工作流与智能体，关键区别在于谁决定下一步：工作流的每一步由人事先设计，智能体的下一步由模型在运行时决定。本文对照传统自动化、生成式 AI 与智能体 AI 的能力边界，给出按任务选型的四个判断问题，并以费用报销核查为例说明怎么组合。写给正在规划流程自动化或 AI 应用的业务与数据团队。
- 传统自动化按预先写好的规则执行，同样的输入得到同样的输出，适合规则明确、需要留痕复核的任务。
- 生成式 AI 擅长处理合同条款、费用说明等非结构化文本，但输出有不确定性，结果需要校验。
- 智能体 AI 由模型在运行中决定调用哪个工具、下一步做什么，灵活度更高，权限和出错面也随之放大。
- Anthropic 的智能体工程指南建议先用最简单的方案，只在确有必要时才增加复杂度。
- 在要求可追溯的审计与财务场景，一种可控的组合是：大模型只处理文本或辅助写规则，工作流按固定逻辑执行，关键结论由人复核。
工作流与智能体，区别在于谁决定下一步
讨论自动化选型时，常见的分法是传统自动化、生成式 AI、智能体 AI 三类。这种分法按技术名称划分，容易让人以为三者互相替代。
更实用的分法，是看流程的控制权在谁手里。Anthropic 在 2024 年 12 月发布的智能体工程指南中做了类似区分：工作流按预先定义的代码路径调用模型与工具，智能体则由模型自行决定执行过程与工具使用。
需要注意，用了生成式 AI 并不等于做了智能体。把大模型调用放进一个步骤固定的工作流里，流程本身仍是确定的，只是其中一步的输出带有不确定性。
三类技术逐项对照
下表按六个维度对照三类技术。成本与延迟一行的判断依据是 Anthropic 指南中的说明，其余为通用技术特征。
| 维度 | 传统自动化 | 生成式 AI（嵌入流程） | 智能体 AI |
|---|---|---|---|
| 谁决定下一步 | 预先写好的规则 | 工作流决定，模型只处理单步内容 | 模型在运行时决定 |
| 同样输入是否得到同样输出 | 是 | 不保证 | 不保证，执行路径也可能不同 |
| 擅长的输入 | 表格、数据库、固定格式文件 | 合同、说明、邮件等非结构化文本 | 需要多次检索、跨工具完成的开放任务 |
| 典型风险 | 规则外的情况处理不了 | 输出错误但看起来合理 | 错误逐步累积，越权操作 |
| 审计留痕 | 规则与执行日志完整 | 需另行记录输入、输出与模型版本 | 需记录每一步决策与工具调用 |
| 成本与延迟 | 低 | 随调用量增加 | 多轮调用，通常更高 |
传统自动化：可复现是优点，规则也是边界
传统自动化指按预先定义的规则执行任务的技术，包括可视化工作流、批处理脚本、RPA 与规则引擎。同一份输入、同一套规则，每次运行都得到相同结果。
这种确定性在审计和财务场景里价值很高。一个结论能被复现，才能被复核；规则写在流程里，检查人员可以逐条对照。
典型任务包括两张表对账、按标准校验金额、月度报表定期重跑。以对账为例，具体做法可以参考两张表对账的工作流做法；可视化工作流适合哪些团队，可以参考为什么要用可视化工作流。
它的边界同样明确。规则只能覆盖事先想到的情况，例外越多，规则越难维护。它也读不懂自由文本，比如「客户临时改期产生的差旅费用」该归到哪一类。
生成式 AI：擅长读文本，但结果要被校验
生成式 AI 指能根据输入生成文本、代码等内容的大模型。在数据流程里，它有用的地方是处理规则难以覆盖的文本，比如抽取合同中的日期与金额、给费用说明分类、生成长文档摘要。
它的问题在于输出不保证正确，而且错误的输出往往看起来很合理。OWASP 发布的 2025 版大模型应用十大风险中，Misinformation（错误信息）单独列为一项。
因此，把大模型放进流程时，可以采用三类控制手段。第一，限定输出格式与取值范围，让结果能被规则检查。第二，用规则或抽样人工复核校验结果。第三，记录输入、输出与模型版本，便于事后追溯。核对 AI 输出的具体方法，可以参考核查 AI 回答的五种实用方法。
国内企业还会关心合规边界。《生成式人工智能服务管理暂行办法》第二条规定，企业研发、应用生成式人工智能技术，未向境内公众提供服务的，不适用该办法。面向公众的客服、问答类服务需要另行评估，数据安全、个人信息保护等其他法律要求仍然适用，具体情形以法务意见为准。
智能体 AI：更灵活，权限与出错面也随之放大
智能体 AI 指由大模型在运行中自行规划步骤、选择并调用工具来完成目标的系统。它适合执行路径无法事先枚举的任务，比如在多个资料来源中检索、比对并汇总。
灵活是有代价的。Anthropic 的指南指出，智能体系统通常以更高的延迟和成本换取任务表现。指南建议先寻找最简单的方案，并提到很多应用只需优化单次模型调用就已足够。
风险面也更大。OWASP 把「过度代理」（Excessive Agency）列为 2025 版十大风险之一，并归纳出三个根源：可调用的功能超出任务所需，工具权限过大，高影响操作无需人工确认。
对应的控制思路是最小权限。只开放任务需要的工具，由下游系统而不是模型判断操作是否被允许，付款、改账、对外发送这类操作保留人工确认。智能体访问业务系统时的凭据管理，可以参考企业 AI 中智能体凭据的管理方式。
工作流与智能体：按四个问题判断
选型时不必先问用哪种技术，先回答下面四个问题。
01 规则能不能写清楚？
能写清楚的部分，用规则处理。只有规则无法覆盖、需要理解语义的部分，才交给大模型。
02 结果需不需要逐次一致、可以复核？
需要形成审计底稿、监管报送或财务结论的，优先用确定性流程。模型输出只作为中间结果，并留存记录。
03 出错的代价有多大，能不能撤回？
错误可以撤回、有人把关的任务，可以尝试让模型多做决定。付款、改账、对外发送等无法撤回的操作，不应交给模型自主执行。
04 输入是结构化数据还是文本？
表格和数据库字段优先用规则处理。合同、说明、邮件这类文本，才是大模型发挥作用的地方。
工作流与智能体，在多数企业流程里并不是二选一。更务实的做法是以工作流为骨架，在个别步骤调用大模型，把智能体留给少数确实需要自主规划的任务。规则与模型怎样共同支撑业务决策，可以参考关于自动化决策的延伸阅读。
工作流与智能体：在审计与财务核查中怎么组合
下面用一个示例说明组合方式。示例是通用的费用报销核查流程，不对应具体客户。
在这个流程里，大模型只负责理解文本，不决定一笔报销是否通过。判断依据仍是写在流程里的规则，模型输出要经过规则检查和人工复核。
另一种组合，是让大模型只在设计阶段参与。用自然语言描述一条核查规则，由大模型生成表达式代码，人审核代码后放进工作流执行。模型只在写规则时参与，运行时仍是确定性流程。
在 iModel 中，这两种做法对应当前已发布的两项 AI 能力。一是在工作流中调用本地部署的大模型处理文本列；二是 AI 超级公式插件，用自然语言描述财务或审计规则，生成 Java、Python 或 SQL 表达式代码后由工作流执行。智能体自主执行不在 iModel 当前已发布的能力范围内。
审计场景中更完整的数据分析做法，可以参考审计数据分析解决方案。
常见问题
工作流与智能体，可以放在同一个流程里吗？
可以，在要求可追溯的场景里这是更稳妥的做法。以工作流为骨架，在需要理解文本的步骤调用大模型，其余步骤保持规则执行，关键结论由人复核。
生成式 AI 和智能体 AI 有什么区别？
区别在于谁决定下一步。生成式 AI 按指令生成一段内容，流程由人或工作流控制。智能体 AI 由模型在运行中自行规划步骤、调用工具，流程由模型控制。
审计和财务场景适合用智能体 AI 吗？
核心判断环节不建议交给智能体自主执行。审计结论需要能复现、能复核，更适合由确定性工作流完成判断，大模型只处理文本类中间结果，并保留人工复核。
企业内部用大模型做数据分析，适用《生成式人工智能服务管理暂行办法》吗？
按该办法第二条，企业应用生成式人工智能技术但未向境内公众提供服务的，不适用该办法。数据安全、个人信息保护等其他法律要求仍然适用，具体情形以法务意见为准。
参考来源
- Anthropic：Building Effective AI Agents（2024 年 12 月）
- OWASP：LLM06:2025 Excessive Agency
- OWASP：Top 10 for LLM Applications 2025（PDF）
- 国家网信办：《生成式人工智能服务管理暂行办法》
以上来源核实于 2026 年 9 月 16 日。
