探讨强推理模型下 Agent workflow 的未来，强调 LLM 的推理能力是关键，新一代 Agent 需具备自主规划、执行和反思的能力。
原文标题：强推理模型下，Agent workflow 仍有必要吗？
原文作者：机器之心
冷月清谈：
怜星夜思：
2、文章中说LLM的推理能力是Agent的核心，那么除了推理能力之外，你认为Agent还需要具备哪些关键能力才能真正实现“自主独立”？
3、文章提到了Claude Sonnet 3.7和DeepSeek 新版 V3，你觉得什么样的模型才有可能成为下一代Agent的基座模型？
原文内容
机器之心PRO · 会员通讯 Week 13
--- 本周为您解读 ② 个值得细品的 AI & Robotics 业内要事 ---
1. 强推理模型下，Agent workflow 仍有必要吗？
为什么说大模型本身才是构建 AI 智能体的关键？Anthropic 定义的两类智能体之间核心的区别是什么？更被看好的动态 Agents 的工作流是什么样的？为什么说 AI 智能体的基础模型的推理和编码能力很重要？哪些大模型更有可能成为下一代 Agent 的基座模型？...
2. 从「拼能力」到「拼盈利」，AI 视频生成赛道的格局已经变了？
视频生成赛道开始比拼盈利能力了？赛道变化的转折点在哪？国内外厂商如何收费？各家模型靠什么让用户付费？未来的视频生成模型要补足哪些能力？...
要事解读① 强推理模型下，Agent workflow 仍有必要吗？
日期：3 月 28 日
Agent workflow 已经过时了吗？下一代 Agent 关键要靠模型本身的能力？
近期，Alexander Doria 发布的一篇博客文章引发关注。Alexander Doria 在文章中提到，「未来 AI 智能体的发展方向还得是模型本身，而不是工作流（Work Flow）」。同时，Alexander 以 Manus、OpenAI 的 DeepResearch 等智能体应用/功能为例做了区分。
1、Alexander 认为 Manus 是基于「预先编排好的提示词与工具路径」构成的工作流智能体，但在处理需要长期规划、多步骤推理的复杂任务中扩展能力不佳；OpenAI 的 DeepResearch 则是一种全新的研究型语言模型（Research Language Model），能够更加自主的执行任务。
2、Alexander 认为市面上大多数所谓的智能体公司，目前做的根本不是智能体，而是「工作流」（workflows），使用预先定义好的代码路径，串联 LLM 与其他工具。而未来真正的突破，必须是直接从模型层面入手，重新设计 AI 系统。[1-1]
Workflows、Agents，新旧两代 Agent 有何不同？
1、在 Anthropic 的一篇博客文章中，基于架构区别将智能体划分为两类：一类称为 Workflow（工作流），即通过预定义代码路径协调 LLM 和工具的系统；一类是动态 Agent，即 LLM 动态指导自身流程和工具使用、掌控完成任务方式的系统。[1-2]
2、这两类智能体之间的核心区别在于，Workflow 通过使用预先定义好的代码路径，串联 LLM 与其他工具来完成任务，但无法有效扩展，不适用于需要长期规划、多步骤推理的任务；动态 Agent 则是能够独立规划和操作，且具备「自我调整」的能力，自主掌控任务执行的全过程，包括动态规划搜索策略、主动调整工具使用等，而不再依靠外部提示或工作流驱动。
3、传统的 Workflow 是目前常见的智能体产品使用的架构，常见的工作流模式包括：
① 提示链：将任务分解为一系列步骤，每个 LLM 调用处理前一个的输出，适用于可分解为固定子任务的情况，以延迟换取更高准确性。
② 路由：对输入进行分类并引导至专门后续任务，适用于存在可单独处理的不同类别的情况，避免一种输入的优化损害其他输入的性能。
③ 并行化：包括分段和投票两种方式，适用于可并行化子任务以提高速度，或需要多种视角、尝试以获得更有信心结果的情况。
④ 协调者-工作者：中心 LLM 动态分解任务并分配给工作者 LLM，适用于无法预测子任务的复杂任务，具有更高的灵活性。
⑤ 评估器-优化器：一个 LLM 调用生成响应，另一个提供评估和反馈，形成循环，适用于有明确评估标准且迭代细化有价值的场景。
4、相比于传统的 Workflow，动态 Agent 则更适用于需要处理复杂、动态任务的场景，适用于难以或无法预测所需步骤数量的开放式问题，且无法硬编码固定路径。
① 动态 Agent 的工作流程大致为：「规划-使用工具-反思」的循环，当使用者输入一个查询后，Agent 会先进行「规划」（Make a plan），接着「使用工具执行任务」（Execute actions with tools），再对结果进行「反思」（Reflect on results）。如结果不理想，Agent 会重新规划、再次执行，具备「自我调整」的能力。
② 以目前各家都在推出的 DeepSearch 功能为例，DeepSearch 在搜索过程中加入「推理」，通过多次搜索和推理的过程，最终得出更准确的答案。DeepSearch 的工作原理是不断地进行「搜索 → 推理 → 搜索 → 推理…」的循环，直到找到最合适的答案，或者达到 Token 限制为止。
5、一个动态 Agent 的基本构成包括 LLM（大型语言模型）、记忆、工具、提示词。其中，LLM 部分负责推理与决策，包括规划和反思两个能力。能够实现「自主独立」的 Agent，需要具备规划、执行和反思的能力，因此 LLM 本身的推理能力是核心关键。
Claude Sonnet 3.7、DeepSeek 新版 V3...谁更是更合适做下一代 Agents 的基座模型？