OpenAI“Agent万能论”遭打脸！LangChain创始人：Deep Search恰恰证明Workflows不可取代

55 0 0

文章摘要

当前，AI领域呈现出一种近乎“追星式”的热情氛围，每当有新的技术发布，便迅速引发广泛关注与高度评价。OpenAI最近发布的《A Practical guide to building AI agents》指南，被誉为“市面上最优秀的资源”，旨在为产品和工程团队提供构建AI智能体的实用方法。然而，LangChain创始人Harrison Chase对这份指南提出了强烈异议，认为其核心观点具有误导性，并指出OpenAI在定义Agent时采取了过于僵硬的“二元对立”方法。实际上，大多数“Agentic系统”是Workflows和Agents的有机结合，理想的Agent框架应支持从“结构化工作流”向“由大模型驱动”的模式逐步过渡。

在构建与大模型相关的应用过程中，工程师们逐渐认识到一个残酷的现实：数百小时投入的精细流程和手动调优，往往在下一次大型模型更新后，一夜之间就被彻底摧毁。这种反复被打击、被迫重新适应的经历，正在成为AI工程师们必须经历的一次又一次的惨痛教训。传统的软件系统设计遵循清晰的请求-响应模式，而今天越来越多的系统开始引入模糊计算，依靠大模型进行动态推理和生成响应。这种变化意味着，应用程序的行为不再由静态代码全权决定，而是由不断进化的模型能力动态驱动。

Harrison Chase认为，目前Agent并没有一个统一的定义，不同的人常常从不同的角度来定义它。OpenAI将Agent定义为“能代表你独立完成任务的系统”，而Anthropic的定义更为精确，认为Agentic系统包括Workflows和Agents。Workflows依靠预先编写好的代码路径，协调LLM和工具完成任务；而Agents由LLM动态推理，自主决定任务流程与工具使用，拥有更大的决策自由度。大多数情况下，简单的Workflows就足够用，只有在任务复杂且需要更高灵活性时，才需要构建Agentic系统。

构建可靠Agents的关键挑战在于确保大模型接收到正确的上下文信息，而Workflows的优势在于它们能够将正确的上下文传递给LLMs，可以精确地决定数据如何流动。在实际应用中，Agentic系统往往并非由单一Agent组成，而是由多个Agent协作完成。在多Agent系统中，通信机制至关重要，而Workflows和Agents的混合模式，往往能带来最好的可靠性。

Harrison Chase指出，OpenAI在讨论Agentic框架时，其观点建立在一些错误的二分法之上，混淆了“Agentic框架”的不同维度，从而夸大了他们单一封装的价值。归根结底，他们没有准确把握生产级Agentic系统的核心挑战，也没有清晰认识到框架真正应该提供的价值——即一个可靠、透明的编排层，能够让开发者精确控制传递给LLM的上下文，同时无缝处理持久化、容错、Human-in-the-loop等生产关键问题。

总结来看，简单Agents在特定条件下有效，但仅限于数据和任务极为匹配的场景。对绝大多数应用而言，Workflows仍然不可或缺，且生产环境中的Agentic系统将是Workflows和Agents的结合。未来所有应用都将由简单的、能够调用工具的Agents主导的观点是值得商榷的，因为任务本身具有大量细微差异，难以靠单一、通用的Agent处理。