Agents 與工作流
把多步驟自動化串起來
當一件事需要好幾步（先分類、再查資料、再生成回覆、再寄出），你有兩種做法：workflow（工作流）是你把步驟和路線都寫死，AI 只負責每一格的判斷；agent（代理）是你只給目標和工具，讓 AI 自己決定怎麼走、走幾步。這一站教你分清兩者，並且記住一條省錢又穩定的原則：能用簡單 workflow 解決的，就不要動用複雜 agent。
這一站重點
- workflow 等於路線由你寫死、AI 填每一格；agent 等於目標由你給、路線 AI 自己決定。可控性 vs 彈性的取捨。
- workflow 三種常見樣式：prompt chaining（串接）把大任務拆成一串固定步驟；routing（分流）先分類再送去對應處理；parallelization（並行）多件事同時跑再彙整。
- agent 適合步驟數不固定、要臨場判斷的開放任務——它會自己用工具、看結果、決定下一步，直到達成目標。
- 先問：這任務的步驟固定嗎？固定就用 workflow（好預測、好除錯、便宜）；真的沒辦法事先寫死，才用 agent。
- 能簡單就別複雜——很多人一上來就想做全自主 agent，其實八成的中小企業自動化，一條寫死的 workflow 就夠了，還更穩更省。
深入研讀 · 實作步驟
上面的重點讀完就夠用了；想真的搞懂原理、照著做，往下看完整說明與步驟。
先把兩個詞講清楚，因為市場上被講得很玄。workflow（工作流）是：你這個工程師事先把「先做 A、再做 B、遇到這種情況走 C」的流程圖畫好、寫死在程式裡，AI 只在每一格負責它擅長的判斷或生成。agent（代理）是：你不畫流程圖，只告訴 AI「目標是什麼」跟「你有哪些工具」，讓它自己決定先做什麼、看到結果後再決定下一步，像個會自己想辦法的員工。Anthropic 官方在《Building Effective Agents》講得很直白：兩者沒有高下，是可控性與彈性的取捨——workflow 好預測、好除錯、成本可算；agent 有彈性但比較難預測、也比較貴。
workflow 有三種最實用的樣式，中小企業幾乎都在這裡解決。第一 prompt chaining（串接）：把一個大任務拆成一串固定步驟，前一步的輸出當後一步的輸入。例如自動生月報：第一步請 Claude 從原始數據抓出重點，第二步把重點寫成敘述，第三步潤稿成老闆看得懂的語氣——每步單純、好檢查。第二 routing（分流）：先用一個 Claude 把輸入分類，再送去對應的專門處理。例如客服訊息進來，先分成「退款／技術問題／一般詢問」，再各自走不同的回覆 prompt——比用一個萬能 prompt 硬扛所有情況準得多。第三 parallelization（並行）：把可以同時做的事拆開一起跑再彙整，例如要同時檢查一份合約的「金額、期限、違約條款」三個面向，三路並行再合併，又快又不互相干擾。
那什麼時候才真的需要 agent？當任務步驟數不固定、需要臨場判斷時。例如「幫我查清楚這位客戶為什麼上個月沒續約」——可能要先查 CRM，看到線索再去翻客服紀錄，發現是物流問題再去查訂單……你事先根本不知道要幾步、走哪條路。這種開放式任務就適合給 agent：給它查詢工具、給它目標，讓它自己一邊做一邊決定下一步，用了工具、看了結果、判斷還沒達成就繼續，直到搞定。代價是它比較難預測、可能繞路、token 花得多，所以你要設好上限（最多幾步）跟安全邊界（哪些動作要人確認）。
最後是這一站最重要、也最省你錢的一句話：能用 workflow 解決的，就不要用 agent。官方明確建議：先找最簡單能解決問題的方案，只有在簡單方案真的不夠時，才增加複雜度。很多中小企業一聽到「AI agent」就想做一個全自主、什麼都能幹的機器人，結果又貴又不穩、還很難除錯。實際上你盤點會發現，八成的自動化需求——每天生報表、客服分流、詢價自動回、把資料從 A 系統搬到 B 系統——步驟其實是固定的，一條寫死的 workflow 就搞定，既好預測又便宜。把 agent 留給那些真的沒辦法事先規劃路線的開放任務。判斷順序永遠是：能不能不用 AI（純程式）？不行，能不能一個 prompt 解決？不行，能不能用固定 workflow？真的都不行，才上 agent。
實作步驟
- 先判斷:這任務的步驟固定嗎 把任務攤開，問自己「每次都走一樣的步驟嗎？」固定就走 workflow；步驟數會變、要臨場判斷，才考慮 agent。
- 固定串接的,用 prompt chaining 把大任務拆成一串固定步驟，前一步輸出餵下一步（抓重點，寫敘述，潤稿）。每步單純，好檢查、好除錯。
- 要先分類再處理的,用 routing 先用一個 Claude 把輸入分類（退款／技術／一般），再送去各自的專門 prompt。比一個萬能 prompt 硬扛所有情況準得多。
- 能同時做的,用 parallelization 把互不相依的子任務拆開並行跑再彙整（同時檢查合約的金額、期限、違約條款）。又快又不互相干擾。
- 真的無法預先規劃,才用 agent 只有當步驟數不固定、需要邊做邊判斷時，才給 Claude 工具與目標讓它自主決策。務必設好步數上限與安全邊界（危險動作要人確認）。
- 永遠從最簡單的方案開始 判斷順序：純程式能解嗎？不行，一個 prompt 能解嗎？不行，固定 workflow 能解嗎？真的都不行，才上 agent。能簡單就別複雜，又穩又省。
常見踩雷
- 一聽到「AI agent」就想做全自主機器人——八成的中小企業需求，固定 workflow 就夠，還更穩更省。
- 把步驟固定的任務硬做成 agent——結果難預測、難除錯、token 燒更多。
- 用一個萬能 prompt 硬扛所有情況——該用 routing 先分流，各情況各自處理才準。
- 放 agent 自主跑卻沒設步數上限與安全邊界——可能無限繞路燒錢，或誤觸危險動作。
深入來源：Anthropic 官方文件與 Building Effective Agents
挑一個真實流程，先判斷該用固定 workflow 還是自主 agent，再把步驟畫出來。