一句话定义
从 Chatbot 到 Agent 是一条自主性递增的谱系：控制流从"完全在用户手里"逐步移交给"代码编排"再到"模型自主决策"——形态没有高下，只有与任务不确定性程度的匹配。
为什么重要
最大的工程浪费不是"Agent 做得差"，而是"不该用 Agent 的任务用了 Agent"。选错形态的代价是：可预测性下降、成本上涨、调试困难。本篇给你一张选型地图，这是技术人与产品人对齐的第一张共同语言。
前置知识
kp-001（Agent 定义与四要件）。
核心概念
谱系四形态
自主性 →
Chatbot ── Copilot ── Workflow ── Agent
（答） （助） （代跑流程） （自主达成目标）| 形态 | 控制流 | 典型例子 | 失败模式 |
|---|---|---|---|
| Chatbot | 用户主导，一问一答 | 客服 FAQ、闲聊 | 答非所问、幻觉 |
| Copilot | 用户主导，模型在每步辅助 | IDE 补全/聊天、写作助手 | 建议质量差 |
| Workflow | 代码编排，模型做节点内的理解/生成 | 翻译流水线、固定审批摘要 | 节点质量差、流程僵硬 |
| Agent | 模型自主决定路径与工具 | 编程 Agent、深度研究 | 跑偏、死循环、烧钱 |
注意 Copilot 与 Workflow 的微妙位置：Copilot 的控制流始终在用户（点一下给一个建议）；Workflow 用了 LLM 但步骤是写死的——按 kp-001 的定义它不是 Agent，业界称之为 "agentic workflow"（有 Agent 味道的流程）。
Anthropic 的五级阶梯（ workflows → agent ）
- Prompt chaining：串联多个单步调用（摘要→翻译→润色），加检查点
- Routing：先分类，再走不同分支（简单问题走小模型）
- Parallelization：分片并行 + 投票/聚合
- Orchestrator-workers：一个 LLM 动态分解任务、分派给 worker（这是 workflow 与 Agent 的过渡带）
- Autonomous Agent：循环 + 工具 + 环境反馈，直到完成目标
工程经验：从 1 往上逐级尝试，能停在低级就停在低级。级别越高越灵活，也越难测、越贵、越慢。
选型判据：任务的不确定性
问三个问题：
- 步骤可预知吗？（可预知 → Workflow）
- 中间需要临场判断吗？（"网页打不开要不要换镜像源"这种判断多 → Agent）
- 错误的代价？（低代价可自动重试 → Agent；高代价 → Workflow + 人工审批，kp-023）
一个常用经验法则：确定性 > 90% 的任务用 Workflow；工具组合方式不可枚举的探索性任务用 Agent；中间地带用 orchestrator-workers。
原理与机制
谱系背后是控制流位置的迁移：
- Chatbot/Copilot：控制流在用户，模型只做局部生成
- Workflow：控制流在代码（if/else/循环写死），模型是无状态的被调函数——因此可单测、可重放、成本可预算
- Agent：控制流在模型（下一动作是条件生成的输出）——因此能处理未预见情况，但每次运行的路径都可能不同，必须靠评测统计与护栏兜底（kp-024/026）
这也解释了两者的调试差异：Workflow 的 bug 用日志复现；Agent 的 bug 用分布描述（"100 次里失败 8 次，集中在多语言输入"），修复方式是改提示/工具/护栏后重跑评测。
直观类比
- Chatbot = 问询台
- Copilot = 副驾驶：方向盘在你手里，它提醒路况
- Workflow = 地铁：站点固定，准点但不到家门口
- Agent = 网约车司机：你给目的地，他选路线；可能绕路，极端情况需要客服（人类）介入
实例与案例
"每天把 10 封简历筛成评分表"的形态演进：
- v1 Workflow：代码读邮件 → LLM 逐份打分（结构化输出）→ 写表。稳定、便宜。问题：简历格式五花八门，纯代码抽取常失败。
- v2 加一个 Agent 步骤：抽取失败时进入 Agent 模式，允许模型用"打开附件、找教育经历"等工具自救，其余仍是 Workflow。
- 结论：混合架构——主干 Workflow 保确定性，局部 Agent 吸收长尾不确定性。这是 2026 年生产系统的主流形态。
常见误区
- 误区一："Agent 是终极形态，一切终将 Agent 化"。行业血泪共识是反过来的：Anthropic 明确建议"能用 workflow 就不用 agent"。
- 误区二："产品名带 Agent 就是 Agent"。很多"XX Agent"产品实现上是 routing + prompt chaining。按控制流判断，不按名字。
- 误区三："Copilot 是 Agent 的低配版"。Copilot 的"人类在每一步"是特性不是缺陷——高风险领域（医疗、法律）它可能就是终态。
- 误区四：忽视混合形态。真实系统大多是 Workflow 主干 + Agent 处理例外。
自测题
- Workflow 与 Agent 的控制流分别在谁手里？各带来什么代价与收益？
- orchestrator-workers 为什么是过渡形态？
- "批量合同抽取，格式固定"该选什么形态？
（参考答案：1. 代码 vs 模型；Workflow 可预测可单测但僵硬，Agent 灵活但需统计化评测与护栏；2. 分解由 LLM 动态做（Agent 性质），但整体是一次性分派而非持续循环反馈；3. Workflow（+失败样本交人工或局部 Agent）。）
与其他知识点的关系
- 循环机制 → kp-006；规划式分解 → kp-013
- 自主性的人为刹车 → kp-023；评测差异 → kp-024
- 编排框架实现 → kp-019/021
延伸阅读
- Anthropic, Building Effective Agents——五种 workflow 模式的原始出处
- Simon Willison 博客关于 "agent" 定义边界的系列讨论