我係 Lena。上個禮拜我有一個下晝對住 Dify 嘅 "Create App" 介面發吽哣,卡住喺一個睇落簡單、其實唔簡單嘅問題:我要做嗰嘢,應該揀 Agent 定 Workflow?
呢種決定嘅特點係——一旦你諗通咗就覺得好明顯,但第一次接觸嘅時候真係會令人困惑。兩邊都可以調用 LLM,兩邊都可以用工具,兩邊都會出結果。咁佢哋究竟差喺邊——以及幾時揀錯咗會令你白白返工幾個鐘?
以下就係我喺兩種模式之間嚟回切換、將 Dify 文檔睇咗多過我願意承認嘅次數、將同一個項目重做咗兩次之後,搞清楚嘅嘢。
速答:要靈活就揀 Agent,要可控就揀 Workflow
如果你淨係有 30 秒:Dify 嘅 Agent 係實時推理、自己決定嘅——佢自己揀用咩工具、幾時用。 Dify 嘅 Workflow 行嘅係你預先定義好嘅路徑——每一步都睇得到,每個分支都係顯式嘅。
任務開放性高嘅時候用 Agent。任務步驟穩定嘅時候用 Workflow。呢個係核心嘅分界線。
但實際情況比呢個複雜好多,所以請繼續睇落去。
Dify Agent vs Workflow 對比表
| 維度 | Dify Agent | Dify Workflow / Chatflow |
|---|---|---|
| 控制流程 | LLM 喺執行時決定路徑 | 你喺可視化畫布上把路徑定義出嚟 |
| 記憶與上下文 | 內建對話記憶(最多 500 條訊息) | Workflow:冇記憶。Chatflow:每個 LLM 節點可配置記憶 |
| 工具使用 | 模型自主決定呼叫邊啲工具 | 工具作為固定節點擺放——你決定佢哋幾時運行 |
| 調試 | 比較難追蹤——模型嘅推理係一個黑盒 | 節點級單步調試,單節點測試運行 |
| 可靠性 | 可預測性低——取決於模型嘅推理質量 | 高度可預測——同樣嘅輸入,同樣嘅路徑 |
我搭嘢嘅時候反覆翻返呢張表。最令我意外嘅係兩種模式下調試體驗嘅差別。呢點我下面會講。
控制流程
喺 Dify Agent 入面,你寫一個 prompt,掛上工具,由模型決定執行順序。你唔畫流程圖,你描述一個目標,然後 LLM 用 Function Calling 或 ReAct 呢類策略推理出步驟——決定呼叫邊個工具、處理返回結果,然後再決定下一步。
喺 Workflow 入面,你企喺一塊畫布上面。你拖節點——LLM、Knowledge Retrieval、If/Else、Code、HTTP Request——再用線連起佢哋。根據 Dify 嘅 workflow 文檔,Workflow 由頭跑到尾一次就完,Chatflow 就係喺同一套節點系統之上多咗一層對話層。
呢個分別喺我親自試兩邊之前感覺都好抽象。Agent 好似將個工具箱遞畀某個人然後話「你睇住辦」。Workflow 好似寫一份組裝說明書咁。
記憶與上下文
呢點我意料之外。Agent 會自動保留對話歷史——最多 500 條訊息或者 2,000 token,邊個先到就以邊個為準。超過上限嘅舊訊息會俾人掉走。
Workflow 冇記憶。每次跑都係完全由零開始。Chatflow 確實支援記憶,但你要喺每個 LLM 節點度手動配置,而且係同會話 ID、session 變量綁定嘅。我直到自己嘅 workflow「忘記咗」兩次運行之間嘅所有嘢、花咗 20 分鐘以為自己寫壞咗之後,先意識到呢點。
工具使用
Agent 動態揀工具。你將工具掛喺 agent 上面,由 LLM 喺執行時根據用戶嘅 query 決定用邊啲。
Workflow 將工具當固定節點用。你將 "Google Search" 節點或者 "HTTP Request" 節點精確擺喺你想要嘅位置。執行流去到嗰個節點時,工具就會運行——唔涉及模型嘅決策。
調試
……呢一點我停低諗咗一陣。
Dify Workflow 有 step-run 功能,可以單獨測試某個節點。你可以畀單個節點喂測試輸入,睇佢具體輸出咩。呢樣對生產工作嚟講係一件大事——你可以精確隔離出邊個節點行為唔啱。
Agent 畀唔到你呢種能力。你可以喺對話 log 入面睇到模型嘅工具呼叫,但要追蹤佢點解揀嗰條路徑就難好多。推理發生喺模型內部,log 記錄嘅係發生咗咩,未必解釋到點解。
可靠性
呢個 tradeoff 我而家都唔敢話完全理解,但我留意到嘅係:同樣嘅輸入,workflow 行出嚟嘅輸出路徑係同一條。 如果你嘅 If/Else 分支將賬單問題路由到左、技術問題路由到右,每一次都係咁行。
Agent 可能會畀你驚喜。模型可能用唔同順序呼叫工具、或者直接跳過其中一個,睇佢點解讀今次嘅 query。呢個係靈活性嘅代價。
幾時用 Dify Agent
任務需要推理或者開放性嘅工具使用
如果用戶咩都可能問——「分析呢份數據」、「先搜 X 再總結」、「對比呢兩樣嘢」——而你冇辦法預測步驟,咁 Agent 係合理嘅選擇。
數據分析助手就係 Dify 自己嘅例子:agent 自主獲取數據、生成圖表、總結結論。你淨係描述 persona,掛上工具。
用戶互動會改變路徑
嗰種「下一步取決於用戶啱啱講咗咩」嘅多輪對話——係 Agent 嘅地盤。內建記憶意味住 agent 仲記得你三條訊息之前討論過嘅嘢。想喺 Workflow 入面複刻呢件事,意味住手動管理 session 變量,複雜度好快會上去。
幾時用 Dify Workflow
流程嘅步驟係穩定嘅
報告生成、工單分類、文檔處理、郵件路由。如果喺你動手之前,就可以喺白板上用方格同箭咀將流程畫出嚟——佢就係一個 workflow。
我將工單分發器搭成咗 Chatflow:用戶訊息入嚟 → LLM 分類意圖 → If/Else 路由到唔同嘅回覆模板 → Answer 節點輸出結果。每一步都睇得到。每個分支都可以測。如果分類錯咗,我知道具體要改邊個節點。
可預測性比靈活性更加重要
需要一致、可審計行為嘅生產系統,應該放喺 workflow 入面。IBM 將 agentic workflows 定義為「agent 喺最少人工干預下做決策嘅 AI 驅動流程」——但實際上好多生產團隊想要嘅啱啱相反:對決策路徑保持最大程度嘅人為控制,AI 淨係負責每一步內部嘅重活。
Workflow 畀你嘅就係呢個。你控制路徑,LLM 負責每個節點入面嘅生成。
混合模式:workflow 入面嵌 agent、agent 外面套 workflow
……呢度開始變得有趣。
自從 Dify 引入咗 Agent Node 作為 workflow 組件 之後,你可以將 agent 嘅推理能力嵌入 workflow 內部。Workflow 負責整體結構——分類、路由、條件分支——而 Agent Node 喺某啲特定步驟接管、負責需要自主推理嘅部分。
可以咁諗:你嘅 workflow 係高速公路,Agent Node 就係一條匝道,LLM 可以落去自由探索,然後返主路。
Agent Node 支援可插拔策略——Function Calling 同 ReAct 係內建嘅,你都可以由 Dify Marketplace 裝其他嘅。呢個意味住你可以擁有一個嚴格受控嘅 pipeline,其中某一步話「呢部分你自己諗辦法」。
我試過一個簡單版本:Start → Question Classifier(LLM 節點)→ 如果係技術問題 → 帶有文檔工具嘅 Agent Node → Answer。Classifier 做確定性嘅路由,agent 負責開放性嘅部分。對我嘅 use case 嚟講,比單獨用任何一種模式都好用。
反過嚟都成立——你可以將一個 Workflow 發佈成 MCP server,畀外部 agent 當工具呼叫。Workflow 就成為咗更大嘅 agentic 系統入面一個可靠嘅子程序。
Dify 項目入面常見嘅錯誤
用 agent 處理確定性任務
如果你嘅流程係「接收輸入 → 分類 → 路由 → 回應」,而且步驟從來唔變,咁就唔好用 agent。你會得到唔一致嘅路由、更難調試嘅過程、更高嘅 token 成本。一個 workflow 用四個節點就搞掂,零模糊。
我早期就犯過呢個錯。我將一個 FAQ bot 搭成咗 agent,因為感覺咁設置簡單啲。一開始確實係——直到同樣嘅問題開始畀出唔同嘅答案,而我除咗翻聊天 log 之外冇辦法搞清點解。
用 workflow 處理模糊任務
反過嚟嘅錯誤。如果用戶嘅問題可能需要兩個工具、又可能需要五個,你又預測唔到,咁為每種可能性都搭一條 workflow 分支會變成維護惡夢。呢個時候就應該畀 agent(或者 workflow 入面嘅 Agent Node)出場。
我開始見到嘅一種模式:workflow 做骨架,agent 做關節。 結構喺需要剛性嘅地方保持剛性。靈活性喺重要嘅地方先出現。
FAQ
Dify 入面 Agent 同 Workflow 有咩分別?
Agent 用 LLM 嘅推理能力嚟決定呼叫邊啲工具、按咩順序呼叫。Workflow 喺可視化畫布上面定義一套固定嘅步驟順序。Agent 靈活但可預測性差。Workflow 可預測,但每一條路徑都要你自己設計。
幾時用 Dify Agent,幾時用 Dify Workflow?
開放性任務用 Agent——研究助手、數據分析、對話機器人。穩定、可重複嘅流程用 Workflow——工單路由、報告生成、批量處理。
Agent 同 Workflow 喺記憶同上下文上面有咩唔同?
Agent 自動保留對話歷史(最多 500 條訊息)。Workflow 喺兩次運行之間冇記憶。Chatflow 透過 session 變量支援可配置嘅記憶。
我可唔可以喺同一個項目入面將 Dify Agent 同 Workflow 結合用?
可以。Agent Node 將自主推理嵌入 Workflow 內部。你都可以將 Workflow 發佈成工具,畀 agent 呼叫。
兩種模式都玩過一輪之後,我一直喺度諗呢件事:真正難嘅唔係揀 Agent 定 Workflow,而係搞清楚你個系統入面邊啲部分需要推理、邊啲部分需要軌道。 呢個 agent-vs-workflow 嘅問題,會喺 AI 系統設計嘅每一層反覆出現——而且越嚟越多嘅答案都係:兩樣都要,仔細組合。如果你喺度搭嗰啲需要跨任務保留學到嘅嘢——而唔淨係單次對話內部——嘅 agent,嗰個係 另一類問題,值得花啲心思去留意。
……我會繼續睇住呢部分點樣演化。
往期文章
- 如果你仲喺度諗 agent 應該擺喺系統架構嘅邊一層,What Are Agentic Workflows? Types, Examples, and Production Reality 將討論擴展到 Dify 以外,拆解咗喺真實部署入面用到嘅主要 workflow 模式。
- 「workflow 做結構、agent 做靈活性」呢種混合模式喺睇過 MCP CLI, GEP, and the Three Layers of the Agent Stack 之後會更加易明,呢篇文章梳理咗編排、工具同可複用能力係點樣砌埋一齊嘅。
- 想了解工具變成標準化接口之後 agent 嘅行為點變,What Is MCP? The AI Tool Connection Standard Explained 解釋咗 workflow 同 agent 系統底下越嚟越常用嘅嗰個協議。
- 確定性 pipeline vs 靈活 agent 之間嘅調試 tradeoff,都連到 Agent Hooks: How AI Execution Chains Actually Work,特別係你喺度設計多步執行流嘅時候。
- 如果最後嗰段令你開始諗「agent 跑成功一次之後會點樣」,Agent Skills vs GEP Assets: The Real Difference 探討嘅係——記住一個成功嘅 workflow 同將佢變成可複用,未必係同一回事。




