在流程与智能体之间：如何打造真正“企业感知”的AI Agent

这场来自 Glean 的分享，直面一个困扰无数 AI 工程师的问题：到底该做“工作流”，还是“智能体”？演讲者通过真实的工程取舍、形象的比喻和企业级场景的反思，给出了一套并不极端、却更可落地的方法论。

为什么“企业级 Agent”成了很多工程师的失眠源

这场演讲一开始，Chau Tran 就坦白，这个主题“最近一直让我夜不能寐”。原因并不复杂：我们已经看到了大语言模型（LLM）的惊艳能力，但一旦把它们放进真实企业环境——权限复杂、数据分散、流程混乱、结果必须可控——很多漂亮的 demo 立刻失效。

他提出的核心问题是：如何把 AI 的“聪明”，真正带入企业运作的“混乱现实”。这并不是在追求通用人工智能（AGI），而是在追求一种更务实的能力：企业感知（Enterprise Aware）。在这种能力下，模型不仅能回答问题，还能理解组织结构、业务语境和什么才是“对公司有用的输出”。

他在后面反复强调，企业真正关心的并不是“模型能不能回答”，而是“这个回答，是否足够好、是否能被直接使用”。在他看来，从“可接受的输出”到“伟大的输出”，中间隔着的，正是企业级 AI 系统要解决的全部难题。

工作流 vs 智能体：不是技术之争，而是确定性之争

演讲中最吸引人的部分，是他直面当下 AI Builder 最热门的问题：“Should I build workflows or should I build agents？” 这不是一个抽象的学术讨论，而是每天都在影响工程决策的现实选择。

他给出的定义非常清晰：工作流（workflow）是通过预定义代码路径，把 LLM 和工具按固定顺序编排的系统；今天运行和明天运行，行为基本一致。智能体（agent）则不同，它允许 LLM 动态决定下一步该做什么，持续迭代，直到获得结果再回复用户。

为了让听众快速理解差异，他用了一个极具画面感的比喻：工作流更像一辆丰田——稳定、可预测、易维护；智能体更像特斯拉——能力上限高，但内部决策复杂，调试和信任成本都更高。问题在于，企业往往既想要特斯拉的“智能”，又无法承受它的不确定性。

这正是他所说的“巨大两难”：智能体很诱人，但一旦出错，企业很难接受“模型自己决定了这么做”这种解释。

一个反直觉的结论：用工作流来驯服智能体

在演讲中段，Chau Tran 给出了一个并不极端、却非常工程化的答案：不要把工作流和智能体当成对立面。相反，应该用工作流，去约束、评估和训练智能体。

他指出，很多我们以为是“智能体行为”的东西，本质上拆开来看，仍然是一连串可复用的步骤——而这些步骤，就是工作流。把它们显式化，不仅能提升稳定性，还能作为评估标准，帮助我们判断智能体到底有没有“变好”。

更重要的是，工作流还能反过来成为数据来源。通过观察智能体在受控流程中的表现，可以积累高质量数据，用来持续改进系统。这种思路并不是追求一次性做出完美 Agent，而是承认智能体会犯错，并为此设计一整套“纠错和进化”的机制。

在他看来，这种混合策略，才是目前企业环境中最现实的解法。

从微调到搜索：企业感知能力真正落地的地方

在谈到“企业感知 AGI”时，演讲并没有停留在宏大叙事，而是迅速落到具体技术选择上。给定企业内部大量数据，如何让模型学会使用？他提到了两条主路：监督式微调，以及在推理阶段更聪明地使用上下文。

对于微调，他也点出了局限：成本高、更新慢，而且并不适合所有用例。相对而言，通过更好的检索和上下文构建，让模型在需要时“看到正确的信息”，往往更灵活。

在文档搜索这个具体场景中，他明确表示，“纯文本相似度是不够的”。企业搜索不仅要匹配文字，还要理解权限、流程和任务背景。否则，哪怕模型很聪明，也只是在错误的信息上做出了漂亮回答。

这也再次呼应了他前面的观点：企业级 AI 的价值，不在于模型本身有多强，而在于系统是否真正理解企业在乎什么。

总结

这场分享最大的价值，并不在于给出一个“终极架构”，而是提醒我们别被智能体的光环迷惑。工作流与智能体并非非此即彼，而是可以相互配合的工程工具。真正的企业级 AI，不是最聪明的模型，而是能稳定产出“伟大结果”的系统。这种克制而现实的视角，或许正是当下 AI Builder 最需要的。

关键词： AI Agent， 工作流， 企业级AI， 大语言模型， 微调

事实核查备注： 演讲标题：How to build Enterprise Aware Agents；演讲者：Chau Tran（Glean）；核心对比：workflows vs agents；比喻：Toyota vs Tesla；关键原话包括“Should I build workflows or should I build agents？”、“acceptable output versus a great output”；涉及技术概念：LLM、AI Agent、workflow、supervised fine-tuning、document search