出了统一的Microsoft Agent Framework（MAF）——一个支持.NET和Python的开源多智能体开发工具包。这一合并标志着微软在智能体领域的战略统一：AutoGen的多智能体编排能力 + Semantic Kernel的企业级特性。

根据微软官方迁移指南，MAF相对于AutoGen的核心变化包括：

• 编排风格转变：从事件驱动核心转变为类型化、基于图的工作流，数据沿边缘路由，当输入就绪时激活执行器
• 工具体系升级：从FunctionTool变为@tool装饰器（自动推断Schema），并增加托管工具（代码解释器、Web搜索）
• 智能体行为差异：Agent默认多轮调用工具直到返回最终答案，而非AutoGen的单轮
• 企业级特性：Session状态管理、类型安全、Filters、Telemetry、广泛的模型和嵌入支持

核心优势：

• 微软生态深度整合：与Azure AI、Azure OpenAI、Microsoft 365无缝衔接
• 企业安全与治理：内置中间件拦截、安全策略和遥测
• 双语言支持：.NET + Python，覆盖不同类型企业开发团队

值得注意的是，MAF当前处于Public Preview阶段（截至2025年9月），微软官方提醒：使用该框架构建与第三方服务器或智能体交互的应用需自行承担风险。

4.5 框架选型速查：不同场景的最佳选择

根据Sparkco.ai 2025年9月发布的《LangGraph vs CrewAI vs AutoGen: 2025 Production Showdown》综合对比以及Arize的框架分析：

正如JetThoughts 2025年10月的对比分析所总结的，三大框架的根本差异在于编排哲学：AutoGen/MAF = 对话式协作，CrewAI = 角色分工，LangGraph = 状态机控制。没有绝对的优劣，只有匹配度的差异。

五、部署方案：从裸机到云原生，Agentic Workflow的落地方案

5.1 混合基础设施成为生产级Agentic AI的骨干

2025年11月的Microsoft Ignite大会上，一个核心信号被反复强调：企业AI的成功不再取决于能否访问模型，而在于能否在大规模环境中运营化（operationalize）它们。theCUBE Research分析师Rob Strechay指出，混合基础设施正成为生产级Agentic AI的骨干，企业需要跨云、本地部署和边缘环境的一致运营模型。

这背后是一个现实判断：大多数企业不可能将所有数据和计算迁移到公有云。Agentic Workflow需要访问敏感的业务系统（ERP、CRM、HRM），数据主权和延迟约束使得混合部署成为必然选择。

5.2 三大主流部署模式

模式一：SaaS/云原生部署

Cohere在2025年8月正式广泛发布其企业级Agentic AI平台North，支持企业在自有基础设施内大规模部署AI智能体和自动化流程。North的一个关键卖点是其安全优先架构——仅需最少2个GPU即可运行，让企业在防火墙后放心地将数据交给AI。North已服务RBC（加拿大皇家银行）、Dell、LG CNS、Bell等大型企业，覆盖金融、医疗、制造、电信和公共部门。

模式二：混合/本地部署

Kyndryl在2025年7月发布了Agentic AI Framework，一个专为企业管理跨业务工作流的自主AI智能体而设计的编排平台，支持本地部署、云部署或混合IT环境。该平台使用基于图的编排模型实现速度、弹性和持续学习，并且内置加密和零信任认证。Kyndryl的旗舰服务Bridge每月生成超过1200万条AI驱动的洞察，为智能体的持续学习提供了数据基础。

模式三：边缘/设备端部署

HPE在2025年6月推出了GreenLake Intelligence，在其混合云栈的各层嵌入AI智能体，覆盖FinOps、弹性、安全、可观测性、网络、存储和计算。这种将智能体部署到基础设施管理每一层的做法，预示着Agentic Workflow从应用层向基础设施层的渗透。

5.3 部署实战：Amazon Nova Act的全托管模式

AWS在2025年12月正式发布的Amazon Nova Act代表了另一种部署思路：完全托管的Agentic Automation即服务。开发者无需管理任何基础设施，只需在Playground中描述任务目标，系统自动完成浏览器操作。Nova Act使用定制的Amazon Nova 2 Lite模型，专门针对浏览器操作进行了微调。

Nova Act通过强化学习在合成环境中训练的方式独特地解决了可靠性问题：模型、编排器、工具和SDK在被称为“Web Gyms”的自定义合成环境中端到端联合训练，使整个系统在规模化部署中实现了超过90%的任务完成率。

示例代码：使用Nova Act SDK创建一个简单的浏览器自动化Agent：

fromnova_actimportNovaActAgent# 初始化Nova Act Agentagent=NovaActAgent(name="invoice_processor",task_description="从邮件中提取发票PDF，下载并录入ERP系统",)# 定义任务result=agent.run(task=""" 1. 登录Gmail，查找今天收到的发票邮件 2. 下载PDF附件 3. 打开ERP系统（https://erp.company.com） 4. 在"应付账款"模块中创建新发票记录 5. 上传PDF并填写金额、日期、供应商信息 6. 如果信息不完整，标记为待人工审核 """)print(f"处理结果:{result.status}")print(f"执行步骤数:{len(result.steps)}")

这种全托管模式适合快速从原型到生产的场景，但不适合对数据主权和底层控制有严格要求的企业。

六、安全风险：Agentic Workflow的“阿喀琉斯之踵”

Agentic Workflow的强大之处——自主决策、工具调用、多系统交互——恰恰也是其最大的安全隐患。

6.1 新一代攻击面：从Prompt注入到协议漏洞

2025年12月发布在arXiv上的一篇综合调查论文（Ferrag等人）系统梳理了LLM智能体生态系统中的端到端威胁模型，分类了超过30种攻击技术，涵盖输入操纵、模型攻陷、系统与隐私攻击、协议级漏洞四大类别。论文提出了防御策略包括：动态信任管理、加密溯源追踪和沙盒化智能体接口。

具体到实际威胁，2025年最令人警惕的几个攻击向量：

Prompt Injection 2.0（混合AI威胁）：

Preamble公司（最早在2022年发现Prompt注入漏洞的安全企业）在2025年7月发布了名为“Prompt Injection 2.0”的研究论文，揭示了攻击者如何将Prompt注入技术与传统Web漏洞（跨站脚本、跨站请求伪造）结合，创建绕过传统安全控制的混合攻击。CEO Jeremy McHugh指出：“AI威胁格局已随Agentic AI系统的兴起而发生根本性转变”。

HashJack攻击：

2025年11月被发现的HashJack Prompt注入技术利用客户端URL片段（Fragment）作为攻击向量，绕过了网络和服务器端安全控制，可将任何合法网站变成攻击的跳板。对于需要访问外部网页的智能体而言，这意味着即使看似安全的网站也可能成为攻击入口。

Cursor + Jira MCP零点击漏洞：

2025年8月，Snyk Labs披露了一个针对Cursor AI Agent的攻击链：攻击者可以通过恶意的Jira支持工单触发Prompt注入，利用MCP服务器集成实现零点击攻击。这一案例揭示了智能体-工具集成链路上的安全隐患。

6.2 企业在Agentic Workflow安全上的五条生命线

结合Anthropic在2025年SDK指南中提出的安全最佳实践和最新的安全研究成果，企业在部署Agentic Workflow时应当遵循以下五条原则：

1. 最小权限原则（Least Privilege）

从拒绝所有权限开始，仅白名单列出每个子智能体需要的命令和目录。对于敏感操作（如git push、基础设施变更），要求显式确认。

2. 工具调用沙盒化

Anthropic建议对智能体的工具权限进行严格的Allowlist管理，绝不授予广泛的OS权限。设置“停止点”（stop points），在关键操作前强制智能体请求批准。

3. MCP安全规范

如果通过MCP协议暴露工具，必须遵循官方安全最佳实践（2025年6月18日版）：OAuth 2.1认证、TLS传输加密、沙盒化执行环境、限定权限范围、签名清单和全面的日志记录。

4. 审计与可追溯性

每一步智能体操作都应记录：输入、输出、时间戳和调用智能体身份。这不仅是安全审计的需要，也是Agentic Workflow可观测性的基础。

5. 人在回路（HITL）

对于高风险操作——资金转账、合同签署、生产环境变更——必须在流程中设置人工审批节点。这不仅是安全需求，也是合规要求。

七、生态工具：可观测性——让Agent不再是“黑盒”

7.1 为什么Agentic Workflow必须可观测？

传统RPA的问题是“机器人做了错误的操作”，你可以查看执行日志来定位错误步骤。而Agentic Workflow的问题是“智能体为什么做了这个决定”——它调用这个工具而非那个工具的推理链条是什么？某次失败的上下文是否污染了后续决策？

根据GetMaxim AI 2025年12月发布的研究报告，虽然82%的组织计划在三年内集成AI智能体，但传统评估方法无法应对智能体系统的非确定性、多步骤特性。Gartner预测，40%的Agentic AI项目将在2027年底前因交付可靠性问题被取消。可观测性是解决这一挑战的关键。

7.2 五大主流可观测性工具速览（2025年版）

根据ZenML 2025年9月发布的LLM可观测性工具综合评测和GetMaxim AI 2025年12月的研究：

7.3 实战：用LangSmith + LangGraph构建可观测的生产级Agent

以LangSmith为例，它专门为LangChain生态构建，提供对复杂Agentic Workflow的可视化追踪能力。根据LangChain官方2025年的博客，LangSmith的核心价值在于：

• 追踪可视化：以图形方式展示智能体的推理路径、工具调用序列和状态变化
• 评估框架：支持离线评估（在部署前验证Prompt/模型变更）和在线评估（LLM-as-a-Judge自动评分）
• Golden Dataset管理：自动从追踪数据中创建评测数据集

代码示例：集成LangSmith的LangGraph智能体：

importosfromlanggraph.prebuiltimportcreate_react_agentfromlangsmithimportClient# 设置LangSmith追踪os.environ["LANGCHAIN_TRACING_V2"]="true"os.environ["LANGCHAIN_API_KEY"]="your-api-key"os.environ["LANGCHAIN_PROJECT"]="agentic-invoice-processing"# 创建可观测的Agentagent=create_react_agent(model="claude-sonnet-4-20250514",tools=[email_tool,erp_tool,pdf_extractor],)# 每条执行都会在LangSmith中生成完整追踪result=agent.invoke({"messages":[{"role":"user","content":"处理今天收到的所有发票"}]})# LangSmith自动追踪：Prompt → LLM调用 → 工具选择 → 输出 → 状态变化

Databricks和Arize在2025年5月还联合展示了如何将Mosaic AI Agent Framework与Arize的可观测性平台结合，实现从构建LangGraph工具调用智能体到添加全面追踪、使用LLM-as-a-Judge评估再到部署监控的全流程闭环。

八、企业实战案例：谁已经在生产环境跑Agentic Workflow？

8.1 Salesforce：从“软件公司”到“智能体企业”

Salesforce在2025年11月发布的案例研究中，详细展示了其如何用AI智能体（Agentforce品牌）实现转型——他们将其称为**“智能体企业（Agentic Enterprise）”**。到案例发布时，Agentforce已运行约一年。

核心数据：

• Agentforce服务智能体自主处理了超过220万次客户对话，超过人类工程师处理的150万次
• 实现了7×24小时、覆盖7种语言的不间断服务
• 仅服务智能体一项就带来超过1亿美元的年化成本节约
• 在销售端，此前75%的销售线索无人跟进，Agentforce销售智能体现在自动联系这些线索，释放了之前被搁置的收入机会

技术架构关键设计：Salesforce基于Data 360构建统一数据层，使用“零拷贝（Zero Copy）”技术减少数据同步复杂性和延迟。所有智能体共享统一的数据治理和上下文框架。

8.2 ServiceNow：多智能体系统编排客户全生命周期

ServiceNow在2025年11月发布的案例中展示了如何使用LangGraph + LangSmith构建覆盖客户全生命周期的多智能体系统，涵盖八个关键阶段：线索资质认定→商机发现→经济买家识别→上线实施→采用追踪→使用与价值实现→续约与扩展→客户满意度与倡导。

系统采用Supervisor多智能体架构，一个监督者智能体协调多个专业化子智能体，每个子智能体负责客户生命周期的特定阶段。在技术实现上，ServiceNow的团队大量使用了LangGraph的map-reduce风格图和Send API + 子图调用，实现了模块化的架构设计。

8.3 Ford：Agentic Engineering 带来40%产能增益

Ford在2025年11月的TechSparks大会上分享了其用Agentic Workflow重塑软件开发流程的实践：

• 编码工作量从35%降至10%，每Sprint释放出40%的额外产能
• AI智能体自动生成前后端代码、测试用例、自动化测试、部署脚本、文档和代码审查建议
• 但也遇到了新挑战：为了达到85%测试覆盖率目标，AI生成了远超需要的2000多行测试代码（对应40行业务代码），导致CI构建时间从10分钟暴涨到25分钟

Ford CTO的反思极其深刻：“没有Guardrails，智能体会为指标优化，而不是为意图优化。”

九、传统RPA厂商的转型：UiPath的Agentic Automation之路

面对Agentic Workflow的冲击，传统RPA厂商并非坐以待毙。

UiPath在2025年明确将自身重新定位为**“Agentic Automation平台”**的领导者。其核心产品演进包括：

• UiPath Platform™：2025年推出的统一企业级Agentic Automation平台，将AI智能体、流程编排、文档处理、测试和治理整合到单一平台
• Maestro：智能体编排引擎，2025年11月的2025.10版本引入了更智能的编排能力，支持Gemini Live Autopilot实现SLA感知的自主流程优化
• AI Trust Layer：企业级治理层，提供AI单元治理、安全网关和数据保护能力
• 2025-2026路线图：涵盖对话式智能体语音交互、连接器构建器、分层流程挖掘、高级Data Fabric等

然而，根据WindowsNews AI 2025年12月的深度分析，UiPath面临的核心挑战不是技术能力，而是如何说服客户其AI能力能与Azure AI、Google Cloud AI、AWS AI Services等云超大规模厂商匹敌——这与微软Power Automate的“生态捆绑”策略形成鲜明对比。

十、趋势与建议：2026年，Agentic Workflow将走向何方？

10.1 五大趋势预判

趋势一：Agentic Workflow从“原型玩具”走向“生产骨干”

2025年是概念验证的一年，2026年将是规模化生产的一年。Microsoft Ignite 2025的核心信号——“治理、弹性、安全、观察和规模化”构成的完整生命周期方法——说明行业已从“能不能做”过渡到“怎么做对”。企业不再满足于Demo，而是要求SLA级的可靠性。

趋势二：“传统RPA + Agentic AI”成为混合主流

传统RPA不会完全消亡，但会退化为Agentic Workflow中的一个执行组件——处理那些最适合确定性规则的UI操作，而智能体负责高层次决策、异常处理和动态编排。UiPath的Agentic Automation平台正是这一趋势的代表。

趋势三：安全成为第一优先级

随着HashJack、Cursor MCP零点击等攻击技术的曝光，Agentic Workflow的安全性不再是“锦上添花”，而是“入场券”。Preamble开源的Prompt Injector测试工具和Ferrag等人的安全框架代表了行业对这一问题的正面回应。

趋势四：可观测性从可选项变为必需品

Gartner预测40%的Agentic AI项目将因可靠性问题被取消。没有可观测性就没有可靠性。LangSmith、Langfuse、Arize等工具在2025年的快速演进，为2026年的生产级部署做好了准备。

趋势五：多智能体协作成为标准范式

单一智能体的能力总是有限的。2025年的实践证明（ServiceNow、Salesforce、Ford），编排者-工作者（Orchestrator-Worker）模式是生产环境中最可靠的架构。2026年，这一模式将成为Agentic Workflow的默认架构。

10.2 给开发者和技术决策者的五条实践建议

建议一：从高价值、低风险的场景切入

不要试图一次性将所有业务流程Agentic化。选择那些规则明确但存在大量异常处理的场景——例如发票处理、客户支持工单分类、邮件智能分拣——这些场景中，AI的价值增量最大，风险可控。

建议二：优先选择有成熟可观测性的框架

在生产环境中，Debug能力比开发效率更重要。LangGraph + LangSmith的组合是目前在可观测性方面最成熟的方案。如果你选用其他框架，确保有对应的追踪和监控方案。

建议三：安全设计前置，而非后置

从第一天起就将最小权限原则、工具沙盒化、人工审批节点纳入架构设计。不要等到安全事件发生后再补救。

建议四：拥抱混合部署

不要假设所有Workflow都能跑在公有云上。数据驻留、延迟敏感、合规约束都会推动混合部署方案。Kyndryl Agentic AI Framework和Cohere North的实践已经证明了混合部署的可行性。

建议五：组织变革先行

Agentic Workflow不只是技术升级，更是人与AI协作模式的变革。Salesforce的经验表明，需要打破部门壁垒、重新设计流程、持续测试和调优智能体性能。Ford的经验则警示：没有合适的Guardrails，智能体会为指标而非意图优化。

十一、结语

“传统RPA已死”是一个吸引眼球的标题，但更准确的表述是：传统RPA正在被Agentic Workflow重新定义，而非被淘汰。

2025年，我们见证了Agentic Workflow从技术概念走向企业生产的关键转折——LangGraph 0.3的预构建智能体生态、Microsoft Agent Framework对AutoGen的企业级进化、CrewAI的零代码构建能力、Salesforce和ServiceNow的大规模生产实践、Ford用Agentic Engineering重构开发流程——所有这些信号都指向同一个方向：下一代智能自动化已经到来。

而对于站在2026年门口的我们来说，真正重要的问题不是“要不要用Agentic Workflow”，而是**“如何用好Agentic Workflow”**。这个问题的答案，正藏在本文所讨论的每一个技术细节之中。