Agentic workflow 是一種多步驟流程，由 AI agents 規劃任務、選擇工具、採取行動、評估結果，並調整執行方式，以在有限的人為介入下達成目標。它不是執行某人事先撰寫好的指令碼，而是由 agent 自行推導所需步驟，並在情況需要時加以變更。

當沒有人直接提供模型所需的輸入資料時，兩者的差異就會顯現出來。假設我們想知道自家第三季（Q3）的財報表現與競爭對手相比如何。只要將兩份報告貼到提示詞中，LLM 就能透過單次呼叫進行比較。但如果要求它從頭開始完成這項比較，就必須先找到我們的申報文件、查出競爭對手的文件、從兩份文件中擷取正確數據，並在第一次搜尋結果不足時再次搜尋。Agentic workflow 就是將這類任務從目標一路推進到最終輸出的架構。

我們曾在〈agentic RAG vs. traditional RAG〉一文中介紹 agents 如何改變檢索流程。本文則拉高視角，聚焦於 workflow 本身：什麼特徵使其具備 agentic 性質、迴圈如何運作，以及這種方法在哪些情況下值得付出成本。

什麼特徵讓 Workflow 具備「Agentic」性質？

如今許多軟體都自稱是 agent，因此需要明確的判定標準。當以下五項特徵共同運作時，workflow 才稱得上是 agentic。

以目標為導向的規劃：Workflow 從某個成果開始，例如「產出第三季競爭分析」，接著由 agent 將這項成果拆解成多個步驟。沒有人會先交給 agent 一份必須遵循的步驟清單。

自主決策：在每個步驟中，agent 會根據目前已掌握的資訊決定下一步，而不是依照某人事先撰寫好的分支邏輯執行。

工具使用：Agent 會透過我們提供的工具採取行動，例如搜尋索引、SQL 資料庫、票務 API 或程式碼執行器。模型選擇工具及其參數，我們的基礎架構負責執行呼叫，結果則會提供給下一次決策使用。

記憶與狀態：Agents 依賴兩種記憶。短期記憶是單次執行期間的工作脈絡，包括對話內容與中間結果，讓第六步能建立在第二步的基礎上。長期記憶則會儲存在外部儲存空間中，跨工作階段持續保留資訊與偏好，等到再次相關時由 agent 取用。

適應能力：當搜尋沒有回傳有用結果，或 API 呼叫失敗時，agent 會重新措辭、重試或改走其他路徑，而不是將錯誤直接傳遞到後續流程。

移除其中任何一項，workflow 就會逐漸退回一般自動化的形式。實務上，最後一項尤其重要。固定式流程會在遇到第一個非預期結果時失效；agentic workflow 則會將這項結果視為資訊。

Agentic Workflow 如何運作？

無論底層使用哪種 framework，多數實作都會執行相同的迴圈。Agent 接收目標、擬定計畫、為第一個步驟選擇工具、執行動作並觀察結果。接著它會決定：完成任務、進入下一步，或修改計畫。這個迴圈會持續進行，直到達成目標，或 agent 用盡所有選項並將任務升級交由人工處理。

讓我們將競爭分析任務放進這個迴圈中執行。Agent 規劃三個步驟：收集我們的第三季數據、收集競爭對手的數據，接著撰寫比較結果。第一次檢索成功。第二次只回傳一份內容簡略的新聞稿，而非實際報告，因此 agent 修改計畫，使用外部搜尋工具查找申報文件，完成後才進入撰寫階段。固定式流程可能會拿我們的實際數據與新聞稿標題進行比較，而且流程本身不會察覺這個問題。

值得進一步了解的是 observe 步驟，因為它並不是被動讀取，而是一種評估。每次採取行動後，agent 都會判斷結果是否讓自己更接近目標。這項判斷帶來了彈性，但也是問題可能發生的地方。下文會再詳細說明。

Agentic Workflows 與傳統自動化的比較

無論是 cron 工作、RPA 機器人，還是 step-function pipeline，傳統自動化都會執行某人事先設計好的路徑。每次執行都會以相同順序經過相同步驟。Agentic workflow 則會在執行期間決定哪些步驟是必要的，並在條件改變時調整方向。

我們的看法是：這張表不是在比較優劣。當步驟永遠不變時，具決定性的自動化才是正確選擇，因為它更便宜、更快速，也更容易稽核。薪資處理不需要 agent 做決策。Agentic 方法之所以值得付出成本，是因為它適用於無法事先知道執行路徑的任務；而這項特性正是讓這些任務難以透過傳統自動化處理的原因。

Agentic Workflow 的常見範例有哪些？

研究並撰寫報告：Agent 會先將問題拆解成較小且可組合的部分，接著針對每個部分，從知識庫與網路蒐集來源。它會擷取相關數據、發現資訊缺口、執行後續搜尋，並附上引用來源組合成初稿。研究持續進行時，計畫也會隨之擴充。

處理客戶支援請求：Agent 不會只是將工單配對至制式回覆範本，而是先讀取問題、取得客戶帳戶狀態，並檢查近期事件。接著，它會搜尋相關知識庫、整合答案，最後解決工單，或將工單連同摘要轉交給適當的人員。

分析營運事件：收到警示後，agent 會查詢日誌與指標，並比對不同服務之間的時間線。接著，它會附上相關證據連結，撰寫事件摘要；這項工作原本可能需要工程師花費一整個上午才能完成。

跨企業系統處理文件：系統收到一份 PDF 發票。Agent 會擷取欄位，並與另一個系統中的採購單進行驗證；如果發現總金額不一致，就會標記差異並將例外案件提交人工審查，而不是讓錯誤資料繼續流入後續流程。

Agentic Workflow 的風險與挑戰有哪些？

自主性是一體兩面。工具呼叫可能回傳格式錯誤的資料、模糊的指令，或模型虛構的檔案路徑；其中任何一項都可能讓 agent 走上錯誤分支。而且由於每個步驟都會影響下一步，小錯誤可能逐步累積。第二步擷取到錯誤數據，到了第六步就可能變成充滿自信卻錯誤的結論。

成本與延遲也會以相同方式增加。每次規劃、重試與驗證都代表另一次 LLM 呼叫。因此，一個幾秒內就能完成的任務流程，交由 agent 執行後可能需要數分鐘，成本也可能增加數倍。安全性則帶來另一個層面的問題。擁有正式環境系統寫入權限的 agent，只要一次錯誤決策就可能造成實際損害；而隱藏在檢索文件中的 prompt injection 內容，也可能將它引導至危險操作。

這些問題並不代表不該使用 agentic workflows，但確實凸顯了設置防護機制的必要性。在工具輸出進入下一步前先進行驗證。將權限範圍限縮，讓 agent 可以廣泛讀取，但只能有限寫入。追蹤每個步驟，以便檢查 agent 看到了什麼以及為何採取行動；對於難以復原或代價高昂的操作，則在執行前加入人工核准檢查點。在正式環境中成功運用 agents 的團隊，會一次擴大一個步驟的自主權，並在每個步驟證明其可靠性後再進一步放權。

Progress Agentic RAG

Agentic workflow 中的大多數步驟都與知識有關，而 agent 能否妥善規劃與採取行動，取決於它所檢索到的資訊品質。若 agent 只依賴模型記憶，檢索不足時就會自行編造事實。Progress Agentic RAG 解決方案以受治理的服務形式提供這一層知識。文件儲存在 Knowledge Boxes 中，由平台處理內容擷取、分塊、embeddings 與索引建立；每個答案都能追溯至來源段落，讓 agent 與審查結果的人員都能進行驗證。

平台的 retrieval agents 會在檢索端執行 workflow 迴圈。它們會分析問題、將問題拆解成子問題，並決定每個部分應查詢哪些來源，包括多個 Knowledge Boxes、SQL 資料庫與網路搜尋。對於我們圍繞這套功能建構的更廣泛 workflow 而言，這讓 agents 擁有可引用且具權限控管的檢索步驟，而不是一個不透明的黑箱。

總結

Agentic workflow 將目標交給 AI agent，由 agent 規劃步驟、透過工具採取行動、評估結果，並持續修改計畫直到完成任務。這個迴圈能處理固定式自動化無法應對的任務，但也會帶來成本與風險，因此必須透過防護機制、權限控管與人工檢查點加以管理。Agent 所依據的知識會決定大部分結果，因此讓 workflow 建立在受治理且可引用的檢索基礎上，與迴圈本身同樣重要。

若要為自有 agents 提供可據以採取行動的知識層，歡迎預約與 Progress AI 專家的即時示範，或開始免費試用，並將文件建立索引至 Knowledge Box。

常見問題

AI Agent 與 Agentic Workflow 有什麼不同？

AI agent 是執行者：由 LLM 驅動的元件，負責推理、選擇工具並採取行動。Agentic workflow 則是 agent 執行的流程，涵蓋目標、規劃與行動的迴圈、可使用的工具，以及圍繞這些工具設置的檢查點。一個 agent 可以支援多個 workflow，而一個 workflow 也可以協調多個 agents。

Agentic Workflow 需要人工監督嗎？

在正式環境中需要，而適當程度取決於任務的風險。一個研究 workflow 可能從頭到尾自動執行，只在完成初稿後接受審查；但如果 workflow 會接觸客戶帳戶或正式環境系統，就應在執行任何不可逆操作前暫停並等待核准。監督也包含可觀測性，也就是追蹤每個步驟，以便稽核 agent 做了什麼以及為何這麼做。

我應該何時使用 Agentic Workflow，而不是傳統自動化？

當步驟無法完全事先定義，例如任務會因個案而異、來源各不相同，或必須從部分失敗中復原時，就適合採用 agentic workflow。當執行路徑穩定且已知時，則應使用傳統自動化，因為它成本較低、速度較快且具決定性。許多系統會結合兩者：對可預測階段執行固定式流程，對需要判斷的部分則交由 agent 處理。