1. 从AI技术热词看落地困境
最近半年和几个做企业服务的同行聊天，发现个有趣现象：大家会议室白板上写的关键词出奇一致——Agent、Workflow、RAG、Skill。这些从技术论文里跑出来的概念，正在成为AI落地实践中的"标准话术"。但当我追问具体实施方案时，往往得到的是这样的回答："我们先用RAG搭建知识库，再通过Workflow串联业务流程，最后用Agent实现自主决策..."
这种"技术名词叠buff"的现象背后，反映的是当前AI落地面临的真实困境：面对琳琅满目的技术方案，多数人其实并不清楚不同技术范式的适用边界。就像医生开药不能只会说"先吃抗生素再打维生素"，我们需要更精确的"临床指南"。
2. 技术范式本质拆解
2.1 Agent：自主决策的智能体
去年帮一家电商客户搭建智能客服系统时，我们做过对比测试：传统规则引擎处理退货请求需要21步条件判断，而基于LLM的Agent通过5轮对话就能完成相同任务。这里的核心差异在于，Agent具备三个关键能力：
- 目标理解（理解"快速处理退货"背后的商业诉求）
- 动态规划（根据用户输入实时调整对话路径）
- 工具调用（自主查询订单系统/调用审核接口）
但Agent的缺陷也很明显：某次大促时，一个询问"鼠标是否防水"的简单问题，Agent却执意要调用产品数据库做语义分析，最终导致响应延迟。这说明完全自主的决策机制在简单场景反而会造成资源浪费。
2.2 Workflow：确定性的流水线
上个月复盘过一个失败的AI项目：客户希望用AI自动处理工程图纸变更，团队一开始就陷入"完美Agent"的幻想中。后来我们改用Workflow引擎，把审批流程拆解为：
code复制图纸解析 → 变更点检测 → 影响面分析 → 审批路由
每个节点用最适合的技术实现（CV模型检测变更、RAG检索相似案例、规则引擎判断审批路径）。这种"确定性流水线+弹性技术插槽"的设计，最终使系统准时上线。
Workflow的优势在于可预测性，但过度设计也会导致僵化。见过最极端的案例：某OA系统把请假审批拆分成14个微服务节点，反而比人工审批更耗时。
2.3 RAG：知识增强的检索器
在医疗问诊场景做过对比实验：
- 纯LLM回答药物禁忌的准确率：68%
- 接入药品说明书库的RAG系统：92%
但RAG不是万能的，遇到这些情况会失效：
- 知识库更新滞后（如新药上市未及时录入）
- 问题需要逻辑推理（"这两种降压药能否联用"）
- 查询涉及多模态信息（CT影像对比）
最近在做的优化是混合检索策略：先用向量搜索召回相关段落，再用关键词搜索做精确过滤，最后让LLM基于双重结果生成答案。实测能使准确率再提升5-7个百分点。
2.4 Skill：模块化的能力单元
开发过最成功的Skill是一个合同解析模块，其价值在于：
- 输入输出标准化（PDF→结构化JSON）
- 可插拔设计（既能单独调用，也能嵌入Workflow）
- 性能可度量（准确率/耗时等指标明确）
但Skill化也容易陷入"过度封装"的陷阱。某金融客户把风险评估拆分成37个微Skill，结果系统80%时间都在做数据格式转换。
3. 技术选型决策框架
3.1 四象限评估法
根据项目特征可以建立这样的决策矩阵：
| 特征维度 | 推荐方案 | 典型案例 |
|---|---|---|
| 高确定性+简单逻辑 | Workflow | 财务报销审批 |
| 高不确定性+复杂场景 | Agent | 客户投诉处理 |
| 专业知识依赖强 | RAG+Skill | 医疗问诊 |
| 流程标准化程度高 | Workflow+Skill | 制造业质检 |
3.2 混合架构实践心得
目前最稳健的架构模式是"Workflow打底，Agent点睛"：
- 主干流程用Workflow确保确定性
- 关键决策点嵌入Agent提升灵活性
- 专业模块封装为Skill保证复用性
- 知识密集型环节引入RAG
某跨境电商的订单纠纷系统采用这种设计后，处理效率提升40%，同时人工干预率下降至3%以下。
4. 实施避坑指南
4.1 性能陷阱
- Agent的思维链（CoT）不宜超过5步，否则响应时间会指数增长
- RAG的chunk大小建议控制在300-500token，过大影响精度，过小丢失上下文
- Workflow节点最好配备超时熔断机制，避免级联故障
4.2 成本控制
实测数据显示：
- 纯Agent方案的单次调用成本是Workflow的3-5倍
- RAG的知识库维护成本约占整体投入的30%
- Skill的复用率需达到60%以上才能体现经济性
建议采用"黄金比例"预算分配：Workflow基础建设占50%，Agent增强投入30%，RAG/Skill各10%。
4.3 团队协作建议
- 业务专家重点参与Workflow设计
- 算法工程师专注Agent/RAG优化
- 开发工程师负责Skill封装
- 设立"架构守护者"角色防止技术堆砌
5. 典型场景解决方案
5.1 客服中心智能化
- 第一层：FAQ问答（RAG）
- 第二层：工单转派（Workflow）
- 第三层：纠纷调解（Agent）
- 公共能力：情绪识别（Skill）
某银行案例显示，这种分层架构使客服满意度从72%提升至89%。
5.2 智能制造质检
- 标准检测项（Workflow+CV Skill）
- 异常情况研判（Agent）
- 缺陷知识库（RAG）
- 最佳实践是保留人工复检通道作为安全阀
6. 演进趋势观察
当前看到两个明显方向：
- Agent的轻量化：微软的AutoGen框架已能实现10KB级微Agent
- Workflow的智能化：新增的"动态节点"特性允许局部Agent介入
最看好的还是"乐高模式"：通过标准化接口让不同技术模块自由组合。就像搭积木，既可以用Workflow做底盘保证稳固，也能用Agent组件实现灵活扩展。