最近有小伙伴问我， AI越来越强大，现在学习智能体工作流还有必要吗？

我尝试解答一下，看我说的对不对。

开始之前，我们先回复下和AI相关的概念。

• AI大模型

平时你接触到各种AI，比如GPT，豆包，claude，qwen，kimi等等，这些都是大模型，再细分，有的是文本大模型，有的是视觉大模型。 把大模型理解为人的“大脑”就行。

• 提示词

就是我们和AI对话的一个交互方式，我们把内容发给AI，一个词，一句话，一篇文章，甚至是一个标点符号，都是提示词。

提示词分系统提示，用户提示词，我们经常发的是用户提示词，我们就是用户。系统提示词是在配置智能体的时候，通常稳定不变的也是系统提示词。大模型产品本身也是自带系统提示词的。这个我们后面再说。

• 工作流

当和AI交互，只简单的一问一答满足不了我们的需求时，比如想批量处理任务，或者多个任务一次性解决，就需要通过工作流实现，工作流里有多个节点，不同的节点有不同的作用。

• 智能体

如果你打开过扣子智能体，能看到上面图片，图片里面看似很复杂。左侧是填写系统提示词的地方，右侧就是智能体的功能配置，有大模型选择，工作流，插件，知识库，记忆。

其实在n8n里面，这个逻辑可能会更清晰一些。

就是这样一个图，智能体就是 AI+工具+记忆。

大模型负责像大脑一样思考； 记忆负责上下文，不能前面问的过的问题，后面就忘了。 工具就是让AI具有了手脚的能力，能处理更多任务，需要时就调用不同的工具，比如联网，文档识别，天气查询等等。

但如果工具越来越多，大模型直接调用工具的方法不同，一家有一家的方法，会很不方便。

于是，就有了MCP。

• MCP

model context protocol 模型上下文协议。

规定模型的输入输出接口。

好了，以上就是当前AI大模型处理真实世界任务，最常见的几个概念。

为何学习智能体工作流？

回答一下开始的那个问题。 为何要学智能体工作流？

真实世界，很多场景下的需求，是有不同的复杂度的。

我们简化下按照以下方式划分： 低复杂度，中等复杂度，高复杂度。

当复杂度很低时，比如你只是让AI规划一下临时的一个旅行行程。 那可以直接问 AI，或者设置一个简单的智能体，只配置一下系统提示词就可以，右侧的工作流，工具，记忆，都不需要。当然，也不用写代码。

但如果你想设计一个海报，并且稳定输出固定的几个风格。 或者固定每天要去提取一些热度信息并汇总整理为一个日报。因为你直接和AI交互，很难一次性就满足需求，中途需要调用信息获取，整理，提炼，最后生成网页版日报。

那就需要设计一个工作流了。

但如果复杂度再上升一下，需要配置多个不同风格的视频生成，并稳定组合成一部短剧。

就比较难用一套工作流来解决了，通常需要多条工作流，这样的场景下，工作流维护成本会很高，一个节点有问题，就容易运行失败。

更适合直接让专业的程序员去开发一个专门用于生成短剧的AI工具。

所以，我的结论就是：

这也是我今天的答案，学习智能体工作流的必要性和适用场景：

AI正飞速影响我们的工作生活，不得不去了解和学习。对AI运用的越深，回报越大。

而学会搭建智能体，就拥有了调用各种AI工具为自己服务的能力，对低复杂度和中等复杂度的需求都可以解决了。

而那些高复杂度的需求，通常又可以拆解成几个中等复杂度的解决方案。

自己解决自己个性化需求，不必完全依赖他人。

这就是掌握智能体工作流搭建的必要性。