最近 Manus、Flowith、GPT-4o 等产品的爆火，又引发了大家对 Agent 的热烈讨论。
一种观点认为 Workflow 会限制模型能力，真正的 Agent 不应该是预设好的 Agentic Workflow。其本身的各种能力，应该是模型自然演化出来的。DeepResearch 的研究员、Kimi 的研究员以及 Manus 团队都是这个观点：Less Structure, More Intelligence.
那么搭建 Workflow 的框架，以及相关无代码平台（例如扣子、ComyfUI）是否就没有太大价值了？
Workflow 是否还有它独特的意义？
Agent 应该走向通用还是垂直？
Agent 的未来将如何发展？
针对这一当下从业者最关心的问题，特工们自己，以及邀请了一些好朋友分享了各自的观点，让我们一起来看看相关从业者、研究员都在如何思考这个问题。
注：如果你对此也有独到的看法，欢迎写在评论区或给特工少女留言，我们遴选后会放在该系列的第二期～
偏向通用 Agent 的观点
lokinko，Agent 工程师：“The wider the base, the taller the spire.” 我认为相似的趋势已经在 LLM 领域上演过一次。Transformer 出世前，NLP 还在研究机器翻译、情感分析、智能问答等非常多细分领域，各类专家系统、网络结构层出不穷，针对每个任务构建专门的架构和 Workflow，但是随着而来的 GPT 横扫了几乎所有榜单，统一了整个 NLP 领域。
即使是 GPT 时代的两三年里，我们看到海量基于 ChatGPT 的「领域模型」爆发出虚假的业务繁荣，随后的 Deepseek 又重构了这一切。Agent 领域目前还远没达到成熟，正像期盼着 ChatGPT 时刻一样，我们正在等待着 Agent Fundation Model 的出现，急忙的在半成品上追求「专精」的后果一定是打上很多补丁、用上很多专业领域的工具与知识库再加上手工 template 与 prompt 去维系脆弱的可靠性，这何尝不是一种 reward hacking 呢？
调研过如 Magentic-One，Manus 和 CAMEL 这些智能体框架后可以发现，当前 Orchestrator 做任务分解和编排的能力非常有限，通用工具如 Browser use，File tool 和 Code interpreter 等的工具也并不充分，Function Calling 的能力还并不稳定和准确。可能垂域应用听起来会有很不错的想象空间，但是垂域产品导向的研究非常容易就将技术路线引入「定制化」、「模板化」的 reward hacking 路线上，毕竟给个合适的 template，模型也能执行下去，但对于 long horizon 的情况就不可控咯，众所周知的「指数魔力」0.95 的五次方 = 0.77, 0.95 的五十次方 = 0.07，基于这个稳定性下尝试解决复杂需求的产品，没有任何的意义。
对于研究者来说，当务之急就是提升 Agent Fundation Model 的能力，而非钻到垂域任务去做产品，Manus 团队在爆火后的第一个新闻就是与千问团队合作，而千问团队是国内最好的开源 Fundation Model 的团队之一。优秀的通用智能体框架与通用工具的组合，能非常迅速落地到各种业务场景中，省去 workflow 里手工定义的部分，等能力成熟后，各类产品的使用体验与现在的水平一定是断代的差距。不然，有谁还记得 Midjourney？
Derek Nee – flowith CEO、产品经理：即便到了 2025 的 Q2，目前所有的 Agent 产品（不管是 Manus、OpenAI 还是 flowith 的产品）均处于非常早期的阶段，近期发布的 Agent 产品都还有很强的更早产品的影子（如 AutoGPT、Devin AI、Operator、Deep Research 等等），还没有太多新的东西。flowith 是在 2024 年年中开始搭建我们自己的 Agent 框架和系统，并在 8 月份就上线了用户可以直接、稳定、高效使用的 Agent 功能 ORACLE，而我们为什么要这么早做 Agent （在去年那个节点 O1、R1 等模型都仍未面世、AutoGPT 也很久未被关注了）、而不是做工作流的原因 — 就是因为我们较早的意识到了在通用场景下，让人搭建 AI 工作流是一个很原始的过渡方案，在未来，AI 完全可以代替人来自适应地搭建工作流、调用工具、管理上下文等等，不需要人来做这些事情。
不过我觉得需要明确的是，Agent 不等于通用、而 Workflow 通常代表垂直，短期来看 Workflow 不会立刻被通用 Agent 替代，因为通用 Agent 想有质的飞跃要难很多，更何况通用 Agent 的终局可能就是 AGI 了，这可能不是所有人的机会。而搭建垂直的 AI 工作流，并把它应用在各类已有的垂直场景中，可能是大部分人的机会，因为它的性价比、速度和可控性依然有优势，而且比通用 Agent 更好集成。Coze 和 ComfyUI 类产品，很快也会有一些 Agent 能力，两者在后续会相互交融。
缱绻怡然，Agent 研究员：首先我觉得应该是 More Intelligence，Less Structure. 如果是一个很聪明的人，我会愿意把需求告诉他直接让他来做，他完成的方式方法和效率可能是出乎意料的。但如果是不太聪明的没接触过的，为保证效果，就得一步步预设指引好。
通用，啥都能干的 Agent 听起来很酷，就像人类社会里的全能通才一样让人着迷，但解决行业痛点问题还是得看懂行的专才。看到小红书的一个帖子说“别再吹通用 Agent 了，其实业务都是 Workflow”，下面有个很有趣的评论是“落地都是 Workflow，3D 打印再通用也抢不了流水线的饭碗”。
所以我觉得这件事可以分 toC/toB 来看，toB 更需要流水线式稳定的 Workflow，toC 用更通用的 Agent 用户容忍度最高，能解锁的玩法和创意会更多一些。
尹伯昊，猴子无限创始人：工作流还会至少为人类健康工作五十年。一个暴论是，在不再需要用户手动配置和查看工作流的前提下，未来 95% 的 AI 能力仍还是以工作流的形式做交付。
以下是三个工作流比智能体更合适的场景，其中第三个最被低估且最为重要：
1️⃣ 确定性需求：人类没有那么多高难度任务，大部分任务中的模型都是智能过剩的，相比因为模型的过度智能而带来的潜在多样性，通过工作流快速激发最必要的领域能力是更合适的。
2️⃣ 需要低成本和短时间完成运行的需求：用户只需要支付真正的生成模块的 token 和占用对应的时间，而无需推理过程的 token 和占用的时间；从这个角度看，工作流是智能体推理过程的数据结构缓存。
3️⃣ 大规模产生高鲁棒性的合成数据的需求：模型能力不是凭空产生的，通过不可 scaling 的小模型和工程方法实现特定任务 SOTA，然后将数据供给给大模型，是某种程度的“反向蒸馏”，通过在每个任务中完成“反向蒸馏”，大模型才能实现有效的能力提升。
特工鲸鱼，特工宇宙学术负责人：传统定义下的 Workflow 没有任何 LLM（Agent) 参与，而我们期望的 Agent 最终形态是没有任何 Workflow 的完全自由的 Agent，但这个最终 Agent 的形态可能还没有很成熟。很多人可能会说，现在有很多 Agent 是没有定义 Workflow，但其实我们不难发现，很多内置的 Prompt 其实充当了“软性”的 Workflow，什么时候该做什么，什么情况思考什么，这些人类沉淀下的规则被放到 Prompt 中，人为地决定 Agent 的行为。不过即使抛开这种情况，现在大部分可用于生产环境的 Agent 系统也是 Agent+Workflow 的组合，可能是 Workflow 里有 Agent，也可能是 Agent 里有 Workflow。
Agent 不是目的，Workflow 也不是妥协。用户只关心最后到手的质量，不关心中间是怎么做的。所以如果某个场景用 Agent+Workflow 的搭配本身最稳定也效果足够好，就完全没必要用纯粹的 Agent，毕竟大多数的场景下我们需要的是 Workflow 的“执行”而非 Agent 的“探索”。
特工阿尔法，Alpha4AGI：未来的模型，会是“通用做底座，垂直做闭环”相辅相成的渐进过程。随着 MCP 思想逐渐成型，Tooling 成为核心能力——如何选工具、如何理解反馈、如何设计多步调用中的容错策略，将决定模型的实际表现。可预见的，若要 Agent 真正落地，每个垂类都应出现自己的 Toolchain，以代替每个行业重复的 Workflow。
当然，垂域标准化的 Tool usage，也只会是这场 「Agentic 演化」的起点。只有当大模型通过足够的经验积累和推理训练，内化出“自主生成 & 高效调度” Agents 的能力时，属于 AI 时代的产品形态才会浮出水面——而我相信这都不会太远，现在或许是“学习 AI，畅想变化，拥抱时代”的最佳时间点。
吕昭波，AI 架构师：模型能力愈发强大，之前通过 Workflow 编排才能实现的能力现在逐步通过模型本身就能实现，无独有偶，DeepSeek 也逐渐吸收了 Prompt，对 Prompt 工程的要求变低。
我的观点是模型会越来越强大，会逐渐吞噬原来 Workflow 中提供的部分能力，但模型需要原子化能力，将所有应用场景中的方案封装为黑盒能力也不现实，所以从上层应用到底层模型之前会有路径也需要解藕，所以还是会需要 Workflow 来串联各种数据&定制化能力等等，只不过 Workflow 也会演进、并非现在的形式。
从应用视角来看，重点需要关注的是上层应用是否匹配需求、解决现在的痛点问题，在这个视角的观点会弱化底层模型能力、中间 Workflow 能力，模型能力和中间 Workflow 的能力边界会变得模糊。
特工十五，特工宇宙产品负责人：用户并不关心产品背后是由强大的大模型自主调用工具，还是工程师搭建的 Workflow，只关心是否开箱即用、需求是否被及时响应和满足。就像我们使用抖音、淘宝、美团时，不会在意背后的技术实现，因为一切都直觉且自然。
而用户与 AI 的交互任务大致分为两类：
-
增强型任务：如研究、学习，LLM 作为决策者，自主规划路径；
-
自动化任务：如流程执行，LLM 作为消息处理节点，按预设路径完成任务。
-
问题小、重复度高 → Workflow 更高效；
-
问题复杂、变量多 → Agent 更灵活健壮。
所以在设计 AI 产品时，首先考虑的是用户上手门槛和 LLM 系统的响应时间，其次才是 Agent 还是 Workflow，
比如以下几点：
-
在 AI 产品中，任务是否复杂到需要 Agent 的适应性决策，还是 Workflow 的确定性方法就足够？
-
更简单的 AI 工具是否能达到相同效果？
-
Workflow 是否涉及不确定性或多步推理，Agent 是否更适合？
-
赋予 Agent 自主性是否带来风险，能否控制？
特工少女，特工宇宙内容运营：Workflow 是一个脚手架，随着模型能力的提升，这个脚手架可能会逐渐被拆除。至于“搭建 Workflow 平台有没有价值”，我觉得取决于时间尺度，五年内还是非常有价值的，尤其是对于工程化落地。
在模型能力尚未成熟前，Workflow 是实现复杂目标的实用方案。很多实际应用场景（如自动化客服、数据分析）更看重稳定性和可控性，而非模型的“自由度”。Workflow 和 Agent 的发展不是对立的，Workflow 的设计经验可以反哺模型训练，形成正反馈。
特工女巫，特工宇宙编辑，某厂 AI 产品经理：从行业发展整体来看，未来有了更智能的基础大模型，会让 Agent 有更强的自主性，能力上具备不需要 Workflow 的条件。这样 Intelligence 升级的模型，应该也是 AI 从业者希望看到的，将减少 Workflow 编排、Prompt 写作的人工开发成本，进一步降低使用门槛，技术普惠给大众。
从实际生产需求出发，如果将 Agent 的目标比为更接近人，现在在人类社会中，有通用自主灵活的做事方式，有严谨规范流程化的做事方式，所以还是取决于具体需求目标。
比如要在企业内应用 Agent，工作本身就存在 SOP，信息在人员部门间随各项事务流转，并且办公生产环境对结果严谨性要求相对更高，让有人为干预定义的 Agentic Workflow 融入，是更合适的选择。
而在日常生活、学习探索中，这类场景需要执行的任务相对灵活、自由、开放，对结果的多样性和容错度相对更高，也需要更普适更易操作，那么 Autonomous Agent 是更值得期待的。
特工小帅，特工宇宙运营助理：通用与垂直的争辩，可以类比成人类社会历史上已经存在的议题。 以史为鉴 ，可以知未来。在工业革命早期，很多工厂使用通用的蒸汽机驱动各种机器， 但随着工业化深入，越来越多的行业开始使用针对特定任务的蒸汽机。工业革命初期依赖通用机器，但最终行业发展需要垂直优化的专业设备。这意味着 AI 可能也是先通用赋能，后垂直优化的路线。
再从人才培养的角度来看，通用 AI 就像通才，可以做各种事情但未必精通。垂直 AI 就像专才，在特定领域内更具竞争力。从一个人才的成长路径来看，大多数人是先接受通识教育，再逐渐走向专业化。这意味着 AI 可能也是先有通用智能，后有针对具体行业的深度优化。
通用和垂直方向各有价值。不过或许垂直方向的 Agent 更易率先商业化。通用系统往往更依赖大科技公司路径更长的变现模式（比如广告模式），而垂直优化的 Agent 容易找到精准用户并形成可持续的商业模式（如医疗 AI、法律 AI）。
从产品策略来看，短期可以优先做垂直 AI，找到一个高价值、刚需的场景切入（如 AI 创作助手、AI 求职助手）。长期再从垂直走向通用，当数据、用户积累到一定程度时，可以扩展成更通用的智能体，从一个垂直细分的需求适当延伸到用户更加多元的需求。
（文：特工宇宙）