AI Agent未来趋势解析：为何Coze的专家工作流模式不代表未来？
AI Agent正在经历一场深层的范式转变。当推理模型让Agent具备了真正的自我规划能力，过去那种依赖预设工作流的固化模式开始松动，取而代之的是一种更灵活、更具自主性的新范式。企业们开始认真思考：能不能用Agent重新定义现有业务场景，甚至开辟全新应用？这个探索过程本身，也在被C端应用反向推动。那么，新一代Agent与上一代以工作流为驱动的Agent，到底差在哪？具体怎么落地？企业又该准备什么样的工具箱？下面展开谈谈。
分享嘉宾｜张扬 爱分析 联合创始人&首席分析师。内容已做精简。
01 新一代Agent运作模式的“变”与“不变”
过去人们对Agent的理解，大多停留在单一Agent模式：用户输入后，它自己完成任务分解、函数调用、输出答案，比如去年红极一时的AutoGPT。进入2025年之后，最大的变化是——Agent变多了。不再是单个Agent包揽全流程，而是多个子Agent分工协作。跟过去相比，核心优势在于：解决问题的“专家团”壮大了。每个子Agent像是一个深耕特定领域的应用专家，各自解决自己最擅长的部分，整体效率和深度自然远超从前。
那为什么过去是一个Agent，现在变成了多个？关键就在任务分解这个环节。当用户抛出一个问题后，系统会进行任务分解，而这一步跟推理模型的成熟度直接相关。
上图右侧展示的正是这种解题过程：用户输入问题后，具体的子任务会被一一拆解出来。这和过去那种专家预设好的工作流有本质区别。但不变的是，任何复杂的Agent任务，首先都绕不开搜索与理解——思维方式与问题理解可以归为一类。不过，后续各个步骤的确定性和相关性就低多了。也就是说，每个Agent在运作时，如果把它看成工作流，每个子任务对应的工作流都不一样。任务拆解成待办事项或子任务的过程，基本靠模型自身的推理能力来生成合理的工作流，而不是像过去那样用固定步骤硬套。这就是新一代Agent和上一代Agent最根本的区别。
举个具体的例子：同样是做数据分析，可能由不同Agent分工完成——第一个Agent负责理解客户需求，转化成语义层表述；第二个Agent去拿数据；第三个Agent针对回传的数据做分析、生成报告；甚至还会有一个根因分析Agent，可能还有专门做任务检查的Agent。每个Agent都有自己的核心任务，这构成了任务拆解的基础。但关键在于，这些Agent怎么组合、怎么调度、怎么编排，全由模型自主控制，和过去人工设定工作流的思路完全不同。
以上是“变”的部分。但“不变”的部分也同样重要：过去单一Agent运作遵循PDCA闭环，现在多Agent协同完成单一任务时，依然是在PDCA大闭环下进行拆解。问题理解与思维方式对应“P（计划）”环节；具体执行包含“D（执行）”和“A（执行）”环节；最终还有一个“C（检查）”环节——比如深度搜索中的验证数据、确认最终答案等，都属于验证过程，甚至可能根据验证结果重新评估数据的可靠性。也就是说，Agent工作流的具体内容和子任务流的工作方式变了，但始终围绕着PDCA这个闭环框架在执行。这就是Agent变与不变的两个关键要点。
02 单一Agent工作流的具体实现过程
整个流程中首先存在一个分类器。多数情况下这个分类器由大语言模型构建，而不是推理模型——这恰好体现大语言模型的优势：它能在任务分解后，高效匹配不同任务与最适合执行的Agent。而新增的任务拆解过程则由推理模型完成。当选定某个Agent执行任务后，就涉及Agent间的协作，比如一个Agent任务结束后把工作交接给另一个。在这个过程中，保存所有对话记录和记忆至关重要，这些信息后续会被所有Agent调用。这就是多Agent协作的完整流程，也是当前Agent和过去Agent的显著差异。传统工作流方式在未来可能不再适用。
上图左侧展示的是Open AI的Agent逻辑。Open AI在3月发布的Agent组件包含三部分：API（支持用户调用）、Search Tools（既能操控浏览器进行网络搜索，也能实现本地文件检索）、以及Agents SDK（用于实现Agent之间的协作机制）。这个逻辑里没有预设工作流。上图右侧是经典的Agent框架图，其中Planning模块采用思维链（COT）技术，通过推理模型的思维链实现任务拆解。过去两种方式都很常见：一种是通过拖拉拽方式构建工作流形成Agent，由专家基于经验设定；另一种是由模型自定义工作流，两者截然不同。
在推理模型出现前，无论是企业内部还是模型厂商，普遍认可专家基于经验设定工作流的模式。但现在的变化很明显——越来越多的Agent产品开始倾向于由模型创建功能流。比如Coze最新发布的Agent版本，已经将原有的专家创建工作流升级为双轨制：既支持模型创建工作流，又保留专家创建工作流。这说明未来存在两条不同的技术路线，目前两条路线并行发展。这个态势对未来的影响很大。举个例子，如果未来趋势是模型创建工作流，那么对多数企业来说，当前专家工作流方案中哪些部分在未来还能复用、哪些不能复用，就成了亟待解决的问题。
在Agent运作过程中，这两种工作流构建思路和方式差别很大。专家工作流属于典型的低代码和零代码产品体系。从历史来看，低代码产品在中国市场始终没有取得重大突破。它们最初期望的最终用户是企业业务人员——希望他们基于自身业务理解自行搭建应用，IT部门只提供基础支撑平台。但实际应用中，低代码和零代码产品的主要使用者却是厂商或其合作伙伴的交付人员。对厂商来说，这些产品确实能降低交付成本。但对用户而言，学习成本和使用门槛太高，企业用户观感一般；而对厂商，却是降低成本的有效方式。
即便不考虑专家工作流和模型工作流的技术发展趋势，仅从企业是否愿意采用低代码和零代码产品来看，专家工作流的应用前景也存在较大不确定性。它很可能最终只成为厂商交付的工具，难以真正被企业用户使用。如果专家工作流和模型工作流是未来两大发展趋势，那么首要问题是明确长远趋势，并确定企业当前开发Agent应用时该遵循什么思路。
参考上图的三条曲线：在计算量较小、算力较低的应用场景下，采用“More Structure”模式——对模型进行更多专家设定——模型表现更好；随着算力提升，“Less Structure”模式（减少控制和限制）表现逐渐变好；当算力近乎无穷大时，“Less Structure”模式优势更显著。这个AI底层逻辑正获得越来越多的认可。过去通过大量过程激励构建模型属于“More Structure”方式，而DeepSeek采用强化学习构建推理模型则属于“Less Structure”方式。目前强化学习这种限制较少的模式被普遍认为表现更优。
把这个思路应用到Agent上，逻辑相同。前期阶段，专家工作流可能表现更优，因为它融入了专家的专业知识和企业的经验。但随着算力提升，越过某个临界点后，模型创建的工作流效果可能更好——这是可预见的情况。尽管当前算力发展很快，但就Agent的算力消耗而言，如果用过Grok3或Open AI的Agent，会发现Agent的算力消耗约为聊天机器人对话的百倍级别。一个聊天机器人对话消耗100个Token，使用Agent时可能消耗10万甚至更多Token。造成Token大量消耗的原因有两个：一是Agent执行任务时步骤繁多，每一步都可能涉及模型间交互；二是数据量庞大，搜索来源数量常以百计或数十计，这些上下文内容本身也极为庞大。所以，如果当前模型规模扩大10倍，模型生成的工作流效果可能远超专家工作流。这个临界点预示着未来模型创建工作流将逐步取代专家工作流。
不过，在未来一到三年算力持续增长的阶段，专家工作流仍不可或缺。这个期间，建议把专家工作流从传统的拖拉拽式操作转变为提示词驱动模式，这可能是更高效的实现方式。同时，始终遵循PDCA闭环逻辑。具体来说，提示词应明确专家流程的步骤，包括使用的工具、展示方式等。核心逻辑基于两点：一是无论是过去还是现在的Agent，PDCA闭环始终是其运作的基本框架，专家工作流也应遵循；二是提示词作为标准化示例，详细界定了解决特定问题的步骤，能为模型提供可参考的学习样本。
R1模型训练过程中，虽然使用的外部高质量数据较少，但从模型中蒸馏出了60万条思维链（COT）数据，这些数据是该模型的核心竞争力。而这些蒸馏数据质量的高低，取决于前期积累的高质量数据，两者关联性极强。因此，从专家工作流的发展来看，这些提示词是极具价值的高质量数据。建议企业自2025年起开展Agent应用开发时，除了采用拖拉拽方式设置工作流，更要重视提示词的核心作用。提示词的积累与应用，可能成为企业内部创建更多Agent的重要知识来源。
03 企业应该构建什么样的工具箱
目前判断，企业需要预置的工具链主要涵盖几个大类。
第一个工具类别与知识相关，需要配备两个检索工具：一是用于本地私有数据的检索和文件搜索工具，对应Open AI的File Search；二是公网搜索工具，对应Open AI的Web Search API。第二个类别是自动化执行的流程工具，比如Open AI的Operator，其他类似工具可能叫Computer Use，本质是模拟电脑操作。此外，企业已有的大量RPA资产，也可作为流程自动化工具调用。第三个类别是Agent协作工具，包括各类协作协议，目前此类工具较多。
除了上述三类工具，还建议配备与企业专属分析工具及API接口相关的工具。企业内部大量IT系统需要API接口，同时还需构建众多专属分析工具，比如Data Agent分析工具——从长远看，这是整个Agent体系可调用的工具组成部分。类似基于PDCA闭环和提示词开发的特定场景应用工具，也可纳入其中。例如企业专属的财务分析工具、设备运维工具、HR相关工具（如绩效辅导工具）等。这些工具基于企业过去搭建的Agent，可以整合为工具箱，纳入Agent工具库。
总的来说，企业从当前角度出发，为未来Agent应用储备的工具箱核心类别包括：检索工具、协作工具、自动化流程工具、API接口工具以及专属分析工具。这可能是当前企业落地Agent时需提前准备的内容。
