Loop、Agent、Workflow：三种范式怎么选

可视化演示

动态演示Loop、Agent、Wor的核心机制，通过总览/传输/转换/输出四种模式展示关键概念与交互流程。

范式总览

走进一家繁华商业街，你会看到三种后厨：快餐厅把所有菜品的做法写成厚厚一本操作手册，步骤精确到“薯条炸 90 秒”；新派餐厅的研发台摆满试吃碟，厨师反复调味直到配方定型；私房菜馆里，主厨根据当天食材和客人偏好即兴创作，菜单上只写着“时令”两个字。这三类后厨，恰好是 AI 应用开发中三种范式的缩影。

Workflow（工作流）把业务流程拆成固定步骤，步骤之间通过明确的前后关系连接，每一步做什么、数据流向哪里，全部在开发阶段定义清楚。Loop（循环）则定义一个可验证的目标，让系统反复执行某段逻辑，每次根据验证结果调整策略，直到满足退出条件。Agent（智能体）只接收一个目标，由大模型在运行时决定调用哪些工具、按什么顺序执行、如何应对意外。

从演进脉络看，Workflow 是工业化时代的流水线思想，Loop 是控制论中的反馈机制，Agent 则是大模型能力释放后的产物。但“新”不等于“更好”，三者的核心差异在于三个维度：控制流由谁驱动、决策权在谁手里、输出是否可预期。用一个公式来概括：

开店之前先想清楚自己是什么类型的后厨：如果你开的是快餐厅，标准菜谱（Workflow）就是主力；如果是研发新菜，试菜台（Loop）必不可少；如果想做高端私房菜，就得请一位能扛事的当家主厨（Agent）。三种厨房各有生意可做，关键看你的定位。

控制流对比

在餐厅后厨，总有一个东西在“催着”厨师干活——快餐厅靠出菜口的传单，一张订单贴出来，厨师就知道下一步做什么；研发厨房靠定时器和试菜标准，时间一到就去尝，不达标就继续调；私房菜馆靠主厨的目标感，他不需要别人指挥，心里装着“今晚这桌川菜”就自己动起来。这个“催着干活的东西”，就是控制流。

所谓控制流，就是系统执行的驱动力来源。Workflow 的控制流是“流程驱动”：代码里写死 Step A → Step B → Step C，一个步骤结束，系统自动取下一步执行，任何分支都预先定义好。Loop 的控制流是“循环条件驱动”：系统反复执行一段逻辑，每次执行完都检查某个条件，条件不满足就再执行一轮，直到条件成立。Agent 的控制流是“目标驱动”：系统只拥有一个目标描述，模型在每一步根据自己的推理决定下一步动作，外部没有预设路径。

三种控制流的差异可以写成：

想想你的厨房里到底是谁在催厨师干活：如果业务步骤几十年不变，用传单（Workflow）就够了；如果问题没有现成配方，需要一个“不达标就不许下班”的检查员（Loop）；如果任务边界完全开放、情况千变万化，那就得请一位自己能拿主意的厨师长（Agent）。

自主性对比

后厨里有一个微妙的问题：盐放多少，谁说了算？快餐厅的答案是“手册说了算”——炸鸡配方上写着“每份 3 克盐”，厨师没有决定权；研发厨房的答案是“你尝了算”——试菜时厨师先按经验放盐，尝一口不行再调整，决策权在检验标准手里；私房菜馆的答案是“主厨说了算”——他根据食材咸淡、客人地域口味、当天菜品的搭配，自己决定放多少。

自主性描述的是系统的决策权归属。Workflow 的决策权在“规则”手里：所有决策在开发阶段被编译成规则与分支，系统运行时不产生任何新决策。Loop 的决策权在“外部验证者”手里：循环体产生一个候选结果，验证逻辑或人来判断是否达标，决策仅限于“继续还是停止”。Agent 的决策权在“模型”手里：每一步选择哪个工具、如何改写参数、是否更换策略，都是模型基于上下文推理的结果。

用决策函数表达：

回到厨房：如果你希望每一批菜品口味完全一致，就把“放盐”这件事写进手册（Workflow）；如果一道新菜需要反复打磨，就让“尝菜的人”来拍板（Loop）；如果客人需求千变万化，就得放手让主厨临场发挥（Agent）。自主性不是越高越好——决策权越大，你需要承担的风险也越大。

确定性对比

顾客走进三种餐厅，对味道的期待完全不同。吃连锁快餐的人知道无论在哪家分店，汉堡的味道都一样——这叫“可预期”；来试菜餐厅的人知道菜品可能还在迭代，上次吃的和这次可能略有不同；预约私房菜的人干脆没有预期——主厨今天做什么就吃什么，可能惊艳也可能失望。这就是三种范式的确定性差异。

确定性衡量的是“同一个输入，输出结果的波动范围”。Workflow 的输出完全确定：相同的输入必然走相同的分支、产生相同的结果，方差为零，因此天然适合合规、审计等场景。Loop 的确定性居中：它通过循环不断逼近目标，只要验证函数明确，最终输出通常能收敛到达标线附近，但每次迭代的中间产物可能不同。Agent 的确定性最低：模型每次推理带有随机性，加上它可能选择不同的工具组合，输出分布范围很大。

用期望误差刻画：

顾客的期待决定了你的出菜方式：要稳定的味道就上标准菜谱（Workflow），要打磨到“差不多达标”就反复试菜（Loop），要追求惊喜就得接受主厨的发挥和偶尔的翻车（Agent）。确定性是选择范式时最容易忽略、但对业务影响最大的维度。

场景适配

不同的菜系要用不同的做法——麻婆豆腐讲究标准工序，适合写进连锁店手册；研发一款全新的酱汁，得靠反复实验；高档宴席的菜单，只有主厨能拍板。AI 应用场景也可以按这个思路对号入座。

固定流程场景选 Workflow。 典型例子是银行对公账户开户资料审核：资料校验、黑名单比对、规则复核、结果归档，每一步都可预先定义，且监管要求必须留痕。这种场景用 Workflow 既稳定又可审计，硬上 Agent 反而危险。

迭代优化场景选 Loop。 典型例子是舆情摘要系统：大模型生成的摘要可能遗漏关键事件，系统用“是否包含时间、地点、主体”等校验函数检查，不达标就让模型重写，循环最多三次。每次重写都更可靠，而且路径不确定但目标明确，正是 Loop 的舒适区。

开放任务场景选 Agent。 典型例子是企业内部知识助手：员工问“帮我整理 Q3 所有项目的风险点并草拟一封周报邮件”，模型需要自主决定先查询哪个系统、用哪些工具、怎么组织报告。流程无法预写，目标由一句话描述，只有 Agent 能胜任。

把这种“对号入座”形式化为加权评分：

点菜的本质是“什么菜配什么做法”。审单、摘要打磨、企业咨询——先去识别你的场景是固定、迭代还是开放，再让范式对号入座。千万别犯“手里有把锤子，看什么都像钉子”的毛病。

混合架构

一家成熟的大型餐厅，后厨从来不是单一模式：中央厨房用标准菜谱批量制备酱料（Workflow），研发部不断试菜推出新品（Loop），前厅主厨根据客人现场需求灵活调度（Agent）——三种模式在一条产业链上协同工作。AI 系统同样如此，单一范式往往不够用，混合架构才是常态。

最常见的混合方式是嵌套组合。外层用 Workflow 编排大阶段：先分析需求，再生成方案，最后执行并归档。内层某个阶段换成 Agent：生成方案时，让 Agent 自主检索资料、调用工具。Agent 的每次动作再包一层 Loop：如果生成结果未通过校验，循环重试。这样，确定性由外层把控，灵活性由内层释放。

三种范式还可以阶段串联：Workflow 负责数据预处理，Loop 负责质量打磨，Agent 负责最终决策。无论哪种组合，都要设计兜底降级机制——Agent 连续失败超过 N 次，自动降级为固定 Workflow 方案；Loop 循环超过预算，立即退出并转人工。没有兜底的混合架构，等于让顾客承担主厨翻车的风险。

组合关系写作：

一家餐厅的三类角色不是互相抢戏，而是各有分工。给系统设计混合架构时，先问三个问题：哪一层必须稳定？哪一层需要灵活？哪一层出问题谁来兜底？答案是三层各就各位、分工明确——这就是架构设计的艺术。

选型决策框架

新餐厅开张前，老板手里有一笔钱，请不起三个团队，只能选一种打法。他需要问自己四个问题：①每道菜的做法是否几年不变？②好不好吃有没有客观标准？③客人需求是否多变难测？④如果出菜失败，损失有多大？这就是选型需求四问。

第一问：流程是否完全固定？固定 → Workflow，不固定 → 继续问。第二问：结果能否自动验收？能 → Loop，不能 → 继续问。第三问：任务边界是否开放？开放 → Agent，封闭 → Loop 或用 Workflow 加规则兜底。第四问：失败成本多高？成本高 → 优先用确定性高的范式，把不确定性隔离在可回滚的模块里。四问之后，再做成本权衡：Workflow 开发成本高但运营稳定，Agent 上线快但 token 消耗和失控风险高，Loop 介于两者之间。

最后还要规划演进路线：不要一开始就追求完美架构，先用 Workflow 跑通最小闭环，再逐步把瓶颈环节替换为 Loop，把小范围试探替换为 Agent。每替换一层，都要配好兜底和验收。把选择固化成分数模型：

开餐厅不能凭直觉，要有经营账本。选型也一样：四问定位需求，评分权衡取舍，小步演进降低试错成本。这套决策框架，能帮你在每一次技术选型答辩中，给出有依据、可复盘的理由。

AI 应用场景

Python 演示

import random  class KitchenWorkflow:    """范式一：Workflow —— 按标准操作手册执行"""     def __init__(self):        self.success = 0     def run(self, steps):        for step in steps:            print("  [流程] 执行: " + step)        self.success += 1        return len(steps)  class KitchenLoop:    """范式二：Loop —— 反复尝试直到达标"""     def __init__(self, target=0.9):        self.target = target        self.loop_count = 0     def run(self, seed=42):        random.seed(seed)        clean = 0.0        while clean < self.target:            self.loop_count += 1            clean += random.uniform(0.15, 0.35)            print("  [循环] 第%d次冲洗, 洁净度=%.2f" % (self.loop_count, clean))        print("  [循环] 达标, 共%d轮" % self.loop_count)        return self.loop_count  class KitchenAgent:    """范式三：Agent —— 观察环境后自主决策"""     def __init__(self):        self.tasks = {"洗锅": False, "擦台": False, "倒垃圾": False}     def run(self):        decisions = 0        while not all(self.tasks.values()):            undone = [t for t, done in self.tasks.items() if not done]            choice = undone[0]            decisions += 1            print("  [智能体] 判断未完成任务: %s, 选择执行: %s" % (undone, choice))            self.tasks[choice] = True        print("  [智能体] 自主决策%d次, 厨房清理完毕" % decisions)        return decisions  def main():    print("=== 三种范式对比: 厨房里的 AI ===")    print("\n1) Workflow: 固定三步清洗")    KitchenWorkflow().run(["冲水", "加洗洁精", "擦干"])    print("\n2) Loop: 反复冲洗直到洁净度达到 0.9")    KitchenLoop(target=0.9).run()    print("\n3) Agent: 自主决定先做哪件收尾工作")    KitchenAgent().run()  if __name__ == "__main__":    main()

1. while clean < self.target:这就是循环范式的核心：条件不满足就继续迭代，直到达标。
2. clean += random.uniform(0.15, 0.35)每次试菜带来的改进是随机的，但长期趋势是收敛的。
3. undone = [t for t, done in self.tasks.items() if not done]Agent 先“观察”环境，找出所有未完成的任务。
4. choice = undone[0]真实 Agent 场景中这一步由大模型决策，这里用取首个元素模拟。
5. KitchenWorkflow().run([...])Workflow 的步骤列表是调用方预先给定的，运行期不做任何判断。
6. if __name__ == "__main__":保证程序作为脚本运行时才执行主逻辑，便于被其他模块导入复用。

常见误区

面试题